Analytics & Big Data. Focus techniques & nouvelles perspectives pour les actuaires. Université d Eté de l Institut des Actuaires Mardi 8 juillet 2014

Dimension: px
Commencer à balayer dès la page:

Download "Analytics & Big Data. Focus techniques & nouvelles perspectives pour les actuaires. Université d Eté de l Institut des Actuaires Mardi 8 juillet 2014"

Transcription

1 Analytics & Big Data Focus techniques & nouvelles perspectives pour les actuaires Local Optimization European Minded Université d Eté de l Institut des Actuaires Mardi 8 juillet 2014 Intervenants : Alexandre Keiflin, consultant senior, practice leader PCOW Big Data et Digital Emmanuel Berthelé, actuaire consultant senior, responsable Practice Tous droits réservés. Reproduction interdite sans l autorisation d Optimind Winter.

2 Sommaire 1 Introduction 2 Focus techniques Données / Datamasse Evolutions BI Apports des algorithmes et évolution de paradigme 3 Nouvelles perspectives pour les actuaires De nouvelles fonctions pour de nouvelles approches Impacts potentiels sur le rôle de l actuaire 4 Conclusion 2

3 1 Introduction Emergence des nouvelles technologies et des nouveaux supports sources du digital : Premiers téléphones mobiles 1991 : Création du World Wide Web Années ères expériences d un monde à distance Années 1990 Internet se généralise Années 2000 Socialement connectés Années 2010 Equipements de haute technologie Physiquement connectés 1983 : Première Banque en ligne 1992 : Premier site Internet commercial 1997 Premiers paiements mobiles 201x 1982 : Protocole Internet Standardisé x Sources Kurt Salmon research 3

4 Des outils adaptés 1 Introduction DIGITAL Socle Constat Nécessité Opportunités Nouvelles technologies Ere Numérique Penser digital Repenser la relation client Nouveaux usages Acteurs économiques en pleine mutation Gouvernance et organisation adaptée Evolution des business models Grands volumes de données Repenser le traitement de ces données Vision encore plus orientée données Big Data Analytics 4

5 Sommaire 1 Introduction 2 Focus techniques Données / Datamasse Evolutions BI Apports des algorithmes et évolution de paradigme 3 Nouvelles perspectives pour les actuaires De nouvelles fonctions pour de nouvelles approches Impacts potentiels sur le rôle de l actuaire 4 Conclusion 5

6 2 Focus techniques Données / Datamasse L approche classique consiste à caractériser les Big Data comme : Des données massives Et Variées Le concept «Big Data» encapsule cependant naturellement les nouvelles technologie et les nouveaux outils capables de traiter ce volume considérable de données structurées ou non en quasi temps réel Concrètement, l intérêt du Big Data réside principalement dans sa capacité à générer de la Valeur en valorisant ses données internes en les appariant à des donnés externes Nouvelles capacités offertes par le Big Data en approche «Data Driven» Révéler des schéma non intuités Obtenir des capacités prédictives à partir d un grand volume d informations 6

7 2 Focus techniques Données / Datamasse Archives Documents Medias Stockage des données Applications métiers Internet Réseaux sociaux Logs techniques Objets connectés source :http://kapowsoftware.com/resources/infographics/intelligenceby-variety-where-to-find-and-access-big-data.php 7

8 2 Focus techniques Données / Datamasse 1 sec 22 To de données générées sur le web 1 jour 2,5 Eo Générées (10^6 To) Source 90% des données créées ces 2 dernières années Prévision d une hausse de 800% d ici 5 ans 8

9 2 Focus techniques Evolutions BI Logiciels et algorithmes nécessaires aux traitements des Big Data: Hadoop facilite la création d application distribuée pour le calcul (Mapreduce) et le stockage (HDFS et Hbase) Système HDFS -Grille de stockage Framework Map reduce - Grille de calcul Données BIG DATA Découpage en blocs (64 MO par défaut) Réplication (2 fois par défaut) Name Node Name Node (secondary) Jobtracker DataNode Job tracker DataNode DataNode Tasktracker Tasktracker Tasktracker 9

10 2 Focus techniques Evolutions BI Hadoop 1.0 (Décembre 2011) Limitation à 4000 nœuds par cluster Goulot d étranglement au niveau du service Job Tracker (Gestion des ressources, planification et suivi) Un seul namenode MAP Reduce utilise des slots de ressources statiques Seul Map reduce peut tourner Hadoop 2.0 (octobre 2013) Plus de nœuds par cluster Utilisation cluster plus efficient grâce à YARN meilleure gestion des ressources Plusieurs namenodes par cluster Ressources dynamiques Toutes les applications peuvent être intégrées sous Hadoop Compatibilité ascendante Zoom sur Spark (30/05/2014) 1. Rapide jusqu à 100x (in memory) 2. Facile utilisation (Java, Scala, Python) 3. Générale (SQL, Streaming, analytics) 4. Intégration sur Hadoop 2 - Yarn 10

11 2 Focus techniques Evolutions BI Storm : système de calcul distribué en temps réel permettant de traiter de façon fiable des flux de données illimitées, faisant pour le traitement en temps réel ce que Hadoop a fait pour le traitement batch Architecture et principe de Storm Zookeeper Superviser Superviser Spout Bolt A Bolt B Nimbus Zookeeper Superviser Zookeeper Superviser Superviser Bolt C Détection de fraude bancaire, 2 solutions techniques: 1. Lancer un traitement Hadoop avec l'ensemble des transactions de la journée et tenter d'isoler des comportements étranges pour un compte. Non temps réel 2. Analyse de chaque transaction dès qu'elle est effectuée en temps réel grâce à Storm 11

12 2 Focus techniques Evolutions BI Une architecture combinée Storm/Hadoop pour apporter du temps réel aux traitements des Big Data Combiner Hadoop et Storm permet de répondre à des besoins complémentaires: 1. Analyse des flux en temps réèl permettant d augmenter la réactivité 2. Analyse de l ensemble de données en batch permet d augmenter la profondeur d analyse 12

13 2 Focus techniques Evolutions BI Mahout est un projet open source d'algorithmes d'apprentissage automatique distribuée sur la plateforme Hadoop utilisant jusqu à aujourd hui le framework Map Reduce (en cours de migration vers SPARK) Mahout peut tourner en dehors d Hadoop. Mahout est encore en cours de développement ; le nombre d'algorithmes implémentés a rapidement augmenté, mais certains manquent encore. Filtrage Collaboratif Utilisateurs Objets Factorisation de matrices: Moindres carrés alternés (avec Implicit Feedback ou non) Valeur singulière (SVD) Classification (Supervisé) Régression logistique Classification naive Bayesienne Forêts aléatoires Perceptron multicouche Modèle de markov caché Apprentissage non supervisé (Clustering) Canopy Clustering Algorithme des k- moyennes Algorithme des fuzzy k-moyennes Algorithme des Streaming k- moyenne Apprentissage spectral Réduction de dimension Algorithme de Lanczo Décomposition en valeurs singulières Standard (SVD) Stochastiques Analyse en composante principale Modèle de sujet Allocation de Dirichlet latente Traitement automatique du langage : Correction ou traduction Divers Frequent Pattern Mining Nombre d occurrences Matrices: Comparaison par paires Concatenation Reconnaissance de forme Suggestion Hama est un framework de calcul distribué basé sur un autre modèle de calcul (BSP-Bulk Synchronous Parallel Model) qui se révèle bien plus performant que map reduce sur des algorithmes ciblés 13

14 2 Focus techniques Evolutions BI Nombre entreprises= 377 Nombre de sorties: 15 < 4 % >70 % 3 % Des acteurs ont disparus du paysage Des acteurs se positionnent postinfrastructure Big Data Des acteurs proposent une offre globale Une abondance de technologies et d outils répondant souvent à des besoins spécifiques, il est donc nécessaire de Cibler ses besoins métiers S appuyer sur les DSI pour choisir les bons outils (pérennité, adapté aux besoins, ) Réaliser une veille technologique sur l ensemble du paysage «Big Data» 14

15 2 Focus techniques Apports des algorithmes et évolution de paradigme La révolution Big Data réhabilite d anciennes approches de statistiques, d analyse et de modélisation des données Les mesures de corrélations statistiques datent du XIXe siècle Les premiers travaux sur les réseaux neuronaux remontent aux années 50 Les modèles auto-apprenants ne sont pas nouveaux mais bénéficient d un regain d intérêt notable du fait des nouvelles capacités calculatoires et tendent à être largement améliorés Sont considérées comme relevant de l Analytics toutes méthodes et outils statistiques permettant de comprendre, anticiper et expliquer un phénomène à partir de données massives L Analytics est un levier essentiel de la création de valeur grâce à l extraction d informations des données issues du «Big Data» Processus de création de valeur Big Data Extraction d informations Aide à la décision 15

16 2 Focus techniques Apports des algorithmes et évolution de paradigme Classification des méthodes applicables au Big Data Analytics (Data mining) Méthodes descriptives (recherche de patterns) Non supervisé Méthodes prédictives (modélisation) Supervisé Modèles géométriques Modèles combina toires Modèles à base de règle logique Modèle à base de règle logique Modèle à base de fonctions mathématiques Prédicti on sans modèle Analyse factorielle Analyse typologique Réduction de dimension Classification relationnelles Détection de liens et d associations Arbre de décision Réseaux de neurones Modèle paramétriques ou semiparamétriques Source : Stéphane TUFFERY 16

17 2 Focus techniques Apports des algorithmes et évolution de paradigme Test volumes Calibrag e Systèm e Test perform ances Validation grandeur réelle Test sur échantillon et usage grandeur réelle Sélection de l algorithme à utiliser via différents critères Tests de performances Tests de volumes Calibrage Système Validation en grandeur réelle Short-list liée aux cas d usage Caractéristiques des données (Nombre de points, nombre de variables ) La puissance de calculs nécessaire La complexité de mise en œuvre et (calibrage, compréhension, robustesse ) L exploitation des résultats Classification de données Analyse comportementale Projections / simulations 17

18 2 Focus techniques Evolution culturelle et stratégique pour les structures d assurance HYPOTHESIS DRIVEN L utilisation de modèles analytiques n est pas nouvelle pour les actuaires et le monde de l assurance dans des approches intuitées: Lois Données Calibration Validation La variété de données et la volumétrie importante exploitable grâce au Big Data doivent permettre la création de valeur dans des approches données Données Collecte et analyse Lois et calibration Validation DATA DRIVEN La donnée étant la matière première des structures d assurance, le métier est donc amené à évoluer en profondeur dès lors que la transition vers le Big Data est amorcée Création de nouveaux produits adaptés aux besoins de marché Amélioration du pilotage de son portefeuille Optimisation des processus internes de l entreprise 18

19 Sommaire 1 Introduction 2 Focus techniques Données / Datamasse Evolutions BI Apports des algorithmes et évolution de paradigme 3 Nouvelles perspectives pour les actuaires Quels apports en Assurance De nouvelles fonctions pour de nouvelles approches Impacts potentiels sur le rôle de l actuaire 4 Conclusion 19

20 3 2 Nouvelles perspectives pour les actuaires Quels apports en Assurance? L impact attendu du «Big Data» selon Mc Kinsey dans les principaux secteurs d activités Valeur maximale attendue en «Assurance» Facilité de mise en œuvre d après 4 critères: Talent Présence IT Etat d esprit «Data Driven» Disponibilité des données 20 20

21 3 Nouvelles perspectives pour les actuaires Quels apports en Assurance? DOMAINE Marketing Produit Gestion du risque Lutte anti fraude USAGE POTENTIEL Améliorer les processus de souscription Personnaliser les garanties et les tarifs Anticiper et mesurer les risques (lois comportementales) Identifier les comportements anormaux en temps réel Faciliter la veille concurrentielle et cibler ses opérations marketing Pilotage de la rentabilité du produit et de son activité Ajuster les modèles aux assurés en portefeuille Identifier les données volontairement biaisées EXPLOITATION DES DONNÉES AVEC LE BIG DATA Expliquer la sinistralité Identifier les tendances de marché Obtenir des informations en quasi temps réel Comprendre le comportement d achat Surveiller l eréputation de la société Vision 360 du client Assurance auto : passage du «Pay as you drive» au «Pay how you drive» via boitiers embarqués Santé / prévoyance : informations sur entreprise/secteur/e-réputation pour appréhender le risque d arrêt de travail de ses salariés Lutte anti fraude : croiser les déclarations récentes de sinistres avec une activité spécifique sur les réseaux sociaux et/ou des consultations sur des forums 21

22 3 Nouvelles perspectives pour les actuaires De nouvelles fonctions pour de nouvelles approches 4 axes d adaptation nécessaires pour les structures d assurances Connaissance des sources de données Maîtrise des technologies et outils Evolution culturelle et stratégique Maîtrise de la création de valeur 2 nouvelles fonctions apparaissent explicitement autour des pratiques du Big Data et de l Analytics Chief Data Officer Data Scientist Ces fonctions ne devraient pas remplacer des fonctions actuellement existantes (data miner ou actuaires) mais devraient les compléter et les enrichir Les impacts majeurs porteront donc Sur la définition des nouvelles compétences et rôles attendus Sur leur intégration dans les organisations existantes : chaque assureur devra à ce titre mener une réflexion sur son organisation cible Sur la redéfinition des relations entre ces nouvelle fonctions et les métiers «traditionnels» 22

23 3 Nouvelles perspectives pour les actuaires De nouvelles fonctions pour de nouvelles approches Le data scientist, principal acteur de la chaîne de valeur du Big Data en amont des utilisations expertes des métiers Sources de données externes Collecte et intégration des données Retraitements des données et mise en œuvre de systèmes de calculs Mise à disposition des résultats pour exploitation par les métiers Des compétences spécifiques nécessaires Connaissance des sources de données, tant internes qu externes Compétences BI et IT Compétences algorithmiques et statistiques Communication et échanges avec les métiers afin D identifier les use cases potentiels De maximiser la data valorisation 23

24 3 Nouvelles perspectives pour les actuaires De nouvelles fonctions pour de nouvelles approches Le Chief Data Officier, une fonctions clé d organisation et de gouvernance des données Centralise la connaissance de la production des données Organise les contrôles et le suivi qualité Coordonne la gouvernance stratégique du capital «Données» de l entreprise Un acteur majeur de la gestion des risques liés aux nouveaux usages des données Contraintes réglementaires liées à l utilisation des données Hyper segmentation Fraude Traçabilité Des compétences spécifiques nécessaires Connaissances SI et des chaînes de valeur liées à la valorisation des données Connaissances des enjeux métiers, juridiques, stratégiques et opérationnels Organisation et pilotage opérationnel Communication inter-directions (DSI et Marketing, mais pas seulement) 24

25 3 Nouvelles perspectives pour les actuaires Impacts potentiel sur le rôle de l actuaire Distinctions à opérer suivant la taille des acteurs Un positionnement a priori moins rapide des acteurs de taille restreinte Des ressources limitées et concentrées sur d autres sujets (réglementaires et produits notamment) Des investissements nécessaires susceptibles d être un frein (bien que la volonté d acteurs BI de se positionner sur le secteur de l Assurance ouvre des opportunités en termes d études préalables) Une moindre segmentation des rôles et responsabilités Des profils cumulant compétences en actuariat et data science auraient un intérêt mais sont à l heure actuelle inexistants Conservation par les actuaires de prérogatives spécifiques, notamment en termes de gestion des risques Du moins tant que les business models n évoluent pas radicalement Une question en attente : combien de temps mettront les acteurs spécialistes du Big Data à adopter un positionnement plus agressif sur le secteur de l assurance? Le plan Big Data de François Bourdoncle et Paul Hamelin, dans le cadre des 34 plans pour la France industrielle, propose 14 pistes pour contrer les acteurs dominants, notamment en Assurance 25

26 3 Nouvelles perspectives pour les actuaires Impacts potentiel sur le rôle de l actuaire Une profession qui s adapte GT IA Big Data sous la responsabilité de Florence Picard Organisé en sous-groupes thématiques Norme et éthique Nouveaux modèles de mutualisation Impact sur le métier d actuaire Algorithmes prédictifs de comportements Risques opérationnels et pistes d audit Big Data à l étranger Assurance connectée Des cycles de conférence permettant une ouverture sur les nouveaux usages Un nombre important d actuaires participants Un site dédié : Formation «Data science pour actuaires» lancée en 2015 Délivrant le diplôme data scientist de l Institut du Risk Management Adaptation du code de déontologie Prise en compte des nouveaux usages et risques liés aux données Des efforts de communication restent cependant à réaliser afin de sensibiliser l ensemble des actuaires aux enjeux liés à l évolution induite par l arrivée du Big Data en Assurance Des efforts individuels nécessaires pour s adapter à une évolution rapide de l activité d Assurance 26

27 Sommaire 1 Introduction 2 Focus techniques Données / Datamasse Evolutions BI Apports des algorithmes et évolution de paradigme 3 Nouvelles perspectives pour les actuaires Quels apports en Assurance De nouvelles fonctions pour de nouvelles approches Impacts potentiels sur le rôle de l actuaire 4 Conclusion 27

28 4 Conclusion Enfin, quelques repères sur le positionnement et l état d esprit à adopter Démarrer au plus tôt pour générer un avantage concurrentiel Implication primordiale du top-management (positionnement stratégique) Nécessité de sortir des usages courants et de s engager dans la voie de la transformation Développement d une culture du Test and learn et de l'apprentissage (sans redouter l échec) Envisager différents use cases et poursuivre les pistes les plus prometteuses Nécessité d adopter un esprit d'entreprenariat et de conquête 28

29 Optimind Winter Une société de conseil experte et indépendante Société & Offres Interlocuteur de référence pour les assureurs, mutuelles, administrations, banques et grandes entreprises qui souhaitent un partenaire métier les accompagnant dans leurs projets 180 collaborateurs dont 70 actuaires diplômés membres de l Institut des Actuaires Notre Practice Composée de 12 Pôles de Compétences (PCOW) métiers ou transverses, animés par nos Practice Leaders, pour une couverture matricielle de nos besoins en expertises Travaux de fond, recherche applicative, connaissances marchés et produits, veille, formations et communication interne et externe Une offre organisée autour des métiers suivants Actuariat Conseil Protection Sociale Risk Management Finance & Performance Projets & Maîtrise d ouvrage Digital Partenariats et engagements Relai français du réseau EURACS, European Actuarial & Consultancy Services Références client Plus de 95 % du marché de l assurance en volume de CA Nos objectifs : l amélioration et le partage des connaissances et expertises Le développement et la diffusion des meilleures pratiques professionnelles au sein de nos équipes 29

Leader de l Actuariat Conseil et de la Gestion des Risques

Leader de l Actuariat Conseil et de la Gestion des Risques Leader de l Actuariat Conseil et de la Gestion des Risques Optimind Winter respecte les meilleurs standards européens sur l ensemble des expertises associées à la chaîne des risques des organismes assureurs,

Plus en détail

Plan. Pourquoi Hadoop? Présentation et Architecture. Démo. Usages

Plan. Pourquoi Hadoop? Présentation et Architecture. Démo. Usages 1 Mehdi LOUIZI Plan Pourquoi Hadoop? Présentation et Architecture Démo Usages 2 Pourquoi Hadoop? Limites du Big Data Les entreprises n analysent que 12% des données qu elles possèdent (Enquête Forrester

Plus en détail

Panorama des solutions analytiques existantes

Panorama des solutions analytiques existantes Arnaud LAROCHE Julien DAMON Panorama des solutions analytiques existantes SFdS Méthodes et Logiciels - 16 janvier 2014 - Données Massives Ne sont ici considérés que les solutions autour de l environnement

Plus en détail

Les participants repartiront de cette formation en ayant une vision claire de la stratégie et de l éventuelle mise en œuvre d un Big Data.

Les participants repartiront de cette formation en ayant une vision claire de la stratégie et de l éventuelle mise en œuvre d un Big Data. Big Data De la stratégie à la mise en oeuvre Description : La formation a pour objet de brosser sans concession le tableau du Big Data. Les participants repartiront de cette formation en ayant une vision

Plus en détail

Formation Actuaire Data-Scientist 4 JUILLET 2014

Formation Actuaire Data-Scientist 4 JUILLET 2014 Formation Actuaire Data-Scientist 4 JUILLET 2014 Objectifs de la formation Initier les participants aux méthodologies statistiques et informatiques en lien avec la manipulation de données massives. Sensibiliser

Plus en détail

Formation Actuaire Data-Scientist PROGRAMME

Formation Actuaire Data-Scientist PROGRAMME Formation Actuaire Data-Scientist PROGRAMME 15 Septembre 2014 Arthur Charpentier, Romuald Élie & Jérémie Jakubowicz 15914 Programme Séance inaugurale : révolu-on numérique besoins des entreprises cadre

Plus en détail

Agenda de la présentation

Agenda de la présentation Le Data Mining Techniques pour exploiter l information Dan Noël 1 Agenda de la présentation Concept de Data Mining ou qu est-ce que le Data Mining Déroulement d un projet de Data Mining Place du Data Mining

Plus en détail

Une brève introduction aux Données Massives - Challenges et perspectives. Romain Picot-Clémente Cécile Bothorel Philippe Lenca

Une brève introduction aux Données Massives - Challenges et perspectives. Romain Picot-Clémente Cécile Bothorel Philippe Lenca Une brève introduction aux Données Massives - Challenges et perspectives Romain Picot-Clémente Cécile Bothorel Philippe Lenca Plan 1 Big Data 2 4Vs 3 Hadoop et son écosystème 4 Nouveaux challenges, nouvelles

Plus en détail

Surabondance d information

Surabondance d information Surabondance d information Comment le manager d'entreprise d'assurance peut-il en tirer profit pour définir les stratégies gagnantes de demain dans un marché toujours plus exigeant Petit-déjeuner du 25/09/2013

Plus en détail

L écosystème Hadoop Nicolas Thiébaud ni.thiebaud@gmail.com. Tuesday, July 2, 13

L écosystème Hadoop Nicolas Thiébaud ni.thiebaud@gmail.com. Tuesday, July 2, 13 L écosystème Hadoop Nicolas Thiébaud ni.thiebaud@gmail.com HUG France 250 membres sur la mailing liste 30 présentations 9 meetups organisés, de 20 à 100 invités Présence de Cloudera, MapR, Hortonworks,

Plus en détail

Le Data Mining Techniques pour exploiter l information. Auteur : Dan Noël Date : 24.04.2009

Le Data Mining Techniques pour exploiter l information. Auteur : Dan Noël Date : 24.04.2009 Le Data Mining Techniques pour exploiter l information Auteur : Dan Noël Date : 24.04.2009 Agenda de la présentation du 26.03.2009 Concept de Data Mining ou qu est-ce que le Data Mining Déroulement d un

Plus en détail

Big Data Concepts et mise en oeuvre de Hadoop

Big Data Concepts et mise en oeuvre de Hadoop Introduction 1. Objectif du chapitre 9 2. Le Big Data 10 2.1 Introduction 10 2.2 Informatique connectée, objets "intelligents" et données collectées 11 2.3 Les unités de mesure dans le monde Big Data 12

Plus en détail

Les actuaires face au choc technologique et sociétal du numérique:

Les actuaires face au choc technologique et sociétal du numérique: Les actuaires face au choc technologique et sociétal du numérique: travaux en cours à l Institut des Actuaires CHOC NUMÉRIQUE ET MAÎTRISE PROSPECTIVE DES RISQUES Solvabilité 2: prise en compte prospective

Plus en détail

Déploiement d une architecture Hadoop pour analyse de flux. françois-xavier.andreu@renater.fr

Déploiement d une architecture Hadoop pour analyse de flux. françois-xavier.andreu@renater.fr Déploiement d une architecture Hadoop pour analyse de flux françois-xavier.andreu@renater.fr 1 plan Introduction Hadoop Présentation Architecture d un cluster HDFS & MapReduce L architecture déployée Les

Plus en détail

Data 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients

Data 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients Data 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients Frédérick Vautrain, Dir. Data Science - Viseo Laurent Lefranc, Resp. Data Science Analytics - Altares

Plus en détail

20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013. 20 ans du SIAD -"Big Data par l'exemple" -Julien DULOUT

20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013. 20 ans du SIAD -Big Data par l'exemple -Julien DULOUT 20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013 20 ans du SIAD -"BigData par l'exemple" -Julien DULOUT Qui a déjà entendu parler du phénomène BigData? Qui a déjà

Plus en détail

Solvabilité II Les impacts sur la tarification et l offre produit

Solvabilité II Les impacts sur la tarification et l offre produit Solvabilité II Les impacts sur la tarification et l offre produit Colloque du CNAM 6 octobre 2011 Intervenants OPTIMIND Gildas Robert actuaire ERM, senior manager AGENDA Introduction Partie 1 Mesures de

Plus en détail

Vision prospective et obstacles à surmonter pour les assureurs

Vision prospective et obstacles à surmonter pour les assureurs smart solutions for smart leaders Le «Big Data» assurément Rédigé par Pascal STERN Architecte d Entreprise Vision prospective et obstacles à surmonter pour les assureurs Un avis rendu par la cour de justice

Plus en détail

Gender Directive Impacts opérationnels pour les assureurs

Gender Directive Impacts opérationnels pour les assureurs Gender Directive Impacts opérationnels pour les assureurs Conférence ActuariaCnam Présentation 3 1 / 0 5 / 2 0 1 2 Julien Chartier, Actuaire Manager AGENDA Introduction Partie 1 - L arrêt «Test-Achats»

Plus en détail

Labs Hadoop Février 2013

Labs Hadoop Février 2013 SOA - BRMS - ESB - BPM CEP BAM - High Performance Compute & Data Grid - Cloud Computing - Big Data NoSQL - Analytics Labs Hadoop Février 2013 Mathias Kluba Managing Consultant Responsable offres NoSQL

Plus en détail

Les management actions dans le cadre de l ORSA

Les management actions dans le cadre de l ORSA Les management actions dans le cadre de l ORSA Atelier Congrès Institut des Actuaires 20 juin 2014 Intervenants Emmanuel Berthelé, Optimind Winter, Responsable Practice Gildas Robert, Optimind Winter,

Plus en détail

DEMARRER UN PROJET BIGDATA EN QUELQUES MINUTES GRACE AU CLOUD

DEMARRER UN PROJET BIGDATA EN QUELQUES MINUTES GRACE AU CLOUD DEMARRER UN PROJET BIGDATA EN QUELQUES MINUTES GRACE AU CLOUD BIGDATA PARIS LE 1/4/2014 VINCENT HEUSCHLING @VHE74! 1 NOUS 100% Bigdata Infrastructure IT + Data Trouver vos opportunités Implémenter les

Plus en détail

Solution logicielle pour le pilotage et l ERM. Journées d études IARD 26 mars 2010 2 mars 2010

Solution logicielle pour le pilotage et l ERM. Journées d études IARD 26 mars 2010 2 mars 2010 Présentation d ERMS Solution logicielle pour le pilotage et l ERM Journées d études IARD 26 mars 2010 2 mars 2010 Sommaire 1 Présentation d ACTUARIS 2 Les problématiques rencontrées 3 Présentation d ERMS

Plus en détail

Titre : La BI vue par l intégrateur Orange

Titre : La BI vue par l intégrateur Orange Titre : La BI vue par l intégrateur Orange Résumé : L entité Orange IT&L@bs, partenaire privilégié des entreprises et des collectivités dans la conception et l implémentation de SI Décisionnels innovants,

Plus en détail

Retour d expérience BigData 16/10/2013 Cyril Morcrette CTO

Retour d expérience BigData 16/10/2013 Cyril Morcrette CTO Retour d expérience BigData 16/10/2013 Cyril Morcrette CTO Mappy en Chiffre Filiale du groupe Solocal 10M de visiteurs uniques 300M visites annuelles 100 collaborateurs dont 60% technique 3,7 Md de dalles

Plus en détail

KARMA Le système de Revenue Management d'air France KLM avec Hadoop

KARMA Le système de Revenue Management d'air France KLM avec Hadoop KARMA Le système de Revenue Management d'air France KLM avec Hadoop Conférence BIG DATA - Master MBDS Université de Nice Sophia Antipolis 16 Décembre 2014 Martial AYAS maayas@airfrance.fr 2 Agenda 1. Présentation

Plus en détail

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Gilbert Saporta Chaire de Statistique Appliquée, CNAM ActuariaCnam, 31 mai 2012 1 L approche statistique

Plus en détail

Surmonter les 5 défis opérationnels du Big Data

Surmonter les 5 défis opérationnels du Big Data Surmonter les 5 défis opérationnels du Big Data Jean-Michel Franco Talend Connect 9 octobre 2014 Talend 2014 1 Agenda Agenda Le Big Data depuis la découverte jusqu au temps réel en passant par les applications

Plus en détail

Big Data. Cyril Amsellem Consultant avant-vente. 16 juin 2011. Talend 2010 1

Big Data. Cyril Amsellem Consultant avant-vente. 16 juin 2011. Talend 2010 1 Big Data Cyril Amsellem Consultant avant-vente 16 juin 2011 Talend 2010 1 Big Data Architecture globale Hadoop Les projets Hadoop (partie 1) Hadoop-Core : projet principal. HDFS : système de fichiers distribués

Plus en détail

HADOOP ET SON ÉCOSYSTÈME

HADOOP ET SON ÉCOSYSTÈME HADOOP ET SON ÉCOSYSTÈME Mars 2013 2012 Affini-Tech - Diffusion restreinte 1 AFFINI-TECH Méthodes projets Outils de reporting & Data-visualisation Business & Analyses BigData Modélisation Hadoop Technos

Plus en détail

AXIAD Conseil pour décider en toute intelligence

AXIAD Conseil pour décider en toute intelligence AXIAD Conseil pour décider en toute intelligence Gestion de la Performance, Business Intelligence, Big Data Domaine d expertise «Business Intelligence» Un accompagnement adapté à votre métier dans toutes

Plus en détail

Les technologies du Big Data

Les technologies du Big Data Les technologies du Big Data PRÉSENTÉ AU 40 E CONGRÈS DE L ASSOCIATION DES ÉCONOMISTES QUÉBÉCOIS PAR TOM LANDRY, CONSEILLER SENIOR LE 20 MAI 2015 WWW.CRIM.CA TECHNOLOGIES: DES DONNÉES JUSQU'À L UTILISATEUR

Plus en détail

Le CRM en BFI : une approche du pilotage stratégique

Le CRM en BFI : une approche du pilotage stratégique Le CRM en BFI : une approche du pilotage stratégique Sébastien Pasquet, Responsable de missions Le CRM (Customer Relationship Management) s est développé depuis 10 ans essentiellement par l intégration

Plus en détail

Pentaho Business Analytics Intégrer > Explorer > Prévoir

Pentaho Business Analytics Intégrer > Explorer > Prévoir Pentaho Business Analytics Intégrer > Explorer > Prévoir Pentaho lie étroitement intégration de données et analytique. En effet, les services informatiques et les utilisateurs métiers peuvent accéder aux

Plus en détail

Introduction Big Data

Introduction Big Data Introduction Big Data SOMMAIRE Rédacteurs : Réf.: SH. Lazare / F. Barthélemy AXIO_BD_V1 QU'EST-CE QUE LE BIG DATA? ENJEUX TECHNOLOGIQUES ENJEUX STRATÉGIQUES BIG DATA ET RH ANNEXE Ce document constitue

Plus en détail

Assurance et Protection sociale Les enjeux du Digital Commerce

Assurance et Protection sociale Les enjeux du Digital Commerce Assurance et Protection sociale Les enjeux du Digital Commerce Sortir des murs, démultiplier les contacts 2013 T A L E N T E D T O G E T H E R Unissons nos Talents 1 Introduction Entre discours incantatoires

Plus en détail

BIG DATA en Sciences et Industries de l Environnement

BIG DATA en Sciences et Industries de l Environnement BIG DATA en Sciences et Industries de l Environnement François Royer www.datasio.com 21 mars 2012 FR Big Data Congress, Paris 2012 1/23 Transport terrestre Traçabilité Océanographie Transport aérien Télémétrie

Plus en détail

Acquisition des données - Big Data. Dario VEGA Senior Sales Consultant

Acquisition des données - Big Data. Dario VEGA Senior Sales Consultant Acquisition des données - Big Data Dario VEGA Senior Sales Consultant The following is intended to outline our general product direction. It is intended for information purposes only, and may not be incorporated

Plus en détail

Webinar EBG Nouvelles perspectives d'exploitation des données clients avec le big data

Webinar EBG Nouvelles perspectives d'exploitation des données clients avec le big data Webinar EBG Nouvelles perspectives d'exploitation des données clients avec le big data Approches & opportunités face aux enjeux de volume, variété et vélocité France, 2012-2014 28 mars 2013 Ce document

Plus en détail

Big Data : Risques et contre-mesures

Big Data : Risques et contre-mesures 18 mars 2014 Big Data : Risques et contre-mesures Les fondamentaux pour bien démarrer Gérôme BILLOIS gerome.billois@solucom.fr Twitter : @gbillois Chadi HANTOUCHE chadi.hantouche@solucom.fr Twitter : @chadihantouche

Plus en détail

Fouillez facilement dans votre système Big Data. Olivier TAVARD

Fouillez facilement dans votre système Big Data. Olivier TAVARD Fouillez facilement dans votre système Big Data Olivier TAVARD A propos de moi : Cofondateur de la société France Labs Développeur (principalement Java) Formateur en technologies de moteurs de recherche

Plus en détail

Stages 2015-2016 ISOFT : 25 ANS DE RECHERCHE EN INFORMATIQUE DECISIONNELLE ET. Contact : Mme Lapedra, stage@isoft.fr ANALYSE DE DONNEES

Stages 2015-2016 ISOFT : 25 ANS DE RECHERCHE EN INFORMATIQUE DECISIONNELLE ET. Contact : Mme Lapedra, stage@isoft.fr ANALYSE DE DONNEES Stages 2015-2016 Contact : Mme Lapedra, stage@isoft.fr ISOFT : 25 ANS DE RECHERCHE EN INFORMATIQUE DECISIONNELLE ET ANALYSE DE DONNEES ISoft est un concepteur-éditeur de logiciels spécialisé dans la recherche

Plus en détail

DocForum 18 Juin 2015. Réussites d un projet Big Data Les incontournables

DocForum 18 Juin 2015. Réussites d un projet Big Data Les incontournables DocForum 18 Juin 2015 Réussites d un projet Big Data Les incontournables Vos interlocuteurs Mick LEVY Directeur Innovation Business mick.levy@businessdecision.com 06.50.87.13.26 @mick_levy 2 Business &

Plus en détail

VirtualScale L expert infrastructure de l environnement Open source HADOOP Sofiane Ammar sofiane.ammar@virtualscale.fr

VirtualScale L expert infrastructure de l environnement Open source HADOOP Sofiane Ammar sofiane.ammar@virtualscale.fr VirtualScale L expert infrastructure de l environnement Open source HADOOP Sofiane Ammar sofiane.ammar@virtualscale.fr Avril 2014 Virtualscale 1 Sommaire Les enjeux du Big Data et d Hadoop Quels enjeux

Plus en détail

avec nos solutions spécialisées pour la microfinance et ses institutions coopératives Big Data

avec nos solutions spécialisées pour la microfinance et ses institutions coopératives Big Data avec nos solutions spécialisées pour la microfinance et ses institutions coopératives Big Data Historique de Big data Jusqu à l avènement d Internet et surtout du Web 2.0 il n y avait pas tant de données

Plus en détail

Préface Dunod Toute reproduction non autorisée est un délit. Les raisons de l émergence du Big Data sont bien connues. Elles sont d abord économiques et technologiques. La chute exponentielle des coûts

Plus en détail

L analytique en temps réel en un clic. Jean-Michel Franco Directeur Marketing Produit @jmichel_franco

L analytique en temps réel en un clic. Jean-Michel Franco Directeur Marketing Produit @jmichel_franco L analytique en temps réel en un clic Jean-Michel Franco Directeur Marketing Produit @jmichel_franco 2015 Talend Inc. 1 1 Dynamiser l entreprise par ses données Les entreprises orientées données 23X plus

Plus en détail

Partie I Organisations, management et systèmes d information... 1

Partie I Organisations, management et systèmes d information... 1 Liste des cas d entreprise............................................................ Liste des figures..................................................................... Liste des tableaux...................................................................

Plus en détail

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Ludovic Denoyer 21 septembre 2015 Ludovic Denoyer () FDMS 21 septembre 2015 1 / 1 Contexte Observation La plupart des bonnes

Plus en détail

Les indicateurs de Performance. François GUILLAUME, Chef de marché SIRH TALENTIA SOFTWARE

Les indicateurs de Performance. François GUILLAUME, Chef de marché SIRH TALENTIA SOFTWARE Les indicateurs de Performance François GUILLAUME, Chef de marché SIRH TALENTIA SOFTWARE La préoccupation des RH, Leur mission Pour débuter La «performance RH» est un des sujets favoris des DRH français

Plus en détail

Table des matières. Partie I Organisations, management et systèmes d information... 1

Table des matières. Partie I Organisations, management et systèmes d information... 1 Liste des cas d entreprise...................................................... Liste des figures.................................................................. Liste des tableaux...............................................................

Plus en détail

Reconnaissance des formes : Classement d ensembles d objets

Reconnaissance des formes : Classement d ensembles d objets Reconnaissance des formes : Classement d ensembles d objets Données Méthodes Extraction de connaissances Applications Expertise Apprentissage Bernard FERTIL Directeur de Recherche CNRS Équipe LXAO, UMR

Plus en détail

Anticiper et prédire les sinistres avec une approche Big Data

Anticiper et prédire les sinistres avec une approche Big Data Anticiper et prédire les sinistres avec une approche Big Data Julien Cabot Directeur Big Data Analytics OCTO jcabot@octo.com @julien_cabot OCTO 2013 50, avenue des Champs-Elysées 75008 Paris - FRANCE Tél

Plus en détail

Créer de la valeur avec l Open Data

Créer de la valeur avec l Open Data Créer de la valeur avec l Open Data Des enjeux économiques majeurs Entre 106 et 141 par personne et par an Entre 387 et 640 par personne et par an (~les intérêts de la dette en France) Leviers pour créer

Plus en détail

www.bluestone.fr 55, rue du Faubourg Montmartre 75009 Paris +33 (0)1 53 35 02 10 contact@bluestone.fr

www.bluestone.fr 55, rue du Faubourg Montmartre 75009 Paris +33 (0)1 53 35 02 10 contact@bluestone.fr www.bluestone.fr 55, rue du Faubourg Montmartre 75009 Paris +33 (0)1 53 35 02 10 contact@bluestone.fr Une équipe de 120 Data Scientists, dont les compétences couvrent l intégralité du spectre d intervention

Plus en détail

Conformité et efficience de la délégation de gestion : vers une norme de marché

Conformité et efficience de la délégation de gestion : vers une norme de marché INFO # 28 Conformité et efficience de la délégation de gestion : vers une norme de marché CONTEXTE ACTUEL DE LA DÉLÉGATION DE GESTION Une accélération sensible des mutations autour de l activité de délégation

Plus en détail

Présentation de l épreuve

Présentation de l épreuve MÉTHODO Présentation de l épreuve 1. Programme de l arrêté du 22 décembre 2006 DURÉE DE L ENSEIGNEMENT ÉPREUVE N 11 CONTRÔLE DE GESTION (à titre indicatif) : 210 heures 18 crédits européens 1. Positionnement

Plus en détail

Programmation parallèle et distribuée

Programmation parallèle et distribuée Programmation parallèle et distribuée (GIF-4104/7104) 5a - (hiver 2015) Marc Parizeau, Département de génie électrique et de génie informatique Plan Données massives («big data») Architecture Hadoop distribution

Plus en détail

Séminaire DIXIT - Les nouvelles frontières de la «data intelligence» : content analytics, machine-learning, prédictif

Séminaire DIXIT - Les nouvelles frontières de la «data intelligence» : content analytics, machine-learning, prédictif Séminaire DIXIT - Les nouvelles frontières de la «data intelligence» : content analytics, machine-learning, prédictif 13 avril 2015 LES INNOVATIONS DANS LA SOCIAL MEDIA INTELLIGENCE Expérience informationnelle

Plus en détail

Big Data et Graphes : Quelques pistes de recherche

Big Data et Graphes : Quelques pistes de recherche Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université

Plus en détail

Ingénierie d aide à la décision

Ingénierie d aide à la décision Ingénierie d aide à la décision Maria Malek 1 er septembre 2009 1 Objectifs et débouchés Nous proposons dans cette option deux grands axes pour l aide à la décision : 1. La recherche opérationnelle ; 2.

Plus en détail

Monétisation des données : comment identifier de nouvelles sources de revenus au sein des Big data?

Monétisation des données : comment identifier de nouvelles sources de revenus au sein des Big data? Monétisation des données : comment identifier de nouvelles sources de revenus au sein des Big data? Dr Wolfgang Martin Analyste et adhérant du Boulder BI Brain Trust Les Big data Démystifier les Big data.

Plus en détail

SYNERGIE Associés Confidentiel Reproduction interdite sans autorisation préalable Page 1 de 44

SYNERGIE Associés Confidentiel Reproduction interdite sans autorisation préalable Page 1 de 44 SYNERGIE Associés Confidentiel Reproduction interdite sans autorisation préalable Page 1 de 44 Le CRM (GRC) est la clef de votre succès Les Principes généraux de la Gestion de la Relation Clients Confidentiel

Plus en détail

À PROPOS DE TALEND...

À PROPOS DE TALEND... WHITE PAPER Table des matières Résultats de l enquête... 4 Stratégie d entreprise Big Data... 5 Intégration des Big Data... 8 Les défis liés à la mise en œuvre des Big Data... 10 Les technologies pour

Plus en détail

Comment valoriser votre patrimoine de données?

Comment valoriser votre patrimoine de données? BIG DATA POUR QUELS USAGES? Comment valoriser votre patrimoine de données? HIGH PERFORMANCE HIGH ANALYTICS PERFORMANCE ANALYTICS MOULOUD DEY SAS FRANCE 15/11/2012 L ENTREPRISE SAS EN QUELQUES CHIFFRES

Plus en détail

Introduction à MapReduce/Hadoop et Spark

Introduction à MapReduce/Hadoop et Spark 1 / 36 Introduction à MapReduce/Hadoop et Spark Certificat Big Data Ludovic Denoyer et Sylvain Lamprier UPMC Plan 2 / 36 Contexte 3 / 36 Contexte 4 / 36 Data driven science: le 4e paradigme (Jim Gray -

Plus en détail

Programmation parallèle et distribuée (Master 1 Info 2015-2016)

Programmation parallèle et distribuée (Master 1 Info 2015-2016) Programmation parallèle et distribuée (Master 1 Info 2015-2016) Hadoop MapReduce et HDFS Note bibliographique : ce cours est largement inspiré par le cours de Benjamin Renaut (Tokidev SAS) Introduction

Plus en détail

Sage Online, les solutions qui me ressemblent. sécurité simplicité mobilité expertise métier. Les solutions de gestion Cloud pour les PME

Sage Online, les solutions qui me ressemblent. sécurité simplicité mobilité expertise métier. Les solutions de gestion Cloud pour les PME Sage Online, les solutions qui me ressemblent sécurité simplicité mobilité expertise métier Les solutions de gestion Cloud pour les PME Le choix du Cloud : une solution clés en main pour la gestion de

Plus en détail

Big Data -Comment exploiter les données et les transformer en prise de décisions?

Big Data -Comment exploiter les données et les transformer en prise de décisions? IBM Global Industry Solution Center Nice-Paris Big Data -Comment exploiter les données et les transformer en prise de décisions? Apollonie Sbragia Architecte Senior & Responsable Centre D Excellence Assurance

Plus en détail

وزارة السكنى والتعمير وسياسة المدينة

وزارة السكنى والتعمير وسياسة المدينة وزارة السكنى والتعمير وسياسة المدينة Phase 3 Planification de la solution retenue et stratégie de changement Elaboration du Schéma Directeur du Système d Information des agences urbaines 2013 Sommaire

Plus en détail

FAITES DE LA DONNÉE LE MOTEUR DE VOTRE BUSINESS. Alexandre Vasseur Responsable Avant-Vente Europe du Sud Pivotal, EMC

FAITES DE LA DONNÉE LE MOTEUR DE VOTRE BUSINESS. Alexandre Vasseur Responsable Avant-Vente Europe du Sud Pivotal, EMC FAITES DE LA DONNÉE LE MOTEUR DE VOTRE BUSINESS Alexandre Vasseur Responsable Avant-Vente Europe du Sud Pivotal, EMC 1 Big Data = Volume, Variété, Vélocité et Valorisation Internet des objets Informations

Plus en détail

4.2 Unités d enseignement du M1

4.2 Unités d enseignement du M1 88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter

Plus en détail

L Intelligence Compétitive 2.0 pour le pilotage des projets e-marketing

L Intelligence Compétitive 2.0 pour le pilotage des projets e-marketing L Intelligence Compétitive 2.0 pour le pilotage des projets e-marketing Soutenance de Thèse de Doctorat en Sciences de l Information et de la Communication Sébastien Bruyère 18 octobre 2010 Contexte général

Plus en détail

Livre. blanc. Solution Hadoop d entreprise d EMC. Stockage NAS scale-out Isilon et Greenplum HD. Février 2012

Livre. blanc. Solution Hadoop d entreprise d EMC. Stockage NAS scale-out Isilon et Greenplum HD. Février 2012 Livre blanc Solution Hadoop d entreprise d EMC Stockage NAS scale-out Isilon et Greenplum HD Par Julie Lockner et Terri McClure, Analystes seniors Février 2012 Ce livre blanc d ESG, qui a été commandé

Plus en détail

1 Présentation générale

1 Présentation générale Parcours «Management des processus de production de biens et services» du Master de Sciences de Gestion (M2) - mention «Management Global» de l Université Paris Dauphine 1 Présentation générale 1.1 Objectifs

Plus en détail

STRATEGIE, GOUVERNANCE ET TRANSFORMATION DE LA DSI

STRATEGIE, GOUVERNANCE ET TRANSFORMATION DE LA DSI STRATEGIE, GOUVERNANCE ET TRANSFORMATION DE LA DSI NOTRE EXPERTISE Dans un environnement complexe et exigeant, Beijaflore accompagne les DSI dans le pilotage et la transformation de la fonction SI afin

Plus en détail

Coup de Projecteur sur les Réseaux de Neurones

Coup de Projecteur sur les Réseaux de Neurones Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche

Plus en détail

Mise en œuvre d une DSI agile. Chi Minh BUI UNIPRÉVOYANCE

Mise en œuvre d une DSI agile. Chi Minh BUI UNIPRÉVOYANCE Mise en œuvre d une DSI agile Chi Minh BUI UNIPRÉVOYANCE INTRODUCTION Des problématiques similaires pour des enjeux identiques indépendamment de la taille de l organisation «David contre Goliath» RETOUR

Plus en détail

BIG DATA et données externes dans les modèles de tarification

BIG DATA et données externes dans les modèles de tarification BIG DATA et données externes dans les modèles de tarification BIG DATA BIG DATA : Quelques clés Eric FROIDEFOND MAAF MBA CNAM ENASS en cours Intégration du BIG DATA dans la tarification en assurances IARD

Plus en détail

Retour d'expérience sur la mise en place d'un laboratoire de Data Science à la CNP Assurances

Retour d'expérience sur la mise en place d'un laboratoire de Data Science à la CNP Assurances Retour d'expérience sur la mise en place d'un laboratoire de Data Science à la CNP Assurances Atelier animé par Anani OLYMPIO Actuaire certifié Institut des Actuaires, Expert ERM CERA Responsable R&D et

Plus en détail

Hadoop, les clés du succès

Hadoop, les clés du succès Hadoop, les clés du succès Didier Kirszenberg, Responsable des architectures Massive Data, HP France Copyright 2015 Hewlett-Packard Development Company, L.P. The information contained herein is subject

Plus en détail

Composition à partir d'un dossier portant sur les éléments généraux du droit et sur le droit des affaires

Composition à partir d'un dossier portant sur les éléments généraux du droit et sur le droit des affaires Concours externe de l agrégation du second degré Section économie et gestion Programme de la session 2013 Les candidats à l'agrégation externe d économie et gestion ont le choix entre cinq options : -

Plus en détail

Partie I Stratégies relationnelles et principes d organisation... 23

Partie I Stratégies relationnelles et principes d organisation... 23 Introduction......................................................................... 1 1. Définition........................................................................ 2 1.1 Le CRM comme processus

Plus en détail

Big Data par l exemple

Big Data par l exemple #PARTAGE Big Data par l exemple Alexandre Chauvin Hameau Directeur de la production Malakoff Médéric @achauvin CT BIG DATA 10/12/2015 Soyons pragmatiques BIG DATA beaucoup de bruit pour des choses finalement

Plus en détail

Ricco Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours/cours_programmation_r.html. R.R. Université Lyon 2

Ricco Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours/cours_programmation_r.html. R.R. Université Lyon 2 Ricco Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours/cours_programmation_r.html 1 Plan de présentation 1. L écosystème Hadoop 2. Principe de programmation MapReduce 3. Programmation des fonctions

Plus en détail

1 er Avril 2015 Data Science & Big Data Etat de l art Donner plus d intelligence aux données

1 er Avril 2015 Data Science & Big Data Etat de l art Donner plus d intelligence aux données 1 er Avril 2015 Data Science & Big Data Etat de l art Donner plus d intelligence aux données Votre interlocuteur Didier Gaultier Directeur Data Science Business & Decision Professeur de Statistique à l

Plus en détail

Fouille de données massives avec Hadoop

Fouille de données massives avec Hadoop Fouille de données massives avec Hadoop Sebastiao Correia scorreia@talend.com Talend 2013 AAFD'14 29-30 avril 2014 1 Agenda Présentation de Talend Définition du Big Data Le framework Hadoop 3 thématiques

Plus en détail

Les attentes du marché

Les attentes du marché www.pwc.com Les attentes du marché Octobre 2012 L état des lieux à propos des formats de reporting et de l appropriation par le marché du XBRL La taxonomie XBRL pour les reportings Solvabilité 2 a fait

Plus en détail

Implémentation et Benchmark. d une régression linéaire en RMR2

Implémentation et Benchmark. d une régression linéaire en RMR2 Add intelligence to data Anne Gayet Directrice Datamining Implémentation et Benchmark d une régression linéaire en RMR2 16 janvier 2014 Rendez-vous SFdS: : Méthodes et logiciels Données massives (big data)

Plus en détail

Réussir sa transformation grâce à l architecture d entreprise

Réussir sa transformation grâce à l architecture d entreprise POINT DE VUE Réussir sa transformation grâce à l architecture d entreprise Delivering Transformation. Together. Hichem Dhrif Hichem est Directeur de la division Défense et Sécurité de Sopra Steria Consulting.

Plus en détail

Passer de la Formule Standard au Modèle Interne

Passer de la Formule Standard au Modèle Interne Passer de la Formule Standard au Modèle Interne EMB Igloo Stéphane Chappellier Fabien Faivre 27 mars 2010 2008-2010 EMB. Tous droits réservés. Slide 1 Sommaire Le réseau global EMB EMB Igloo Introduction

Plus en détail

Conserver les Big Data, source de valeur pour demain

Conserver les Big Data, source de valeur pour demain Le potentiel et les défis du Big Data UIMM Mardi 2 et mercredi 3 juillet 2013 56 avenue de Wagram 75017 PARIS Conserver les Big Data, source de valeur pour demain Définir les Big Data Les Big Data à travers

Plus en détail

CONSULTING, BANQUE & ASSURANCE. axiwell LE SENS DE L ESSENTIEL

CONSULTING, BANQUE & ASSURANCE. axiwell LE SENS DE L ESSENTIEL CONSULTING, BANQUE & ASSURANCE axiwell LE SENS DE L ESSENTIEL SOMMAIRE Édito... page 3 Axiwell Financial Services... Exemples de missions réalisées... Nos offres spécifiques... Risques / Conformité / Réglementaire...

Plus en détail

Alphonse Carlier, Intelligence Économique et Knowledge Management, AFNOR Éditions, 2012.

Alphonse Carlier, Intelligence Économique et Knowledge Management, AFNOR Éditions, 2012. 1 Du même auteur chez le même éditeur Alphonse Carlier, Intelligence Économique et Knowledge Management, AFNOR Éditions, 2012. AFNOR 2013 Couverture : création AFNOR Éditions Crédit photo 2011 Fotolia

Plus en détail

For Fun and Profit Datasio 2012

For Fun and Profit Datasio 2012 For Fun and Profit Datasio 2012 130 Nouveaux acteurs Big Data depuis 2009 1 2 3 Agenda Hadoop, poids lourd du Big Data Stats Web avec Hive chez Scoop.it Profession: Data Scientist Agenda 1 Hadoop, poids

Plus en détail

Êtes-vous prêt à devenir un assureur connecté? Quand l'internet des objets (IoT) change les règles du jeu de l assurance

Êtes-vous prêt à devenir un assureur connecté? Quand l'internet des objets (IoT) change les règles du jeu de l assurance Êtes-vous prêt à devenir un assureur connecté? Quand l'internet des objets (IoT) change les règles du jeu de l assurance * Les objets connectés révolutionnent notre mode de vie et deviennent le moteur

Plus en détail

étude et réflexions en vue du projet déploiement des conseillers dédiés pays de la loire

étude et réflexions en vue du projet déploiement des conseillers dédiés pays de la loire étude et réflexions en vue du projet déploiement des conseillers dédiés pays de la loire mémo eld / novembre 2014 2 introduction Une expérimentation basée sur la spécialisation des conseillers de Pôle

Plus en détail

#BigData Dossier de presse Mai 2014

#BigData Dossier de presse Mai 2014 #BigData Dossier de presse Mai 2014 La valeur du Big Data pour l entreprise Comment permettre l avènement d une culture de la donnée pour tous? Dans un monde porté par la mobilité et le Cloud, non seulement

Plus en détail

Groupe de Discussion Big Data Aperçu des technologies et applications. Stéphane MOUTON stephane.mouton@cetic.be

Groupe de Discussion Big Data Aperçu des technologies et applications. Stéphane MOUTON stephane.mouton@cetic.be Groupe de Discussion Big Data Aperçu des technologies et applications Stéphane MOUTON stephane.mouton@cetic.be Recherche appliquée et transfert technologique q Agréé «Centre Collectif de Recherche» par

Plus en détail

Big Data. Concept et perspectives : la réalité derrière le "buzz"

Big Data. Concept et perspectives : la réalité derrière le buzz Big Data Concept et perspectives : la réalité derrière le "buzz" 2012 Agenda Concept & Perspectives Technologies & Acteurs 2 Pierre Audoin Consultants (PAC) Pierre Audoin Consultants (PAC) est une société

Plus en détail