Observé chez
Machine Learning Engineer / Data Scientist Assurance
Assurance
Tarification
Suresnes, Hauts-de-Seine, Télétravail
DatabricksMLFlowKedroPythonRSQLPySparkPydanticPanderaGitPowerBI
Python
R
GitRôle
Automatiser l'entraînement de modèles ML et optimiser le pricing differential en assurance habitation via MLOps
Technologies
DatabricksMLFlowKedroPythonRSQLPySparkPydanticPanderaGitPowerBI
Entités
Direction TechniqueÉquipe Tarification Multirisques Habitation
Contextes
Assurance auto en ligneAssurance habitationAssurance motoAssurance santéTarification produit Multirisques HabitationGestion des acquisitions clients
Compétences
Préparation et structuration de bases de données pour modélisationDéveloppement de modèles de conversion clientDéveloppement de modèles de prédiction de fréquence de paiementOptimisation tarifaire par techniques mathématiquesIndustrialisation de solutions ML en productionMise en place de protocoles A/B testingMesure de la dérive des modèlesApplication de pratiques MLOpsAutomatisation de pipelines de donnéesTraçabilité des données et modèlesGestion de la qualité du code et des donnéesData mining
Challenges détectés
6 enjeuxLes principaux enjeux identifiés chez Direct Assurance, avec les technologies et compétences associées.
- 01Optimisation
Automatiser l'entraînement de modèles ML via MLOps
- 02Optimisation
Optimiser le pricing differential entre tarif mensuel et annuel
- 03Optimisation
Améliorer les modèles de conversion et de prédiction de paiement
- 04Transformation
Industrialiser les solutions ML en conditions réelles
- 05Conformité
Mesurer et gérer la dérive des modèles dans le temps
- 06Croissance
Défendre le pouvoir d'achat des clients par une tarification adaptée