Analyse de données électroniques et intelligence d affaires

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

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

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

Objectifs 4

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

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

Modèle de maturité et bénéfices de l ADE

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

MATURITÉ Faibles facultés analytiques 4 5 3 1 2 TEMPS 9

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

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

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

MATURITÉ Avantage compétitif 5 4 3 2 1 TEMPS 13

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

ADE & Actifs Informationnels 15

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

Approche préconisée

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

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

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

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

Études de cas

Cas #1 Analyse selon les règles d affaires

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

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

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

Cas #2 Qualité des données et plan marketing

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

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

Autres exemples parce que les possibilités sont infinies

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

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

Quelques exemples additionnels Recours à la visualisation 36

Questions? Dominic Jaar Associé, Leader national en gestion de l information (514) 212-9348 djaar@kpmg.ca