close

Se connecter

Se connecter avec OpenID

Analytics at Work

IntégréTéléchargement
Combiner rapidité,
qualité et impacts
Association des Actuaires I.A.R.D.
8 mai 2015
Carl Lambert
Vice-président, Intelligence d’affaires
Agenda
• Co-operators – Qui sommes-nous?
• Défi pour jeunes actuaires
• BI – Problèmes avec l’approche traditionnelle
• Nos recherches
• Nos solutions
• Yes You Can
• Exemples réels
Co-operators. Qui sommes-nous?
• Coopérative fondée en 1945
• De propriété canadienne, Co-operators est
un chef de file de l’assurance multiproduit et
des services financiers dont les actifs sous
administration s’élèvent à à plus de 38,3
milliards de dollars.
• 4600 employees
Co-operators. Qui sommes-nous?
Nos sociétés
•
•
•
•
•
•
•
•
•
La Compagnie d’assurance générale Co-operatos
Co-operators Compagnie d’assurance-vie
Addenda Capital Inc.
La Souveraine, Compagnie d’assurance générale
Le Groupe CUMIS limité
Federated Agencies Limited
HB Gestion d’assurance collective ltée
Compagnie d’assurance COSECO
Premier Group of Companies
Co-operators. Qui sommes-nous?
Exemple de nos membres-propriétaires
Co-operators. Qui sommes-nous?
Nos produits
• Assurance auto, habitation, agricole, commerciale,
vie, crédit, collective, voyage
• Placement et gestion d’actifs
• Gestion de patrimoine
• Régimes de retraite
Co-operators. Qui sommes-nous?
L’équipe d’Intelligence d’affaires
16
14
12
10
2013
8
2014
6
2015
4
2
0
Actuarial /
BI
Math &
Stats
IT
Finance
Economics
Other
Défi pour jeunes actuaires
Années 70 et 80
Grâce aux actuaires, l’assurance a été
l’industrie dominante en analytique.
Années 2000
À cause des actuaires, l’assurance a perdu le
titre d’industrie dominante en analytique.
Mettez-nous au défit!
Nouvelles technologies
• Base SAS, APL
VS
•
•
•
•
•
•
Visual Analytics: Tableau, Microstrategie, SAS,…
Datamining: SAS, SPSS, Angoss, R…
Data Quality, Gouvernance de données
Machine Learning
Hadoop, Netezza & SQL
Earnix
Autres professions
1970-1999
2000 -2009
2010 & +
Economie
Programmation
Statisticien
Finance
Géographe
Ingénieur
Geomaticien
Hydrologue
Machine Learning
Média Sociaux
Data Scientist
….
Approche client vs Approche produit
Excuses
Solutions
Examens de CAS
SOA?
Formation universitaire
Multi-diplômes
Cours autres départements
Ajouts au programme existant
Règlementation en « Réserve et
Pricing »
Secteurs non traditionnels
Questionner les hypothèses
125%
27500
Réclamations
340 M$
Primes Acquises
RSP Relatif
115%
105%
95%
85%
75%
cancer
lion
vierge
balance
scorpion
Différentes Provinces Canadiennes
Différentes Provinces Canadiennes
sagittaire
Questionner les hypothèses
I.I.D.
Indépendant
Identiquement Distribué
Questionner les hypothèses
125%
27500
Réclamations
340 M$
Primes Acquises
RSP Relatif
115%
105%
95%
85%
75%
cancer
lion
vierge
balance
scorpion
Différentes Provinces Canadiennes
sagittaire
Ouverture
Big DATA / Open DATA
"...Jay échaffaude méthode plus efficace.
Elle pourrait coder un script en Python
afin de repérer les liens pertinents sur
chacune de vingt-cinq pages de résultats,
puis extraire le contenu de chacune des
pages où ces liens pointent. Elle
pourrait ensuite filtrer et structurer les
adresses ce qui lui permettrait de les
transposer automatiquement sur
OpenStreet Map..."
BI – Problèmes avec l’approche traditionnelle
Notre situation en 2009
Architecture
« spaghetti »
Pas de
réconciliation
Long à livrer
BI – Problèmes avec l’approche traditionnelle
Développements en 2010-2012
CRM
ERP
Data
Warehouse
LOB
BI – Problèmes avec l’approche traditionnelle
Relation TI - BI
Qu’est-ce que la « Business » pense de TI…
Qu’est-ce TI pense de la « Business »…
Carl Lambert
Vice-Président,
Intelligence d’affaires
Co-operators
Carl le gars de BI
Mike Kavaner
Vice-Président,
Solution Delivery Services
Co-operators
Mike le gars de TI
Et suite à de nombreuses
discussions…
Nos recherches
Analyses comparative
Nos recherches
L’évolution
1.0 Business
Intelligence
2.0 Big Data
3.0 Big Data pour les cies
traditionnelles
1950-2005
2006-2011
2012-
Entrepôt de données
•Google
•eBay
•Amazon
•Expedia…
•GE (120)
•UPS (107)
•Schneiders (170)
•Bosh (127)
Trop long
•Source de données est
internet
•Moins de préparation de données
Obj: Bâtir l’entrepôt
Pas de « Legacy »
Obj: « Insights », conseils
Création des rôles BI
Création du rôle de
« Data Scientist »
Redéfinition des rôles
(- TI, + Analystique)
Descriptive
Predictive
Prescriptive
Nos recherches
L’évolution de UPS
Nos recherches
L’inspiration
Nos solutions
Gagner avec nos forces
IT
Business Intelligence
Nos solutions
Contrôle vs Autonomie
Nos solutions
Données brutes non transformées
Nos solutions
Mobilisation de nos partenaires
Nos solutions
Les bottines doivent suivent les babines
Nos solutions
Exemple de bottines qui suivent les babines
“Yes You Can”
à faible ou sans coût
https://www.mitacs.ca/en
“Yes You Can”
à faible ou sans coût
Avec des logiciels gratuits ou
populaires tels que:
•Qgis
•Tableau
•R
•Google Chart (Yahoo data
Visualization)
•Pentaho
•Batch Geo
•Python
•Microstrategy Destop
•Microsoft (Excel, Xlstat, Access)
Données ouvertes (open data)
http://data.gc.ca/eng/facts-and-figures#top10
“Yes You Can”
“Yes You Can”
Techniques les plus fréquentes
Visual Analytics
Arbre de décision
Régression
Analyse non
supervisée
Réseau de
neurones
• Découverte, « insight », Extrêmement rapide
• Analyse descriptive, 1re étape
• Facile à expliquer, très visuel.
• Souvent utilisé comme “benchmark”
• Prévisions selon une fonction simple des prédicteurs
• Linéaire, exponentielle, GLM , logistique (1/0,)
• Crée des segments de population
• Aucune variable “target”
• Modèles très complexes – machine learning
• Utilisé comme “benchmark”
“Yes You Can”
Techniques fréquentes
Sentiment
Analysis
• Capture le ton d’un texte ou enregistrement vocal
• Courriels, centres d’appels, plaintes, Facebook
Decision Forrest
• Plusieurs arbres votent pour établir la prévision
• Réduit l’overfitting
Text Mining
• Analyse d’information contenu dans un texte
• Assurance vie, fonds pension, rétention client
Cluster analysis
• Crée des segments de population
• Territoires, segmentation marketing
Factor Analysis
• Réduction du nombre de prédicteurs
• Big data, données non-structurés
“Yes You Can”
Techniques moins fréquentes
Time Series
• Analyse des phénomènes temporels
• Bourse, indices économique, débits des rivières
Multinomial
Regression
• Régression binaire avec plusieurs targets
• Analyse de paniers de consommations
Discriminant
Analysis
• Analyse des prédicteur qui affectent un phénomène
• Analyse de questionnaires, sondages de satisfaction
Anova
• Décomposition de la variance
• Valider l’égalité de la moyenne entre deux groupes
Survival analysis
• Analyse de données incomplètes
• Durée de vie, Données censurés ou tronqués
“Yes You Can”
Autres techniques
Basics Statistics
Distribution fitting
Multidimentional Scaling
MARSplines
Association rules
Non Parametric
Statistics
C&R Trees
Classification trees
Canocical Analysis
Items Analysis
Correspondance Analysis
Experimental Design
Power
Analysis
Chad Analysis
Boosting Trees
SEPATH
Exemples Réels
Médias sociaux
Typo!
Citizen Williams (@CitizenWilliams)
12-06-21 08:29
Someone needs to tell the Cooperators on the Bedford Highway
that there are two Fs in affect - on both
sides of their sign. :S #Halifax
“Social
Media
Analysis”
L’affiche
changée dans la
même journée
Exemples réels
Exemples réels
Sites internet & Excel
Exemples réels
Sites internet & Excel
Sept-Îles (56-5)
Rosemont / La Petite Patrie (84-14)
14%
8%
92%
Dolbeau-Mistassini (30-3)
86%
Boucherville (35-1)
3%
9%
91%
Échantillon: 4900 publications les plus récentes pour chaque entité.
97%
Exemples réels
Sites internet & Excel
Blainville
Boisbriand
Du Proprio
343 024 $
271 518 $
ViaCapitale
385 665 $
291 463 $
Diff (%)
+ 12,4%
+ 7,4%
Échantillon: 4900 publications les plus récentes pour chaque entité.
Même nombre de maisons dans chaque ville: (40-41 Blainville, 21-22 Boisbriand)
Exemples réels
Sites internet & Excel
Expliquer l’écart de prix
A quoi est dû la
différence de prix
demandé?
Comment répondre?
Différent profil de maison? Prix demandé vs évaluation municipale
Commission de l’agent?
Analyse précédente en enlevant le taux de
commission
Valeur ajoutée de l’agent?
Prix de vente vs évaluation municipale
 Peut analyser scientifiquement l’impact d’un agent
sur le prix de vente d’une maison.
Cliquez pour débuter le visionnement
Auteur
Документ
Catégorie
Без категории
Affichages
4
Taille du fichier
6 472 Кб
Étiquettes
1/--Pages
signaler