Mémoire d'actuariat

Prédiction de la sinistralité automobile et anticipation de la mise en surveillance
Auteur(s) YVEN O.
Société Generali
Année 2020
Confidentiel jusqu'au 15/12/2022

Résumé
L’activité de surveillance s’inscrit dans un objectif de maintien de la rentabilité d’un portefeuille. En détectant une population d’assurés qui présente une sinistralité anormale, elle permet la mise en place de mesures de réaménagement de contrat d’assurance, comme l’ajustement de la prime au risque associé, l’augmentation de la franchise ou plus définitivement la résiliation du contrat. En effet, une sur-sinistralité présente un risque pour l’assureur et la mutualisation du risque lorsque celui-ci devient anormalement fréquent. Prévoir les comportements de sinistralité anormale permettrait de prévenir le risque de sinistres et la mise en surveillance. Ce mémoire développera une démarche permettant d’avoir une vision de la sinistralité future afin d’anticiper la réalisation du risque et donc la mise en surveillance. Nous utiliserons des techniques de machine learning tels que le gradient boosting et les modèles linéaires généralisés afin d’estimer la survenance. L’objectif est d’anticiper une population d’assurés répondant aux critères de surveillance déjà mis en place à Generali, au moyen des résultats obtenus sur la sinistralité future et de l’observation de la sinistralité passée. Mots clefs : Surveillance automobile, Machine learning, XGBoost, Sinistralité passée et future, Open data.

Abstract
The monitoring activity is part of an objective of controlling the profitability of a portfolio. By detecting a population of insured with an abnormal accident rate, it allows the implementation of insurance contract management measures, such as the adjustment of the main associated risk, the increase of the excess and the closing of the contract. Indeed, an excess risk represents a risk for the insurer and the pooling of risks when the latter becomes abnormally frequent. Foreseeing abnormal loss behaviors would help to reduce the risk of claims and supervision. This essay will develop a way to get a vision of the future disaster in order to anticipate the realization of the risk and the supervision. We will use machine learning techniques such as the boosting gradient and the generalized linear models to estimate the occurrence. The objective is to anticipate a population of insured answering the monitoring criteria that has been put in place at Generali, using the results obtained on the future claims and the observation of the past loss. Keywords : Car supervision, Machine learning, XGBoost, Past and futur claims, Open data.