Mémoire d'actuariat

L'Assurance Pay When You Drive, Introduction à la tarification
Auteur(s) LY Vanessa
Société Wilov
Année 2019
Confidentiel jusqu'au 24/01/2024

Résumé
L'assurance Pay when you drive est l'assurance automobile dernier-cri qui a fait ses début en 2017. Le concept est simple et efficace : permettre aux conducteurs occasionnels de payer une assurance automobile plus adaptée à leur usage, en créant le forfait 24h de l'assurance auto. Il a pu naître grâce à une technologie unique développée par Wilov de détection des trajets associée à une application fonctionnelle et pratique. Au-delà de l'aspect technique, c'est le concept global de l'assurance automobile que Wilov souhaite mettre au goût du jour. Dans sa volonté d'innover, d'être à la pointe de la technologie et d'avoir une croissance exponentielle rapide, Wilov souhaite pouvoir utiliser l'intelligence artificielle dans tous les domaines où elle pourrait être utile. Dans cette étude, l'apprentissage automatique est appliqué à la tarification pour répliquer le plus rapidement possible le tarif le plus juste. Le processus de tarification doit être revu dans sa totalité pour s'adapter à la formule Pay when you drive ; cette étude en détaille certains éléments. La première étape de tarification pose une difficulté : la simplification des hypothèses, ou la réduction des variables. Cela est nécessaire car la quantité d'informations demandées à un prospect est plus réduite que chez les autres assureurs, dans le but d'alléger le processus de souscription. Des réseaux de neurones sont appliqués à l'estimation du modèle de tarification original, pour voir s'ils s'ajustent mieux à la perte d'information que le GLM. La seconde étape consiste à adapter le tarif actuel à la nouvelle formule : une base de paiement mensuel (pour les risques permanents, non liés à l'utilisation du véhicule) et un forfait à la journée (pour les risques variables engendrés par la conduite). Enfin, on cherche à automatiser une partie de la tarification grâce à un apprentissage par renforcement. Cet apprentissage donne de la flexibilité au tarif, puisqu'il s'adapte au fur et à mesure des observations et des réactions des prospects. Il permettrait également d'effectuer un suivi de l'élasticité des assurés, ce qui laisserait l'occasion de modifier le tarif si besoin.

Abstract
"Pay when you drive" insurance is the most recent type of motor insurance. It started in 2017 with a vey innovative design and concept: a 24h-insurance is granted at will, instead of the usual yearly premium. How smart is it ? Fewer and fewer people use their car for daily use. As use is changing, so should the motor insurance. The implementation of this "à la carte" cover was only possible thanks to the unique technology developed by Wilov: a small ndevice easily detects trips and is nicely connected to a very friendly-user app. More than a technical achievement, Wilov pretends to freshen the car insurance industry up. The first goal of Wilov must be the scalability, in order to have an exponential growth. That is why artificial intelligence and the most innovative methods are used as much as possible for better efficiency. In the present study, machine learning is implemented to pricing for a fast and fair replication of previous premium. The whole process of pricing must be adapted to fit the pay when you drive model. Some parts of the process are detailed in this study. The first step of pricing arises an issue: the simplification of hypothesis through reduction of the number of variables. Neural networks are implented to the estimation of the original pricing model. A comparison with GLM shows that it is more adapted to the loss of information. The second step consists in adapting the current premium to the new format: a monthly basis part (for the permanent risks unrelated to the vehicle use) and a day fee which varies with use (for the variable risks depending on the car use). Eventually, the implementation of reinforcement learning was found interesting for more autonomy. This technique makes pricing more flexible, as it adapts itself to the growing number of observations and reactions of prospects. It is also a good way to monitor custormers' elasticity, and allows tuning in pricing if needed.