[nom]

Data Scientist - Analyste en Actuariat - Développeuse Python - Recherche un CDI

[e-mail] · [téléphone]

[adresse]

Profil

Je travaille actuellement comme consultant actuariel, avec 2 ans d’expérience en actuariat et 1 an en data science. J’interviens sur la modélisation ALM et la projection de cash-flows, en m’appuyant sur une expertise en développement Python et en analyse de données. À l’aise avec Python, Excel et Talend, je sais identifier des tendances, concevoir des modèles robustes et résoudre des problématiques complexes avec rigueur et sens du détail.

Expérience

Analyste en actuariat - Chargée de Modélisation · de mai 2024 à ce jour

Novacture, France

Temporaire Décès : conception/développement de modèles de projection de cash-flows (primes, prestations), provisions techniques et trajectoires de passif.

Modèles actuariels Python (reprise & amélioration d’outils Excel) : structuration du code, automatisation, contrôles de cohérence, fiabilisation et optimisation des performances (calculs vectorisés).

Data management sous Excel (volumétrie élevée) : nettoyage, contrôles qualité, consolidation, mise en forme et préparation des données pour la modélisation.

IFRS 17 – Dry Runs : préparation des inputs, exécution des calculs, analyses d’ écarts et support à la production des livrables.

Validation & tests : campagnes de tests fonctionnels et techniques pour garantir la fiabilité et l’exactitude des modèles.

Monte Carlo : conception de prototypes et animation de workshops (cadre, hypothèses, scénarios, restitution).

ALM Vie (Épargne) : élaboration de modèles de projection actif–passif, intégrant les spécifications techniques et fonctionnelles.

Data Scientist - Développeuse Python · de févr. 2023 à janv. 2024

Bridges.SA, Tunisia

Développement d’un modèle prédictif permettant de déterminer à quel moment une police d'assurance santé deviendrait rentable ou non. En utilisant des techniques sophistiquées de modélisation statistique, ce projet avait pour objectif de créer un modèle prédictif fiable permettant d'anticiper si une police spécifique pourrait gagner ou perdre en popularité

Analyse exploratoire des données : Étude des données pour identifier des tendances, des motifs et des relations utiles pour la prévision.

Classification des clients à l'aide de modèles : Mise en œuvre de méthodes telles que le clustering k-means et DBSCAN.

Développement de modèles de prévision : Utilisation de techniques statistiques et d'apprentissage automatique pour implémenter des modèles de prévision

(régression linéaire, réseaux neurones).

Évaluation des modèles : Analyse de la précision des modèles de prévision à l'aide de métriques telles que RMSE, MAE et R².

Optimisation des modèles : Amélioration des modèles de prévision en ajustant les paramètres et en appliquant différentes techniques d'apprentissage automatique.

Interprétation des résultats : Interprétation des résultats des modèles de prévision et communication efficace auprès des parties prenantes du projet.

Automatisation : Automatisation du processus de prévision à l'aide d'outils et de technologies Python.

Outils : Python, Time Series Analysis, Univariate and Multivariate Time Series.

Stage de fin d’études (Projet de fin d’études) · de mars 2022 à sept. 2022

Axefinance, Tunisia

Étude de scoring crédit – Behavior Scorecard.

Nettoyage et préparation des données financières et de crédit des emprunteurs potentiels : historique de paiement, profil crédit, revenus et niveau d’endettement.

Analyse exploratoire des données : analyses univariées et bivariées.

Transformation des données : calcul du Weight of Evidence (WoE), Analyse en Composantes Principales (ACP) pour la réduction de dimension.

Développement, évaluation et interprétation de modèles de machine learning :

régression logistique, arbres de décision, Random Forest, XGBoost, LightGBM.

Validation des modèles et évaluation des performances (pouvoir prédictif, stabilité, robustesse).

Calcul des scores de crédit et modélisation de la Probabilité de Défaut (PD).

Amélioration du test de Pseudo-R² et des indicateurs de qualité du modèle.

Technologies et outils : Python, probabilités et statistiques, machine learning, Pandas, NumPy.

Compétences Clés

Modélisation ALM & projection de cash-flows (Best Estimate) sur portefeuilles Vie/Prévoyance :

calibration des hypothèses techniques, modélisation des stratégies d’investissement et de liquidité, et analyse d’impacts.

Modélisation des actifs obligataires –

ALM sous SimBEL :

projection/valorisation (cash-flows, actualisation), analyses de sensibilité aux taux (duration/convexité), cohérence avec l’allocation et les trajectoires ALM (obligations, actions, immobilier, trésorerie).

Modélisation stochastique des taux

(ex. Vasicek) : calibration et génération de scénarios pour projections et stress tests.

Industrialisation des données actuarielle/finance : préparation de datasets volumineux (polices, cash-flows, sinistres), data quality checks, traçabilité.

Data & outils : Python(Dask, Pandas, NumPy), SQL, Excel/VBA, R ; Talend, Github.

Langues

Français

English

Formation

Master Modélisation Mathématiques déterministe et aléatoire

Ecole Nationale d'Ingénieur de Tunis, Tunis de sept. 2020 à déc. 2022

Licence fondamentale

Mathématiques

Faculté des sciences de Tunis, Tunis de sept. 2015 à mai 2019

Acivités

Centres d’intérêt : Musculation / fitness, course à pied

(21K–marathon), natation, randonnée