Un client est soumis à plusieurs facteurs (notoriété de la marque, marketing numérique et marketing relationnel) simultanément. Dans ce projet de recherche, on vise de préciser l’apport de chacun de ces points de contacts, de la détention actuelle de produit au sein de l’entreprise ainsi que l’importance des différents types de canaux sur une vente en assurance de dommage. En d’autres termes, on veut quantifier l’importance de chacun des points de contact sur la vente.

Intact Financial Corporation is Canada's largest provider of property and casualty insurance by annual premiums. Intact aims to offer expedited claims service to its customers. When opening a claim, Intact already asks its customers to provide images of the vehicle that allow prior identification of the general condition of the vehicle. The intern will have to extract the information automatically from the images that will be attached to the file. Intact then wants to explore different approach through supervised machine learning to shorten the steps deemed critical in the claims process.

La mesure de l’incertitude dans les prédictions est considérée clé pour prendre des décisions informées à partir
des données. Ceci améliore également la transparence et la confiance dans les prédictions d’un modèle. Ceci
peut également influencer le design expérimental et la balance entre l’exploitation d’une solution et le besoin
d’exploration et de collecte de données supplémentaires. Dans cette optique, définir un niveau de confiance sur
les prédictions des métriques utilisées pour l’établissement des prix en assurance de dommages est un filon
intéressant à exploiter.

L’imagerie aérienne offre de nombreuses opportunités en assurances: simplification de la souscription grâce à la complétion automatique de champs, amélioration de l’indemnisation grâce à des images post-catastrophes, raffinement de la tarification grâce à l’obtention de nouvelles données sur les caractéristiques physiques d’un lieu, etc.

Le projet vise à analyser les données historiques de l’entreprise afin d’optimiser la tarification proposée à la clientèle.

L’utilisation des algorithmes de type « boîte noire » gagne en popularité en entreprise, même au niveau de l’aide à la décision. En assurance collective, ces algorithmes peuvent être d’un précieux soutien pour l’actuaire chargé de la négociation avec un groupe. Toutefois, dans ce contexte, la difficulté à comprendre les prédictions de l’algorithme nuit grandement à l’appropriation de l’outil par l’actuaire. L’objectif général du projet est de trouver une méthode appropriée pour expliquer « post hoc » les prédictions de l’algorithme utilisé pour soutenir la décision de l’actuaire.

When a previously trained machine learning model is put into production, the production phase begins where said model makes predictions on the inputs provided to it. When the distribution of production data changes over time, we talk about data drift. Then the model is likely to become less efficient, or even obsolete. The project consists of building an intelligent system capable of alerting in the event of a data drift that would have a significant impact on the system.

During the last decade, we observe in organizations a surge of numbers of cyber-attacks originating internally. In this project, we aim to develop deep learning models to detect suspicious activity (such as malicious events, system failure or attacks) from log data generated by the Desjardins ecosystem.

L’un des enjeux majeurs dans le domaine de l’assurance est la fraude. Une étude américaine proposait il y a quelques années que celle-ci représentait environ 10% de chaque dollar que paie une compagnie d’assurance en dédommagement. L’incidence de la fraude est importante pour Intact sur ses résultats financiers, mais également pour l’ensemble de ses clients, car le coût de la fraude se retrouve payé dans chacune des primes d’assurance. Intact traite environ 500 000 réclamations en automobile et 150 000 réclamations en habitation chaque année.

In the last few years, a high increase in the interest of traders and investors towards financial instruments directly led to an important augmentation of the information received daily by exchanges. Exchange regulators, who constantly monitor markets to unveil potential infractions, traditionally perform their investigation manually and the notable growth in market activity represents an important risk of fraudulent events going unnoticed. In response to that new reality, exchanges around the globe are establishing automated surveillance systems that track market activity.