Mémoire d'actuariat

Modélisation du taux de transformation et élasticité au prix
Auteur(s) ROBERT Théophile
Société AXA France
Année 2019
Confidentiel jusqu'au 29/01/2021

Résumé
Le but de ce mémoire est d'estimer la probabilité qu'un devis se convertisse en contrat afin d'effectuer des ajustements sur le tarif proposé. Cette étude s'effectuera sur la base des devis du produit Multi-Risques Habitation "Ma Maison" d'Axa France, non encore exploitée. Notre objectif est de construire un modèle prédictif de la conversion d'un devis. Pour cela, après avoir construit notre base de données, nous comparerons les performances de la régression logistique (de la famille des modèles linéaires généralisés) avec celles du Gradient Boosting Machine (algorithme de Machine Learning). Nous sélectionnerons l'algorithme le plus adéquat. Nous nous intéresserons notamment à la stabilité de la prédiction, à la robustesse du modèle, à sa qualité de segmentation et à son explicabilité. Une fois notre modèle de prédiction établi, nous chercherons à étudier le comportement des prospects (souscription ou non) à la variation de prix, nous l'appellerons élasticité du prix. La stratégie sera de modifier certaines composantes de la prime affaire nouvelle afin d'optimiser la marge réalisée par contrat ainsi que le nombre de souscriptions.

Abstract
The main goal of this thesis is to estimate the probability that an insurance quote converts into a policy and then to use this information to optimize a New Business pricing algorithm. We will work on a dataset containing quotes for AXA France's home insurance product, known as "Ma Maison". This is the first time this dataset will be used by AXA France. Our aim is to build a predictive model which predicts the conversion probability of a quote. In doing so, we will compare the advantages and disavantages of two predictive modelling algorithms: logistic regression (via Generalized Linear Models) and the Gradient Boosting Machine (a Machine Learning algorithm). We wil take these technical consideration into account when choosing which algorithhm to use to fit our model. We will focus in particular on the stability of the prediction, the robustness of the model, its segmentation as well as its explicability. Once we have built our first predictive conversion model, we will look at prospective customers' price elasticity - that is to say the impact of price variation on an individual's conversion rate. We can then try and use this information to optimize our pricing algorithm in order to maximize the expected profit margin of our New Business book.