Big data

Commencez. C'est gratuit
ou s'inscrire avec votre adresse courriel
Rocket clouds
Big data par Mind Map: Big data

1. International

1.1. Faire une cartographie de ce qui se fait à l'étranger

1.2. Trouver des partenaire

1.2.1. Criteo (?)

1.2.2. Charpentier

1.3. Etablir une présentation stratégique pour le CA

2. Algorithmes prédictifs des comportements

2.1. Algorithmes

2.1.1. Analyse de la perfomance

2.1.1.1. Utiliser les bonnes données

2.1.1.1.1. Le volume n'est pas forcément toujours une bonne chose

2.1.1.2. Trouver les corrélations

2.1.1.3. Optimiser l'algorithme pour réduire le temps d'exécution

2.2. Où trouver les données

2.2.1. Nouveaux capteurs et nouvelles données

2.2.2. data.gouve.fr, quandl

2.2.3. Caggle (?), clopinete (?)

2.2.4. http://www.onrn.fr

2.2.5. Irvine repository

2.3. Traiter un exemple

2.3.1. Concours Kaggle

2.4. Différents outils pour apprendre (??)

2.4.1. Les langages informatiques

2.4.1.1. R

2.4.1.2. Python

2.4.1.3. SAS

2.4.2. Les sites d'apprentissage

2.4.2.1. Scikit Learn

2.4.2.2. Prediction.io

2.4.2.3. Voir liste documentation

2.4.3. Les formations

2.5. Exemples de start-up

2.5.1. Datameer, DataPop, Datasift, DataXu,Mortar Data, farmeron

3. Nouvelle bases maths

3.1. Quels outils qu'on peut créer ? Quelles données utiliser

3.1.1. Limite de l'utilisation

3.1.1.1. Limite par rapport à l'éthique

3.1.1.2. Danger des modèles : quelle confiance accorder aux modèles et algorithmes

3.1.2. Progrès et conséquences

3.1.2.1. Inassurabilité de certains individus ?

3.2. Revue bibliographique (à organiser)

3.2.1. Les algorithmes in a nutshell

3.2.2. Arbres décisionnels

3.2.3. Régression fonctionnelle

3.2.4. Climatologie (L Montador)

3.2.5. A Charpentier

3.2.6. Classification de courbes

3.2.7. Réduction de dimensions

3.2.8. Assurance paramétrique

3.2.9. Aspect temporel

4. Impact sur le métier

4.1. Organisation entreprise

4.1.1. Nouvelles fonctions et métiers ?

4.1.1.1. Chief Data Officer

4.1.1.2. Chef de projet

4.1.2. Architecture informatique

4.1.2.1. Référentiel données

4.1.2.2. Complexité

4.1.2.3. Compétences pour la gestion

4.2. Formation

4.2.1. Modif core syllabus

4.2.2. Création de chaires

4.2.2.1. Axa et HEC : chaire Big data

4.2.2.2. Dauphine

4.2.3. Comment faire sorte que les actuaires accèdent aux nouveaux métiers et postes ?

4.3. Production et analyse de données : tout au long du processus, à quelles étapes les actuaires doivent et peuvent intervenir ?

4.3.1. Entrée des données

4.3.1.1. Capteurs

4.3.1.1.1. Métiers de conception de capteurs

4.3.1.2. Saisie manuelle des données

4.3.1.2.1. Conception des interfaces (site) et organisation des données (non structurées)

4.3.2. Traitement et analyse des données

4.3.2.1. Voir la partie algo et bases maths

4.3.3. Sorties des données

4.3.3.1. Par l'utilisateur lui-même en utilisant les algos à disposition

4.3.3.2. Accès par le fabricant

4.3.3.2.1. attention norme et éthique

4.3.3.2.2. Les assureurs peuvent les récupérer pour les analyser

4.3.3.3. Données partagées et publiques

4.3.3.3.1. Wearedata

4.3.3.3.2. Open Data

4.3.3.4. Vente et partenariat des données

4.3.3.4.1. Données personnelles VS données anonymisées

4.4. Liste indicative de cours

4.4.1. Analyse du problème et conception

4.4.2. Acquisition de données non structurées : trouver, choisir, représenter, crawling

4.4.3. Manipulation de données

4.4.3.1. Nettoyage

4.4.3.2. Stockage

4.4.3.3. analyse de qualité

4.4.3.4. Intégration

4.4.3.5. Extraction des métadonnées

4.4.3.6. Distribution des données

4.4.4. Analyse de données

4.4.4.1. Statistique

4.4.4.2. Apprentissage automatique

4.4.4.3. Données temps réel

4.4.4.4. Données imprécises/incertaines

4.4.5. Utilisation de réseaux sociaux et moteurs de recherche

4.4.6. Passage à l'échelle, parallélisme, cloud computing, architecture matérielle et logicielle

4.4.7. Visualisation de données, data viz

4.4.8. Exploitation de données, décisionnel (BI)

4.4.9. Aspects légaux, éthiques et sociaux, condifentialité, anonymisation, sécurité

4.4.10. Séminaires de use case

5. Assurance connectée

5.1. Objets connectés

5.1.1. Objets connecté assurance (conférence C Gazeau)

5.1.1.1. Pour les particuliers

5.1.1.1.1. Automobile

5.1.1.1.2. Habitation maison

5.1.1.1.3. Santé et bien-être

5.1.1.2. Pour les entreprises

5.1.1.2.1. Logistique

5.1.1.2.2. Agriculture

5.1.1.2.3. Energie

5.1.1.3. Pour les collectivités et services publics

5.1.1.3.1. Ville intelligente

5.1.1.3.2. shodanhq, wolfram, thingful

5.1.2. Utilisation en assurance

5.1.2.1. Marketing et communication

5.1.2.2. Exploitation des données issues des objets connectés

5.1.2.2.1. Accord entre fabricant et assureur

5.1.2.2.2. Ou accord directement avec les utilisateurs

5.1.2.2.3. Données publiques

5.1.2.3. Nouveaux produits

5.1.2.3.1. Nouveaux risques digitaux

5.1.2.3.2. Tarification personnalisée avec les données perso

5.1.2.3.3. Service complémentaire : conseil et assistance, alerte, etc.

5.1.2.3.4. Offres couplées à l'usage d'un dispositif digital

5.1.2.3.5. Commercialiser un nouveau produit d'assurance en proposant un dispositif digital

5.2. Changement mode d'assurance et nouveaux produits d'assurance

5.2.1. Dans l'assurance auto, comment assurer les locations ? Le marché devient de plus en plus gros : assurance de flux, et pas de stock

5.2.1.1. Drivy, et un site que F Picard avait envoyé mais, je n'ai pas réussi à retrouver.

6. Risque opérationnel

6.1. Risque réglementaire

6.1.1. Opportunité réglementaire par rapport à Solva 2

6.1.1.1. Calcul du coût d'acquisition et de la valeur client : montrer que la stabilité implique la rentabilité. Les clients acquis par les comparateurs sont-ils de bons clients ? (??)

6.2. Risque informatique

6.2.1. Technique

6.2.2. Capteurs

6.3. Risque de fraude

6.4. Risque de modèles

7. Norme et éthique

7.1. Poser de bonnes questions

7.1.1. Les questions qui se posent lors de l'utilisation du big data, on n'aura pas toujours les réponses, on traitera au cas par cas.

7.1.2. Définir la frontière entre l'éthique et la non-éthique ?

7.1.3. A qui appartiennent les données ?

7.2. Ethique par rapport à la limite de l'individualisation et de la mutualisation

7.2.1. Risque et conséquences

7.2.2. Avantages des nouveaux modèles

7.2.3. Lien entre risque et prime d'assurance ?

7.3. Quelles variables "éthiques" utliser

7.3.1. Vente de génome (prix en décroissance exponentielle

7.3.2. Utiliser des variables dont l'assuré n'est pas responsable, sur lesquelles il n'a pas le contrôle ?

8. Contexte et conférence

8.1. Définition et caractéristiques

8.1.1. Volume

8.1.1.1. Stockage

8.1.2. Vitesse

8.1.2.1. Outil de traitement performant

8.1.3. Variété

8.1.3.1. Outils analytiques

8.1.4. Véracité

8.1.5. Valeur

8.2. Conférences

8.2.1. Thalès

8.2.2. F Ewald

8.2.2.1. Doc de F Ewald

8.2.3. Gazeau et Ferro

8.2.4. Barbusiaux

8.2.5. F Soulié Fogelman

8.3. Conf et colloques ext

8.3.1. So data

8.3.2. Niort

8.3.3. Big Data Paris

8.4. Plusieurs documents utiles

8.4.1. Note de stratégie.gouv

8.5. Big Data et Hors assurance

8.5.1. Marketing, campagne d'élections

8.6. Big Data et Assurance (menace)

8.6.1. Gestion de données

8.6.1.1. Menace des géants du web

8.6.2. Création d'ojets connectés

8.7. Opportunités pour le secteur d'assurance

8.7.1. Création de nouveaux produits

8.7.2. Marketing : segmentation, cross selling, gestion campagnes commerciales

8.7.3. Souscription : connaissance et gestion des clients

8.7.4. Sinistres et rachats : prévention, prédiction, gestion fraude, analyse coût/bénéfices

8.7.5. Modélisation sinistres

8.8. Opportunités pour les actuaires

8.8.1. Nouvelles compétences

8.8.1.1. Producteurs de données et modélisation

8.8.1.2. Certifier qualité des données et utilisation

8.8.1.3. Vérifier bon usage données et résultats

9. Google Drive Big data IA

10. Livrable - objectifs

10.1. Faire état de l'art

10.2. Montrer qu'il est possibile de faire mieux

10.3. Les actuaires sont compétents dans le domaine : use case

10.4. Faire recommandations

11. Exemples