Accueil Nos articles [Data Insights] Risque absentéisme et forecasting

[Data Insights] Risque absentéisme et forecasting

Publié le


Recevez nos dernières analyses, publications techniques et actualités du secteur de l’assurance directement dans votre boîte mail.


Pourquoi s’intéresser au risque absentéisme ?

L’absentéisme est devenu un enjeu préoccupant et croissant dans le monde du travail. Avec des objectifs de réduction des coûts liés aux absences pour les entreprises et des enjeux de réduction des risques pour les assureurs, l’absentéisme peut être étudié, modélisé et anticipé grâce à l’exploitation des données DSN (Déclaration Sociale Nominative). L’étude de l’absentéisme passe par la création d’indicateurs permettant de quantifier et qualifier le risque au sein d’un portefeuille de salariés.

Dans cette nouvelle publication nous adresserons les problématiques suivantes :

Comment modéliser et expliquer le risque absentéisme grâce à l’apport de la data science et aux algorithmes prédictifs ?

A partir de diverses informations (caractéristiques des entreprises et des salariés, consommation santé, données Open Data etc.), une modélisation du risque absentéisme est possible au travers de la modélisation d’une variable cible.

Comment passer de la modélisation traditionnelle au forecasting ?

L’absentéisme comporte une dimension temporelle difficilement prise en compte par les modèles classiques de Machine Learning, réputés « statiques » dans l’apprentissage.

Quelles nouvelles variables peut-on utiliser pour s’adapter au contexte de pandémie qui perturbe l’évolution du risque absentéisme ?

Des modèles de Machine Learning préalables ont permis de connaître les variables les plus influentes dans la prédiction du risque absentéisme.

Téléchargez dès maintenant notre Data Insights sur le « Risque Absentéisme et Forecasting » :

Banner Pricing

Exposition en Machine Learning et modèles GLM

Les méthodes de Machine Learning réputées pour leur performance et leur adaptabilité concurrencent les méthodes GLM et GAM.

 

Lire l’article >


Rédigé par nos experts

Read also