Les analyses de données peuvent aider les institutions de sécurité sociale à améliorer leur efficacité et efficience administratives en leur permettant de comprendre le passé, d’expliquer les causes des événements et d’informer sur ce qui risque d’arriver, ainsi qu’en proposant des mesures adaptées. Les institutions pourraient tirer parti des analyses de données dans une grande diversité de domaines, notamment les soins de santé, la détection et la prévention des erreurs, l’évasion et la fraude fiscale, la conception de programmes et de politiques sociales proactives, les projections actuarielles, l’amélioration de la livraison des services, etc.
Les analyses de données reposent principalement sur les données de l’institution et, parfois, sur les données d’une institution extérieure qui, après préparation, sont analysées afin d’obtenir des renseignements grâce à des méthodes d’analyse variées, en particulier:
- l’analytique descriptive, qui tente de répondre à la question «Que s’est-il passé?». Ce type d’analyse aide à comprendre les transactions effectuées dans le passé au sein de l’organisation;
- l’analytique de diagnostic, qui tente de répondre à la question «Pourquoi ou comment est-ce arrivé?». Il s’agit de comprendre la relation entre des ensembles de données identifiables et l’identification de transactions spécifiques, ainsi que leurs comportement et leurs raisons sous-jacentes;
- l’analytique prédictive, qui tente de prédire «Ce qu’il va arriver, quand et où», d’après des données du passé. Des techniques prévisionnelles servent parfois à prédire, dans une certaine mesure, l’issue future d’une activité;
- l’analytique prescriptive, qui permet de prescrire une série d’actions éventuelles à l’entrée, afin que les résultats futurs soient modifiés pour obtenir la solution désirée. Dans ce type d’analyse, de multiples scénarios futurs peuvent être identifiés grâce à différentes interventions à l’entrée.
L’analytique du big data repose sur d’énormes volumes de données généralement supérieurs à ceux des transactions des institutions. Le big data est caractérisé par les «4V»: volume, variété, vélocité et véracité. Par exemple, une source potentielle de données massives pourrait être un appareil médical à domicile qui surveille les signes vitaux des patients. L'analytique du big data nécessite une révision profonde des techniques d’analyse de données, et ce, à chaque étape, de l’acquisition des données et leur stockage à leur transformation et interprétation, sans omettre la collecte et l’analyse des données, véritablement au cœur de l’analytique du big data.
En ce qui concerne l’assistance à la prise de décisions grâce à l’apprentissage automatique, les principales techniques sont les suivantes:
- l’apprentissage inductif qui repose sur des modèles construits à partir d’une généralisation d’exemples;
- l’apprentissage déductif qui repose sur la déduction pour obtenir des généralisations à partir d’un exemple résolu et de son explication;
- l’apprentissage génétique, qui utilise des algorithmes inspirés de la théorie de l’évolution, sert à trouver des descriptions générales appliquées à des groupes d’exemples;
- l’apprentissage connexionniste dans lequel la généralisation est obtenue grâce à des mécanismes d’adaptation des réseaux de neurones artificiels.
Les principaux objectifs de cette section sont d’aider les institutions de sécurité sociale à appliquer les analyses de données et à adopter des technologies émergentes.
Ces lignes directrices visent essentiellement à guider le service TIC dans la mise en œuvre et la fourniture d’outils et services équipant efficacement les secteurs métiers. Elles ont également vocation à fournir à la direction de l’institution des conseils sur l’utilisation des dernières technologies de pointe. Enfin, ces lignes directrices amènepeut-être les équipes techniques chargées de concevoir et de mettre en œuvre les services mobiles à adapter leurs capacités à de nouveaux besoins qu’elles les aide à définir.