Data scientist (assurance) - Apec.fr - Cadres

Vous êtes actuellement sur le site Cadres. Changer de site ?

Informatique

commentaire (0) | lu 534 fois | publié le 17/10/2017

Data scientist (assurance)

En alliant les sciences mathématiques, statistiques et informatiques, le data scientist valorise et développe les diverses données externes et/ou détenues par les entreprises d’assurance (base de données clientèle, chiffres de vente, historique des sinistres, visites du site web...) pour en extraire de la connaissance utile à l’optimisation des produits et services proposés.

Autres intitulés

  • Data analyst
  • Analyste data
  • Analyste statistique
  • Data miner
  • Ingénieur big data
  • Consultant big data

 

Activités principales

Élaboration et coordination du projet data

  • Contribuer à la réflexion sur la stratégie de business intelligence/big data de l’entreprise (échanges avec la direction, groupes de travail, etc.).
  • Rencontrer les différents services de l’entreprise pour identifier leurs problématiques business pouvant nécessiter un projet data.
  • Recueillir et comprendre les besoins métiers propres à chaque projet data (optimisation du CRM, ciblage des campagnes marketing, automatisation de process d’indemnisation, identification des agences à auditer…).
  • Traduire les enjeux métiers en problématiques mathématiques/data, et imaginer les solutions opérationnelles potentielles.
  • Échanger avec la DSI et la maîtrise d’ouvrage pour préciser les besoins/contraintes techniques du projet data.
  • Participer à la rédaction, en collaboration avec le chief data officer le cas échéant, du cahier des charges propre à chaque projet data (planning de réalisation, choix techniques et méthodologiques, ressources nécessaires…).
  • Coordonner les prestataires de services informatiques éventuels en appui à une étape du projet data (fouille de données, extraction de données, traitement de données…).

 

Extraction, structuration et gestion de données

  • Explorer les données à disposition de l’entreprise (base de données clientèle, chiffres de vente, historique des sinistres, visites du site web...).
  • Collecter et sélectionner les données internes à l’entreprise pertinentes pour l’analyse.
  • Identifier d’autres sources de données externes nécessaires pour apporter un éclairage complémentaire (disponibles en open data, achetées auprès de fournisseurs…) et coordonner leur acquisition et leur usage.
  • Identifier et construire, avec l’équipe informatique, la solution de stockage de données adaptée à chaque projet data.
  • Nettoyer et coder les bases de données, pour les rendre disponibles et analysables, dans leur forme et leur contenu.
  • Veiller à la conformité et au respect des normes juridiques pour les données exploitées (protection des données personnelles/RGPD, confidentialité…).

 

Traitement et analyse statistique des données

  • Mettre en place les meilleures solutions techniques pour assurer le traitement de grands volumes de données.
  • Développer les modèles statistiques et algorithmes mathématiques appropriés pour chaque analyse de données, en s’appuyant sur les outils et langages dédiés.
  • Élaborer des scénarii et modèles de prédiction grâce au machine learning (développement et implémentation de méthodes par répétition et « apprentissage automatique »).
  • Investiguer les nouvelles méthodes d’analyse data en développement : intelligence artificielle, text mining, reconnaissance vocale, reconnaissance de forme, traitement de l’image…
  • Construire des indicateurs de pilotage et de reporting à long terme.

 

Valorisation des données et accompagnement dans leur utilisation opérationnelle

  • Traduire et « faire parler » les données chiffrées pour les transformer en informations opérationnelles pour les métiers de l’entreprise.
  • Mettre en perspective les données analysées avec les orientations business globales et/ou spécifiques de l’entreprise et mesurer leur impact stratégique à moyen et long terme.
  • Présenter les données analysées de manière claire, visuelle et pédagogique, en s’appuyant notamment sur l’infographie et la data visualization.
  • Accompagner les équipes métiers dans l’appropriation et l’utilisation opérationnelle des données transmises et/ou de nouvelles solutions data au quotidien.

 

Veille technologique, amélioration continue et formation des collaborateurs

  • Maintenir une veille technologique et documentaire sur les nouvelles techniques et solutions logicielles de big data, en participant notamment à des séminaires, colloques et conférences scientifiques.
  • Se former régulièrement à l’usage de nouvelles techniques, nouveaux outils, nouveaux logiciels.
  • Mesurer la pertinence et la performance des techniques d’analyse data utilisées, et proposer des améliorations de fond et de forme sur les bases de données internes à l’entreprise.
  • Accompagner la montée en compétences des collaborateurs de l’équipe data, et l’appropriation des data science par les équipes métiers non techniques.

 

Variabilité des activités

Les activités du data scientist peuvent varier selon…

La taille et l’organisation de l’entreprise :

  • Certaines entreprises, notamment les plus grandes qui ont un important effectif dédié à la data, peuvent choisir de « fragmenter » les projets data en plusieurs étapes et plusieurs équipes : la fouille de données (data mining), la gestion des données (data engineering, data management), l’analyse des données, la visualisation des données (data visualization)... Le « data scientist » se limite (et se spécialise) alors à l’une de ces tâches, et porte un intitulé plus précis : data miner, data manager, data analyst…
  • D’autres entreprises, plus petites ou plus récemment investies par la data science, fonctionnent avec des data scientists « multi-spécialistes », qui maîtrisent l’ensemble des étapes du projet data et gèrent leurs projets de A à Z, en autonomie. C’est également le choix d’entreprises de taille plus importante qui estiment plus intéressant et bénéfique que le data scientist, lorsqu’il analyse ses données, ait aussi effectué leur nettoyage au préalable et soit à même de les présenter ensuite aux commanditaires grâce à une vision complète sur le projet.

 

La spécialisation sur une thématique d’étude assurantielle :

  • Certaines entreprises sollicitent leurs data scientists sur une thématique d’étude précise : la tarification, le marketing, l’indemnisation, la relation client, l’audit qualité… Dans ce cas, le data scientist est généralement rattaché à la direction métier concernée. Ses projets très ciblés lui permettent de se spécialiser sur un domaine précis de l’assurance.
  • D’autres entreprises, notamment les plus grandes, ont une équipe data transversale, qui peut venir en appui de toutes les directions métiers. Les thématiques d’études abordées par les data scientists sont alors très diversifiées, tout comme leurs connaissances.

 

Rémunération

Jeune diplômé : entre 35 et 40 k€

Jeune cadre : entre 40 et 50 k€

Cadre confirmé : entre 50 et 70 k€

(Fourchettes de rémunération selon profil, niveau d’expérience, responsabilité hiérarchique, taille et statut de l’entreprise…)

 

Compétences requises

Compétences techniques

  • Maîtrise des techniques analytiques : algorithmes, apprentissage statistique, machine learning, modèles prédictifs, scoring, segmentation...
  • Maîtrise des outils, langages de programmation et logiciels de data science propres à chaque entreprise (Excel, Access, SPSS, SAS, Python, R, SQL, Spark, C++)
  • Connaissance transversale des métiers de l’assurance (actuariat, souscription, indemnisation, relation client…) et du périmètre d’action de l’entreprise (assurance collective, particuliers, entreprises)
  • Connaissance de l’environnement réglementaire du secteur assurantiel (Solvabilité 2)
  • Connaissance des réglementations propres à l’usage des données (RGPD notamment)
  • Maîtrise de l’anglais technique

 

Aptitudes professionnelles

  • Goût pour les chiffres
  • Esprit d’analyse et de synthèse
  • Rigueur et méthode
  • Créativité et force de proposition
  • Curiosité et intérêt pour les nouvelles technologies du big data (objets connectés, intelligence artificielle…)
  • Capacité à apprendre et adaptabilité
  • Esprit de challenge
  • Écoute et sens du service
  • Capacité à travailler en mode projet
  • Communication orale et écrite
  • Pédagogie et vulgarisation des éléments techniques

 

Le profil

Diplômes requis

  • Diplôme de niveau Bac +5
    • Master en big data, data science
    • Master en mathématiques appliquées, statistiques, modélisation des données, informatique décisionnelle, économétrie
    • Diplôme d’ingénieur statisticien, avec une spécialisation big data, data science
  • Diplôme de niveau Bac +8
    • Doctorat en mathématiques appliquées, statistiques, modélisation des données, informatique décisionnelle

 

Durée d’expérience

Particulièrement ouvert aux jeunes diplômés, le métier de data scientist est encore récent sur le marché du travail. Les expériences demandées dans ce métier sont donc assez réduites (selon le niveau hiérarchique du poste), et ce sont principalement le diplôme, la maîtrise des outils techniques et les aptitudes professionnelles qui orienteront le choix des recruteurs. La présentation de réalisations concrètes (exemples de projets, outils développés) est un plus non négligeable lors d’un recrutement.

 

Postes précédents (P-1)

  • Chargé d’études statistiques
  • Chargé de traitement statistique
  • Data miner
  • Actuaire

 

Qui recrute ?

  • Société anonyme d’assurance
  • Société d’assurance mutuelle
  • Société mutuelle d’assurance
  • Grand cabinet de courtage

 

Rattachement hiérarchique

Le data scientist, dont la fonction aux frontières poreuses est encore en développement dans de nombreuses sociétés, peut être rattaché à diverses directions métiers :

  • Direction Data/numérique/digitale
  • Direction Actuariat
  • Direction Marketing
  • Direction Systèmes d’information

 

Environnement de travail et interlocuteurs

Internes :

  • Chief data officer/Responsable du projet data
  • Développeurs data
  • Architectes data/Data architects
  • Gestionnaires de la donnée/Data managers
  • Direction métier à l’origine du besoin d’analyse data (actuariat, marketing, indemnisation, relation client, distribution…)
  • Direction Systèmes d’information
  • Direction Conformité
  • Direction Juridique

 

Externes :

  • Prestataires de services informatiques (fouille de données, extraction de données, traitement de données…)

 

Evolution professionnelle (P+1)

 

Contexte et facteurs d’évolution du métier

Les métiers de la data, évolution des statisticiens, sont relativement récents. L’assurance a pourtant été l’un des premiers domaines à s’y intéresser, dans les années 2000, tant la donnée était et est encore au cœur de l’activité du secteur. Historiquement, les sociétés d’assurance ont toujours collecté de grandes masses de données : informations sur les clients et sur l’objet du contrat, historique des sinistres… La donnée aide en effet l’assureur à atteindre son objectif fondamental : la connaissance du risque « futur et aléatoire » qu’il accepte d’assurer. Les données ont donc plus que jamais un rôle primordial à jouer dans le secteur assurantiel. Au départ consacrées à « l’analyse du passé », elles permettent de développer aujourd’hui une approche prédictive et comportementale du risque qui révolutionne le secteur. Les sociétés d’assurance ont pris conscience des enjeux du big data, et de la nécessité de disposer de professionnels des data sciences pour y répondre.

L’assurance est un secteur d’emploi particulier pour un data scientist. Il comporte ses propres données (contrats, sinistres…), ses propres règles juridiques, son propre cycle de production... Il s’agit de plus d’un domaine où la data se développe à grande vitesse, dans des finalités exploratoires très larges. On voit ainsi apparaître chaque jour de nouvelles techniques (text mining, traitement de l’image, machine learning, intelligence artificielle, blockchain), de nouveaux outils, de nouvelles données à étudier (mails et avis rédigés sur les réseaux sociaux, données géolocalisées sur les automobiles, données d’usage et de consommation issues des objets connectés, photographies prises par des drones…). Les bases de données disponibles (internes ou externes aux sociétés d’assurance) deviennent dès lors particulièrement volumineuses et diversifiées. Le data scientist évoluera donc, pendant quelques années encore, dans un contexte où les méthodes data et les outils seront expérimentaux et particulièrement ouverts. À lui de savoir allier ses compétences techniques, et certaines aptitudes personnelles indispensables (adaptabilité, communication, créativité…) pour relever ce défi.

Les impacts du big data pourront être, et sont déjà, très importants pour le domaine de l’assurance, qui voit ses métiers, son organisation et ses enjeux évoluer en même temps que la data science s’y intéresse. Le data scientist, au cœur des projets data, intervient dans ce contexte comme un levier de croissance économique. Indispensable pour accompagner la révolution digitale du secteur assurantiel, le métier bénéficie de forts potentiels de développement.