Au sein de la Direction Technique de Direct Assurance, vous aurez l’occasion de travailler au sein d’une des équipes suivantes :

• Le pôle IT Pricing 
• Le pôle Commercial Auto/ MRH
• Le pôle prime commerciale Auto/MRH
• Le pôle de la stratégie commerciale 

Vous aurez l’occasion de pouvoir travailler sur un des sujets suivants :

Stage 1 – Data Scientist (F/H) / Machine Learning Engineer – Prédiction du déménagement

Contexte :

Au sein de l'équipe d'assurance habitation (MRH) de la Direction Technique, notre enjeu est d'accompagner nos clients dans les moments importants de leur vie, comme le déménagement. Pour cela, nous utilisons du machine learning pour prédire quels clients sont susceptibles de déménager, afin de leur proposer nos tarifs compétitifs.

Missions :

• Migrer et améliorer le modèle actuel de prédiction de déménagement vers une solution cloud (Databricks), en utilisant des outils de MLOps tels que Model Registry, CI/CD pipelines, et MLFlow.
• Créer une pipeline de réentraînement automatique du modèle pour le maintenir à jour.
• Développer une pipeline de surveillance du drift du modèle pour garantir une prédiction constante.
• Créer un tableau de bord pour visualiser les prédictions et le drift du modèle.

Stage 2 – Data Scientist (F/H) – Algorithme de recommandation 

Contexte :

Au sein de la Direction Technique, vous contribuerez à l’amélioration de l’algorithme de recommandation des formules d'assurance. Cet algorithme aide les clients à choisir la couverture appropriée en fonction de leurs besoins.

Missions :

• Comprendre le modèle actuel de recommandation d’assurance et analyser ses performances et limites.
• Préparer une base de données contenant les caractéristiques des clients, la formule recommandée et la formule sélectionnée.
• Proposer et mettre en place un nouvel algorithme de recommandation basé sur le Machine Learning, tout en respectant les règles techniques actuelles.
• Simplifier les résultats du modèle pour les convertir en règles techniques interprétables.
• Mesurer l’impact du nouvel algorithme sur le taux de conversion des prospects et leur rentabilité.

Stage 3 – Actuaire / Data Scientist (F/H) – Modélisation d’un score de changement de véhicule 

Contexte :

Au sein de la Direction Technique, vous participerez à la création d’un modèle pour prédire la probabilité de changement de véhicule chez nos clients. Ce modèle vise à identifier les clients susceptibles de changer de véhicule afin de leur proposer la meilleure offre avant qu’ils ne résilient.

Missions :

• Construire une base de données en Python/Spark pour modéliser le changement de véhicule.
• Développer un algorithme de score de probabilité de changement de véhicule
• Identifier les segments de clients qui changent de véhicule et proposer des actions pour prévenir le churn.

Stage 4 – Data Scientist (F/H) – Prévision du risque en Online Machine Learning

Contexte 

Au sein de l’équipe Prime Pure de la Direction Technique, vous contribuerez à la sophistication des modèles de risque automobile. Ces modèles sont essentiels pour ajuster nos tarifs et s’assurer de la bonne rentabilité individuelle de nos produits d’assurance, en automobile et en multirisque habitation. 

Missions :

• Evaluer statistiquement la dégradation des performances des modèles dans le temps après leur mise en production.
• Identifier et estimer les impacts majeurs de cette dégradation, du point de vue des KPI actuariels et commerciaux. Ex : risque sous-jacent, gravité d’impact, etc.
• Explorer différentes méthodes pour comprendre et corriger cette dégradation des performances des modèles. Ex : via la technique online ML ou autres.
• Réaliser des analyses d’impact afin de vérifier la cohérence et l’efficacité du nouveau modèle.

Stage 5 – Actuaire / Data Scientist (F/H) – Amélioration de l’explicabilité des modèles de risque automobile

Contexte :

Au sein de la Direction Technique, vous rejoindrez l’équipe Prime Pure pour travailler sur l’amélioration de l’explicabilité des modèles de Machine Learning utilisés pour la tarification des produits d’assurance. L’objectif est de garantir que les prédictions des modèles sont justes et alignées avec nos stratégies commerciales. 

Missions :

• Mettre en place des techniques d’interprétation des modèles de risque tels que LIME, SHAP, ou Anchor.
• Implémenter des techniques d’estimation de l'incertitude des modèles, telles que la prédiction conforme ou par quartiles.
• Développer et tester des méthodes de surveillance du drift et détection de la perte de performance du modèle dans un segment ou de manière générale.
• Créer un outil permettant d’appliquer facilement les méthodes retenues à l’ensemble de nos modèles.

Stage 6 – Data Scientist (F/H) – Revue des méthodes d’optimisation

Contexte :

Sur le marché de l’assurance en ligne, très concurrentiel et dynamique, la tarification est clé pour acquérir les clients. L’affluence de nouvelles données ainsi que les innovations en optimisation tarifaire sont au cœur de la stratégie de l’entreprise. Il est essentiel d’attribuer le tarif optimal pour chaque client pour assurer à la fois des objectifs de rentabilité et de croissance.

L’objectif de ce stage est de modéliser la conversion des clients en fonction de leur profil et du prix proposé.

Missions :

• Modéliser la conversion des clients en fonction de leur profil et du prix proposé.
• Développer des algorithmes pour améliorer les métriques d’évaluation de la performance des tarifs.
• Optimiser les prix pour atteindre des objectifs de rentabilité tout en améliorant la croissance des clients.

Stage 7 – Data Scientist (F/H) – Modélisation de la valeur client

Contexte

Sur le marché de l’assurance en ligne, très concurrentiel et dynamique, la tarification est clé pour acquérir les clients. Afin de tarifer le plus finement possible nous devons modéliser la valeur client, c’est-à-dire la somme des flux monétaires futurs probabilisés. Ces flux monétaires sont très sensibles à l’évolution du risque du clients ainsi que du nombre d’année que le client va passer chez Direct Assurance.

Missions :

• Revoir les modèles de durée de vie en portefeuille
• Revoir les modèles d’évolution de la prime
• Les porte sur une approche MLOps 

Stage 8 – Actuaire / Data Scientist (F/H) – Modélisation de la résiliation et optimisation tarifaire

Contexte :

Au sein de l’équipe d’optimisation tarifaire, vous participerez à la modélisation de la résiliation des clients et à l’optimisation des tarifs pour améliorer la fidélisation.

Missions :

• Analyser la sensibilité des clients au prix pour mieux comprendre leur comportement et ajuster les tarifs.
• Implémenter des modèles de machine Learning pour estimer la sensibilité au prix.
• Intégrer ces modèles dans le processus d’optimisation tarifaire pour améliorer la rétention des clients.

Le poste est basé à Suresnes (92) à proximité de la Défense

L’Expérience Collaborateur est pour nous essentielle pour la réussite de notre entreprise.

• Nous proposons des parcours de développement professionnel en adéquation avec la transformation digitale du secteur de l’assurance pour enrichir leur panel de compétences.
• Nous avons à cœur de célébrer nos réussites. La convivialité qui nous anime est le fruit de la diversité des profils que nous recrutons.
• Nous disposons de multiples avantages (congés, temps partiel, télétravail, etc.)
• Nos locaux proposent un cadre de travail moderne avec une mise à disposition d’espaces de détente (baby-foot, cafétéria) et de services (espace forme, places en crèche…) pour une Expérience Collaborateur réussie !
• Nous nous engageons en faveur de la lutte contre les discriminations et soutenons la diversité et l'égalité des chances. Tous nos emplois sont ouverts aux personnes en situation de handicap.

Si ce poste vous intéresse et si la perspective de contribuer fortement au développement de l’entreprise dans un environnement innovant et dynamique vous motive, rejoignez-nous !

Profil recherché pour tous les stages :

Formation : Étudiant(e) en dernière année d’une école d’ingénieur ou ayant suivi une formation en Data Science, Actuariat, Statistique ou Économie.

Compétences techniques :

• Bonnes connaissances en probabilités, statistiques et Machine Learning.
• Maîtrise de la programmation en Python, SQL, et outils connexes (R, Spark selon les stages).
• Connaissance des bonnes pratiques de développement logiciel et des outils MLOps (Git, CI/CD, MLFlow).

Compétences personnelles :

• Autonomie, rigueur, et force de proposition.
• Goût pour le travail en équipe, avec un bon sens de la communication.
• Motivation et implication dans un environnement dynamique et innovant