Sujets en assurance

Sujets généraux

Tarification (améliorer le modèle)
Analyse de satifaction client
Calcul de valeur client
Détection de fraudes
Analyse de résiliation
Analyse de variables tarifaires
Scoring des clients
Segmentation des clients
Analyse de l’image de marque
Analyse des résultats de sondage

Sujets techniques

Data Science avec R
Data Science avec python
Machine learning
Visualisation des algorithmes de machine learning
Text mining (pour des objectifs divers comme résiliation, insatisfaction, adresses mail, etc.)

Sujets données

Utilisation des données externes
Web scrapping
Vente de données externes
Argus auto
Prix immobilier
Données météorologiques
Dark data dans les entreprises

Sujets informatiques

Utilisation des technologies Big Data (Hadoop, Spark, etc.)
Logiciels Data Science

Data visualisation

Visualisation du portefeuille
Visualisation des sinistres
Construction de tableau de bord
Géolocalisation des sinistres et contrats
Visualisation des zones géorisques

Processus des traitements

Dans un projet Data Science, on peut énumérer les différentes étapes suivantes:

Définition de la problématique
Collecte des données
Stockage des données
Nettoyage et analyse
Visualisation des données
Prise de décision

La création de grpahiques peut intervenir à plusieurs étapes de ces traitements:

Lors de l’exploration des données, des graphiques rapides et simples peuvent aider à mieux comprendre la structure des données
La visualisation des résultats finaux permet de construire un tableau de bord
La visualisation des algorithmes permet de mieux comprendre les principes mathématiques

Outils

Outil de programmation principal : Rstudio Packages R :

Manipulation des données: data.table, dplyr, tidyr, stringr, lubridate
Grahiques : plotly, ggplot2, ggvis, googleVis
Cartographie : Leaflet, sp, maptools, maps, ggmap
Séries temporelles : zoo, xts, quantmod, dygraphs
Widget html: htmlwidgets
Application web : Shiny
Webscrapping : XML, rselenium, httr

Copyright © 2016 Kezhan SHI