Mémoire d'actuariat

Modèle de conversion en multi-risque habitation
Auteur(s) DJIGBENOU Mahougnon Eunice
Société Allianz France
Année 2019
Confidentiel jusqu'au 14/11/2021

Résumé
L'une des missions principales d'un service de tarification est la mise à jour de ses tarifs. Afin de mener à bien cette mission tout en respectant ses objectifs de rentabilité, l'assureur doit analyser l'impact de cette mise à jour sur ses indicateurs des rentabilité technique. Pour mesurer ces indicateurs, il faut tenir compte du comportement du consommateur mais aussi de l'environnement concurrentiel dans lequel la compagnie d'assurance se trouve. Ce mémoire aborde les différentes méthodes qui seront utilisées dans le but de tenir compte de la souscription / non-souscription d'un souscripteur potentiel en cas de modification de tarif : c'est le modèle de conversion. La première partie sera consacrée à la présentation du contexte général afin de présenter les indicateurs de rentabilité technique. La seconde partie sera consacrée à la présentation des données et à la construction des indicateurs de compétitivité. La troisième partie introduira les méthodes utilisées pour la construction du modèle de conversion : la régression logistique et des algorithmes de Machine Learning. La dernière partie mettra en avant l'application des différentes méthodes : en allant de la présentation de résultats à leur interprétation. En ayant recours à l'algorithme Local Interpretable Model-Agnostic Explanations (LIME), des interprétations locales de la méthode retenue seront effectuées.

Abstract
One of the main assignments of a pricing service is the updating of tariff. In order to carry out this mission while respecting its profitability objectives, the insurer must analyze the impact of this update on its technical profitability indicators. To measure these indicators, the consumer's behavior must be taken into account, as well as the competitive environment. This thesis presents different methods that take into account the underwriting / non-underwriting of a potential underwriter after updating tariff: this is the conversion model. The first part will be devoted to the presentation of the general context in order to presente the technical profitability indicators. The second part will be devoted to the presentation of data and the construction of competitiveness indicators. The third part will introduce the methods used to build the conversion model: the logistic regression and Machine Learning algorithms. The last parrt will highlight the application of different methods: from the presentation of the results to their interpretation. By using the Local Interpretable Model-Agnostic Explanations (LIME) algorithm, local interpretations of the best method will be done.