Analyse de données électroniques et intelligence d affaires

Transcription

1 Analyse de données électroniques et intelligence d affaires Valoriser les données internes et externes 3 avril 2014

2 Ordre du jour UNE INTRODUCTION À L ANALYSE DE DONNÉES Analyse de données et l intelligence d affaires: un survol des concepts Modèle de maturité et bénéfices de l analyse électronique des données Approche préconisée ÉTUDES DE CAS: Le marché de l assurance et l analyse des données: quelques pistes Détection de fraude Profilage de la clientèle / marketing et autres exemples intéressants 2

3 Définition Science et art d extraire, compiler, traiter et analyser de larges volumes de données pour en tirer des observations et conclusions à valeur ajoutée 3

4 Objectifs 4

5 GOUVERNANCE Intelligence d affaires et ADE VISION STRATÉGIE Solution d intelligence d affaires État actuel Identification des besoins Situation idéale Plan d évolution Priorisation des besoins Initiatives Information Solutions d analytique d affaires Analyses financières Analyses non financières Analyses de tendances Simulations et scénarios Analyses prédictives 5

6 Certains objectifs de l ADE GESTION DES RISQUES Identification de transactions inhabituelles à porter à l attention du management Tests de contrôles Analyse axée sur les risques afin d accroître l efficacité et l efficience des processus OPTIMISATION DES REVENUS Identification de pistes d amélioration des opérations et gains de productivité Modélisation et simulation de scénarios à partir de données historiques et externes 6

7 Modèle de maturité et bénéfices de l ADE

8 MATURITÉ Maturité analytique 4 5 Organisations analytiques Avantage compétitif 3 Aspirations analytiques 2 Analytique localisée 1 Faibles facultés analytiques TEMPS 8

9 MATURITÉ Faibles facultés analytiques TEMPS 9

10 MATURITÉ Analytique localisée 5 4 Analyses localisées, en silos 3 Données Données Données Données 2 Analyse Analyse Analyse Analyse 1 Rapport Rapport Rapport Rapport TEMPS 10

11 MATURITÉ Aspirations analytiques 5 4 Analyses centralisées 3 Données Données Données Données Base de données centrale 2 Analyses 1 Rapport Rapport Rapport Rapport TEMPS 11

12 Analyse continue MATURITÉ Organisations analytiques 5 4 Analyses centralisées continues 3 Base de données intégrée Sources externes 2 Analyses 1 Rapport Rapport Rapport Rapport TEMPS 12

13 MATURITÉ Avantage compétitif TEMPS 13

14 Avantages de l ADE Facilite l analyse de l information, même en présence d un volume important de données (financières et non financières) Analyse de 100% des données disponibles, sans recours à l échantillonnage Identification d inefficience et de lacunes de contrôles Automatisation de tâches, voire de processus Peut être utilisée dans le cadre d une stratégie de veille en continu 14

15 ADE & Actifs Informationnels 15

16 ADE & Actifs Informationnels 16

17 ADE & Actifs Informationnels 17

18 ADE & Actifs Informationnels 18

19 DONNÉES ADE & Actifs informationnels INFORMATIONS DE GESTION* Connu Connu Connu Inconnu Inconnu Connu Inconnu Inconnu * inclut aussi les relations entre les informations de gestion et les données connues ou non 19

20 Approche préconisée

21 Méthodologie KPMG d ADE Données d entrée Positions géographiques Données de l industrie Statistiques Comptes payables Comptes à recevoir Inventaires Ventes Salaires Entrées de journal Réclamations Données externes Acquisition des données Normalisation Validation Compréhension des données, algorithmes et construction des règles Processus analytique & Modélisation Caractérisation des données Sélection du processus Profilage des données Utilisation de l expérience passée Routines analytiques automatisées Information de gestion & Modèles d aide à la décision Rapports des anomalies, tendances et observations relatives à des transactions Analyse de scénarios Modélisation fondée sur l historique et les données externes 21

22 Notre approche Analyses basées sur des règles Formulation d observations à partir de règles Utilisation de «moteurs d inférence» Forage de données Extraction d informations implicites, précédemment inconnues et potentiellement utiles à partir des données Visualisation Présenter graphiquement des données complexes dans un format facile à comprendre et à manipuler 22

23 Forage de données (détail) Modélisation descriptive Clustering Association et séquençage Forage de données Modélisation prédictive Régression Classification Analyses juricomptables Identification d anomalies Fraudes potentielles 23

24 Application au monde de l assurance RÉCLAMATION DU CLIENT ÉTAPES de l ANALYSE VARIABLES Type de réclamation Montant réclamé Détail de l assuré Historique d approbation Historique de l agent Localisation Police (Données externes) Acquisition des données et préparation Développement des requêtes / du modèle Validation & exécution Tests de validation RÉSULTATS Investigations de transactions ciblées Raffinement des règles d affaires Analyse des approbations Raffinement des tests de validation Optimisation Analyse de scénarios 24

25 Études de cas

26 Cas #1 Analyse selon les règles d affaires

27 Étude de cas #1 Projet d Audit interne Les règles d affaires sont-elles respectées? Fraudes? Erreurs? 27

28 Cas #1 Cadre de travail Cycles du projet Initialisation Planification Coordination Finalisation Cycles de l analyse des données Planifier Évaluer Concevoir Construire Implanter Évaluer 28

29 Résultats Données d entrée Cas #1 Entrée / Sortie: Résultats Réclamations Clients Employés Polices Analyse des règles d affaires Polices avec données manquantes Paiements > date d expiration de la police Écarts dans la numérotation des chèques émis Modifications aux règlements > limite d approbation Chèques émis à des entités avec adresses d employés Réclamations > montant de la couverture Cadre de travail 29

30 Cas #2 Qualité des données et plan marketing

31 Étude de cas #2 Amélioration de la qualité de l information à des fins marketing Problématiques Mauvaise qualité des données, provenant de plusieurs systèmes Difficulté d obtenir toutes les informations relatives aux clients 31

32 Résultats Données d entrée Cas #1 Entrée / Sortie: Résultats Réclamations Clients Employés Polices Analyse des règles d affaires Reconstruction du fichier maître des clients Analyse de la qualité de l information des clients et identification des faiblesses (entrée des données) Élaboration d un plan d action visant une meilleure qualité des données clients Recoupement avec les produits d assurance qui a permis la conception d un plan marketing additionnel par le client Cadre de travail 32

33 Autres exemples parce que les possibilités sont infinies

34 Quelques exemples additionnels Système de pointage Allocation de points aux réclamations/transactions Basé sur le non-respect des règles d affaires Classification des réclamations/transactions à haut potentiel frauduleux Profilage des caractéristiques des clients liés à ces réclamations des partenaires d affaires à risques Résultats Portrait-type du client à risque Portrait-type du partenaire d affaires à risque 34

35 Quelques exemples additionnels Réconciliation entre deux systèmes PROBLÉMATIQUES Recours à une tierce partie pour un produit d assurance particulier entrées des produits dans un système distinct Erreur de configuration a engendrer le paiement en trop de 20 M$ à la tierce partie en question Plusieurs entrevues menées pour comprendre les activités d affaires et leur impact sur les données TRAVAUX EFFECTUÉS ET LIVRABLES Revue des algorithmes générant des rapports d exceptions élaborés à l interne Revue de l interface entre les employés et les systèmes ainsi qu entre les systèmes entre eux Accompagnement du CRO afin de s assurer que le problème a été réglé et que les contrôles sont renforcis en conséquence 35

36 Quelques exemples additionnels Recours à la visualisation 36

37 Questions? Dominic Jaar Associé, Leader national en gestion de l information (514) djaar@kpmg.ca