Automatisation et reporting des données opérationnelles pour la Direction des Opérations

Refonte du produit Auto et industrialisation des outils de livraison. Mise en place d’une plateforme d’intégration continue TeamCity, développement d’interfaces ASP.NET et Oracle 11g. Stack : .NET 3.5, C#, ADO.NET, JavaScript, XML, XSLT.

Le projet consiste à développer et à intégrer des solutions de Machine Learning et de Data Science dans le secteur de l'assurance, afin d'améliorer les processus métiers et d'optimiser la prise de décision. L'objectif est de tirer parti des données pour automatiser et fiabiliser l'analyse des risques, la tarification, ou encore la détection de fraude. Le poste est basé à Suresnes et s'effectue en mode hybride.

Le projet vise à optimiser et industrialiser les modèles de pricing differential (écart entre le tarif mensuel et annuel) pour le produit Multirisques Habitation. Il comprend la création et la structuration des bases de données nécessaires au développement des modèles, l'amélioration du modèle de conversion pour calculer la probabilité de souscription, ainsi que le perfectionnement du modèle de prédiction de fréquence de paiement afin d'estimer la probabilité qu'un client opte pour le paiement mensuel. Des techniques d'optimisation mathématique sont mobilisées pour proposer des tarifs optimaux, tout en respectant les contraintes métier. L'industrialisation des solutions est assurée grâce à l'automatisation des pipelines avec Databricks et la mise en production via un protocole d'A/B testing. La performance des modèles est suivie dans le temps par la mesure de la dérive à partir des données collectées quotidiennement. Les pratiques de MLOps sont appliquées tout au long du projet, incluant la qualité du code et des données (Kedro, Pydantic, Pandera), la gestion des pipelines sur Git, la traçabilité avec MLFlow et le modèle registry.