Publication

Data Science et Analytics en Santé.

Apport des données exogènes dans la compréhension des risques assurantiels

La data science est une extraction de connaissances à partir de grands volumes de données structurées ou non structurées. Elle utilise de nombreuses techniques et outils empruntés à la physique, aux mathématiques, aux statistiques ou encore aux technologies de l’information : théorie du signal, algorithmique, datamining, modèles de probabilité, analyse prédictive, modèles de données.

Les assureurs sont par nature de grands collecteurs et analystes de données. Aujourd’hui, le secteur de l’assurance se transforme sous l’impulsion des nouvelles technologies. Pour tous les acteurs, l’enjeu est la valorisation du volume d’information à disposition. Ce terrain est très favorable pour utiliser les techniques et outils issus de la data science.

En effet, avec l’explosion des données disponibles et le développement de l’Open Data, de nouvelles perspectives  s’ouvrent dans l’appréhension des risques. Mais la masse d’information - météo ou Insee par exemple - pouvant être croisée avec les données internes des organismes assureurs nécessite de dépasser les modèles traditionnellement utilisés en assurance.

Au travers d’un cas pratique sur la consommation médicale, Optimind Winter analyse pourquoi et comment les algorithmes de machine learning permettent d’améliorer la compréhension des risques assurantiels. Ce secteur à forts enjeux a besoin de se transformer, la connaissance et la mesure du risque en santé doivent être appréhendées.

AU SOMMAIRE DE CETTE EDITION

Data Science et Analytics en assurance : La data science, un levier pour de nouvelles opportunités métiers // De nouvelles expertises et de nouveaux outils // Une démarche et une méthodologie spécifiques // Construction du cas d’utilisation

Cas d’utilisation métier - Evaluation de la consommation médicale à l’aide de données exogènes : Identification, collecte et traitement de la donnée : une étape clé // Modélisation : la puissance de la diversité // Restitution des résultats : le retour au métier