1 Objectifs de la formation

• Connaître les exigences de Solvabilité 2 sur la qualité des données
• Comprendre comment la data-science augmente l’efficience d’un dispositif de maîtrise de la qualité des données
• Apprendre à mettre en place des algorithmes d’évaluation de qualité des données, et construire des indicateurs de qualité avec des cas pratiques
• Automatiser la détection et la correction des anomalies dans les données

2 Programme

Évaluer les risques et les enjeux financiers et réglementaires liés à la qualité des données

• Traduire les exigences de Solvabilité 2 en matière de gouvernance de la qualité des données
• Appréhender les risques et les coûts d’une mauvaise qualité des données
• Définir une donnée de bonne qualité : pertinence, intégrité, disponibilité, auditabilité, traçabilité, conformité et sécurité

Appliquer les principes de la détection des anomalies pour identifier les incohérences

• Comprendre la différence entre l’approche exploratoire descriptive et l’approche décisionnelle globale et prédictive
• Définir les types d’anomalies : erreurs de saisie, fautes d’orthographe, erreurs intentionnelles, défaillance du système
• Explorer des exemples concrets d’anomalies: adresse mal saisie menant à des contrats en déshérence ou impact de la qualité des données sur la production des rapports QRT et répercussions (solvabilité & sanctions)
• S’approprier les bonnes pratiques d’organisation et de pré-traitement des données : organisation de fichiers, de données, classification

Comment intégrer la data-science dans les projets d’analyse et de contrôle de la qualité des données

• Comprendre les fonctions et cas d’usage de la data-science dans la gestion de la qualité de la donnée
• Les techniques au service de l’exploration des données : webscraping, text-mining, machine learning, analyse des séries temporelles
• Sélectionner et adapter la technique de data-science de traitement en fonction de la problématique à modéliser
• Détecter des valeurs aberrantes avec les méthodes de clustering
• Calculer un score de qualité avec les méthodes de classification

Mettre en œuvre l’automatisation de la détection et la correction d’anomalies

• Savoir industrialiser les méthodes sélectionnées en tenant compte des contraintes temps réel
• Mettre en place des indicateurs clés et des tableaux de bords pour évaluer la qualité
• Cas pratique d’automatisation de l’exécution des contrôles & visualisation des résultats

3 Publics concernés

• Direction des risques ; Actuaire ; Responsable conformité ; Risk manager ; Responsable du contrôle interne ; Auditeur interne ; Contrôleur interne ; Direction des Systèmes d’Information (DSI) ; Auditeur IT ; Data-Scientist ; Responsable de la qualité des données ; Chief data officer (CDO) et plus largement toute personne partie prenante et / ou garante d’un projet de qualité de données et / ou gérant des bases de données

• Société d’assurance et de réassurance, mutuelle et institution de prévoyance

4 Informations pratiques

Durée: 1 jour

Quels sont les pré-requis ?

Aucun.