Observé chez

Data Scientist Assurance MRH

Assurance

Tarification

Support

PythonPandasNumpyMatplotlibSeabornScikit-LearnXGBoostCatBoostGradient BoostingPySparkSQLGitAzure DatabricksMLOps

Rôle

Développer et industrialiser des modèles de machine learning pour la tarification et le pilotage du portefeuille Multirisques Habitation, de la R&D au déploiement MLOps, en collaboration avec les directions Marketing, Commerciale et Financière

Technologies

PythonPandasNumpyMatplotlibSeabornScikit-LearnXGBoostCatBoostGradient BoostingPySparkSQLGitAzure DatabricksMLOps

Entités

Direction Technique

Contextes

Assurance auto en ligneAssurance habitationAssurance motoAssurance santéMultirisques Habitation (MRH)

Compétences

Développement de modèles prédictifsMachine LearningAnalyse exploratoire de donnéesSélection de variablesConstruction et évaluation de modèles MLPipelines MLOpsOptimisation tarifairePilotage de portefeuilleConstruction de dashboardsAnalyses techniquesDocumentation techniqueBonnes pratiques de modélisationLintingTests unitairesVulgarisation techniqueEsprit critiqueForce de propositionTravail en équipeOrientation business

Challenges détectés

5 enjeux

Les principaux enjeux identifiés chez Direct Assurance, avec les technologies et compétences associées.

01Optimisation
Améliorer la compétitivité et la rentabilité technique du portefeuille MRH par l'optimisation tarifaire
02Croissance
Assurer la croissance rentable du produit MRH grâce à une tarification segmentée des affaires nouvelles
03Transformation
Industrialiser des modèles ML de tarification de l'idée au déploiement MLOps
04Optimisation
Optimiser le renouvellement tarifaire en alignant rentabilité, compétitivité et qualité
05Croissance
Piloter le portefeuille MRH à fort volume et en forte croissance avec des recommandations actionnables