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.
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
1 Introduction Emergence des nouvelles technologies et des nouveaux supports sources du digital 2007 2011 1978 : Premiers téléphones mobiles 1991 : Création du World Wide Web 2015 1998 Années 1980 1ères 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 1995 2004 2006 201x Sources Kurt Salmon research 3
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
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
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
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
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 http://pennystocks.la/internet-in-real-time/ 90% des données créées ces 2 dernières années Prévision d une hausse de 800% d ici 5 ans 8
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) 1 2 3 1 2 3 1 2 3 Jobtracker DataNode Job tracker DataNode DataNode 1 2 3 2 3 1 3 1 2 Tasktracker Tasktracker Tasktracker 9
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 10000 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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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 : http://actuaires-bigdata.fr/ 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
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
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
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