Mémoire d'actuariat

Modélisation des versements libres en assurance-vie : utilisation de méthodes de scoring
Auteur(s) BENABDELKRIM Fatima Zohra
Société Generali
Année 2017
Confidentiel jusqu'au 22/11/2019

Résumé
Pour une gestion optimale de leur portefeuille d'assurés, il est aujourd'hui essentiel pour les assureurs de capitaliser sur la connaissance de leurs clients. Le sujet de ce mémoire a pour but de fournir une meilleure connaissance des clients du périmètre Epargne en analysant leur appétence aux versements libres. L'étude distingue cinq segments correspondants à des partenaires commerciaux différents. Dans cette optique, le but de la présente étude a été d'attribuer un score d'appétence aux versements à chaque assuré, afin de déterminer les caractéristiques ou variables qui ont le plus d'impact sur ce type de mouvements. Pour déterminer ces scores deux méthodes de machine learning ont été utilisées afin de modéliser la probabilité du mouvement de versement : les Forêts aléatoires et le gradient Boosting. Cela a donc permis d'attribuer une probabilité de versement à chaque client. Les modèles ont été construits sur les bases de données les plus anciennes et testés sur la base de données 2016. Une fois que chaque contrat s'est vue affecté une probabilité de versement sur l'année, cette donnée a été utilisée pour établir trois catégories d'assurés en fonction de leur comportement en termes de versement à l'aide d'un arbre de décision. Les catégories ainsi créées pourront servir d'indicateur aux commerciaux, afin d'affiner leurs cibles et orienter les clients selon les décision stratégiques de la compagnie en ce qui concerne la collecte.

Abstract
For the optimal management of their portfolio of insurance contracts, it is now essential for insurers to capitalize on the knowledge of their clients. The purpose of this thesis is to provide a better knowledge of the clients of the Savings business lines by analyzing their appetite for free premiums. The study focuses its interest on five different business partners. The purpose of this study was to assign an appetence score for the premiums of each insured perdon in order to fin the characteristics or variables that have the greatest impact on this type of transaction. To calculate these scores, two machine learning techniques were used to provide a modelisation of the probability of having a free premium on the contract: Random Forests and the gradient boosting. This allowed us to assign a probability to each client. The models were built on the oldest data and tested on the data of 2016. Once each contract has been allocated a probability over the year, this data was used to establish 3 categories of insured people according to their behavior in terms of premiums using a decision tree. The categories created will serve as an indicator to salespeople, in order to refine their targets and guide customers according to the strategic decisions of the company regarding this type of transaction.