Séminaire RGA / Decavi Modèles prédictifs : quelles utilisations pour améliorer les processus de souscription en assurance de personnes ? Bruxelles, 29 avril 2014 David Dubois, Actuaire-Expert ERM, CERA Directeur du Développement, RGA France Damien Migout, Actuaire Souscripteur, RGA France
La modélisation prédictive est un processus par lequel on cherche à identifier le meilleur modèle qui va permettre d'estimer la probabilité de survenance d'un événement ou d'un comportement. En ce sens, elle est un outil d'aide à la décision.
Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Séminaire RGA / Decavi
Modèles prédictifs :
quelles utilisations pour améliorer les processus de
souscription en assurance de personnes ?
Bruxelles, 29 avril 2014
David Dubois, Actuaire-Expert ERM, CERA
Directeur du Développement, RGA France
Damien Migout, Actuaire
Souscripteur, RGA France
2
3
Processus par lequel un modèle est choisi et mis en
œuvre pour prédire au mieux la probabilité de réalisation
d’un évènement ou d’un comportement futur
Faciliter la prise en compte et l’interprétation
des « bonnes » informations dans le
processus décisionnel
Disponibilité et qualité de données
factuelles fondamentales au
développement de modèles robustes
Interprétation des résultats préalable au
développement du modèle prédictif
Prédiction d’une probabilité de survenance
en tant qu’aide à la prise de décision dans
un environnement incertain
Qu’est-ce que la modélisation prédictive ?
Amélioration radicale
(sélection, tarification,
sinistre)
Expansion des
informations disponibles
Stockage et traitement des bases de données
Expertise en techniques statistiques
Logiciels de traitement
Puissance de
traitement des
informations
Tests des modèles à l’épreuve des faits
Pourquoi parler de modélisation prédictive ?
4
Innover dans les processus
Pression concurrentielle
Réactivité
Contrôle & discipline
Innovation des processus
Sélection des risques
• Identification rapide des facteurs de risque
• Accélération des décisions
• Tri en amont des propositions
• Compréhension des résultats de souscription (taux d’acceptation et de refus)
Sinistre
• Scoring
• Détection de la fraude
• Détection des comportements anormaux / atypiques
Développement produit
• Variables de tarifications
• Meilleure intégration des corrélations
• Optimisation du prix
• Identification du meilleur modèle de tarification
5
Ventes et Marketing
• Amélioration des taux de retour client
• Recommandations par cible
• Recrutement des réseaux
Analyse de l’expérience
• Facteurs discriminants de la sinistralité
• Moins de crédibilité aux analyses univariées
• Tables d’expérience
Gestion
• Gestion de la relation client (fidélisation)
Quelques exemples d’application dans l’assurance
Tarification en assurance de personnes
6
Trop souvent résumée en un problème univarié
dans un univers additif !
+ CSP Risque
aggravé
SEXE
X
Classiquement, à l’aide de tests statistiques dans les modèles
« classiques »
Scores obtenus par régression logistique ou analyse discriminante
Modèle de Poisson
Modèles linéaires généralisés
Inconvénients
Liste souvent restreinte à des indicateurs classiques
Tests peu informatifs sur de grands jeux de données (tout est significatif !)
Nécessité de nouvelles méthodes de validation (échantillons test, bootstrap)
7
Recherche de variables tarifaires : problème multivarié
Comment choisir les bonnes variables ?
Corrélation Colinéarité entre prédicteurs numériques ou dépendance entre prédicteurs
qualitatifs (2)
Eviter de garder des variables corrélées
Possibilités de « proxy »
Interaction Action différenciée sur la réponse (sinistralité) d’une variable selon les valeurs
d’une autre
Effet d’atténuation des effets d’une variable sur une autre
Amélioration de la prédictibilité des modèles
Omission d’une variable explicative
Situation fréquente (mauvaise identification ou réglementation)