RS3921
Inactive
· Répertoire spécifique
Management en data science pour l'actuariat
Certificateur · INSTITUT DES ACTUAIRES
L'essentiel
Nomenclature du niveau de qualification
Répertoire spécifique
Code(s) NSF
Date d'échéance de l'enregistrement
31-12-2021
Certificateur(s)
Nom légalSIRETSite
Résumé de la certification
Objectifs et contexte
La certification vise le développement des compétences techniques des actuaires permettant :
D'aborder de facon opérationnelle les problématiques liées aux nouveaux usages du numerique et à la nouvelle typologie des données : diversité et volumetrie.
D'acquerir les elements de la chaîne de traitement de données massives : stockage, filtrage, analyse prédictive, validation, visualistaion, valorisation.
D'identifier des enjeux économiques (valeur client, tarification personnalisée, prévention ciblée des risques) dans un cadre juridique et déontologique en évolution.
Compétences attestées
A1. Maintenir une connaissance à jour sur les sujets de data science et d’intelligence artificielle afin de sélectionner les algorithmes pertinents pour le secteur de l’actuariat en effectuant une veille technique, technologique, et règlementaire.
A1C1. Suivre les avancées et innovations en matière d’algorithmes de data science à travers divers vecteurs d’informations (sites internet spécialisés) ou en participant à des évènements dédiés.
A1C2. Evaluer la validité scientifique et opérationnelle des algorithmes de data science pertinents afin d’en déduire des méthodologies innovantes adaptées à l'actuariat.
A1C3. Identifier l’impact des évolutions règlementaires en droit des données sur les procédures opérationnelles de gestion des données dans les société d’assurance.
A2. Sélectionner et déployer des algorithmes de data science sur des problématiques de quantification de risques actuariels
A2C1. Mettre en œuvre et tester les algorithmes de data science identifiés, en corrigeant imperfections des logiciels récupérés en open source (Capacité de codage).
A2C2. Préparer les données de sa compagnie d’assurance
afin de les normaliser pour y appliquer des algorithmes de data science et
quantifier un risque actuariel.
A2C3. Utiliser les nouvelles méthodes prédictives de machine learning pour challenger les modèles actuariels habituels de quantification des risques dans les sociétés d’assurance.
A3. Auditer, manipuler, exploiter et mettre en forme de grands volumes d’information non structurée afin de les utiliser dans des processus de quantification de risque actuariel en société d’assurance.
A3C1. Créer et valoriser l’information disponible non exploitée dans les sociétés d’assurance (qualitative, quantitative, texte), en la structurant sous forme de base de données.
A3C2. Traiter et intégrer ces nouvelles données dans les modèles actuariels existants.
A3C3. Développer, calibrer et back tester sur ces données des algorithmes de machine learning pour la prédiction de risque actuariel.
A3C4. Veiller à respecter une utilisation de ces données conforme aux réglementations et législations en matière d’assurance ; protection des données personnelles (CNIL, RGPD), responsabilité Civile et en s'appuyant sur les services juridiques pour valider ses choix.
A4. Communiquer et synthétiser l’information pertinente issue d’analyse de données massives auprès de professionnels du monde de l’assurance, afin d’aider à la prise de décision opérationnelle.
A4C1. Fusionner des données externes et internes d’une entreprise et analyser les relations entre ces variables pour identifier celles qui sont pertinentes à un contexte ou à une problématique actuarielle particulière.
A4C2. Sélectionner les tables, graphiques et outils de visualisation adaptés au public visé et aux objectifs attendus, dans le cadre de la présentation des résultats d’une étude actuarielle.
A4C3. Synthétiser, mettre en forme les données à l'aide de systèmes d'informations liés au machine learning (R ; Python)
pour en extraire une connaissance décisionnelle opérationnelle en compagnie d’assurance.
A4C4. Mettre en place un dashboard, un reporting ou une présentation à tout public (spécialiste ou non) en vue de faciliter la prise de décision opérationnelle sur une problématique actuarielle.
A1C2. Evaluer la validité scientifique et opérationnelle des algorithmes de data science pertinents afin d’en déduire des méthodologies innovantes adaptées à l'actuariat.
A1C3. Identifier l’impact des évolutions règlementaires en droit des données
sur les procédures opérationnelles de gestion des données dans les société d’assurance.
A2C1. Mettre en œuvre et tester les algorithmes de data science identifiés, en corrigeant imperfections des logiciels récupérés en open source (Capacité de codage).
A2C2. Préparer les données de sa compagnie d’assurance
afin de les normaliser pour y appliquer des algorithmes de data science et
quantifier un risque actuariel.
A2C3. Utiliser les nouvelles méthodes prédictives de machine learning pour challenger les modèles actuariels habituels de quantification des risques dans les sociétés d’assurance.
A3C1. Créer et valoriser l’information disponible non exploitée dans les sociétés d’assurance (qualitative, quantitative, texte), en la structurant sous forme de base de données.
A3C2. Traiter et intégrer ces nouvelles données dans les modèles actuariels existants.
A3C3. Développer, calibrer et back tester sur ces données des algorithmes de machine learning pour la prédiction de risque actuariel.
A3C4. Veiller à respecter une utilisation de ces données conforme aux réglementations et législations en matière d’assurance ; protection des données personnelles (CNIL, RGPD), responsabilité Civile et en s'appuyant sur les services juridiques pour valider ses choix.
A4C1. Fusionner des données externes et internes d’une entreprise et analyser les relations entre ces variables pour identifier celles qui sont pertinentes à un contexte ou à une problématique actuarielle particulière.
A4C2. Sélectionner les tables, graphiques et outils de visualisation adaptés au public visé et aux objectifs attendus, dans le cadre de la présentation des résultats d’une étude actuarielle.
A4C3. Synthétiser, mettre en forme les données à l'aide de systèmes d'informations liés au machine learning (R ; Python)
pour en extraire une connaissance décisionnelle opérationnelle en compagnie d’assurance.
A4C4. Mettre en place un dashboard, un reporting ou une présentation à tout public (spécialiste ou non) en vue de faciliter la prise de décision opérationnelle sur une problématique actuarielle.
Voie d'accès à la certification
Prérequis à l'entrée
Professionnel maitrisant les techniques actuarielles ayant 3 années d’expérience dans la fonction.
Base légale
Date d'échéance31-12-2021
Pour plus d'informations · Statistiques
- Descriptif de la certification →
- Fiche officielle France compétences →
- Télécharger la fiche en Markdown →
Entrées et sorties de formation
Demande CPF — formations engagées
9
dossiers CPF engagés
56 685 €
montant total engagé
6 298 €
coût moyen par dossier
131 h
durée moyenne
Qui finance ces dossiers (part du montant engagé)
Formations engagées via le CPF — Caisse des Dépôts (open data), tous organismes confondus.