Mémoire d'actuariat

Modélisation du risque annulation
Auteur(s) BENAHMED Nagy
Société AXA Global Direct
Année 2016
Confidentiel jusqu'au 09/11/2018

Résumé
Le levier de croissance le plus important pour un assureur est celui des affaires nouvelles. Un important dispositif (marketing et digital dans le cas de l'assurance en directe) est déployé pour gagner davantage de parts de marchés. Le marché du direct présente un fort potentiel de croissance mais reste fragilisé par sa structure. A partir du paiement de la prime, en attendant de pouvoir contrôler et valider les pièces justificatives, l'assureur accepte de couvrir le risque. Cette étape de validation requiert un certain temps compris dans le processus de souscription. Cependant, ce délai peu conduire à l'annulation des affaires nouvelles. En effet, il existe quatre grands motifs qui conduisent à l'annulation d'une affaire nouvelle ; le traitement hors délais : le client n'a pas envoyé l'ensemble des justificatifs exigés ; le rejet de la compagnie : à la réception des justificatifs, l'assureur s'aperçoit que le risque est en dehors de sa politique d'acceptation ; le sans effet : le client annule son contrat avant la date d'effet ; ou, plus rare, le refus client : l'assuré change d'avis et ne veut plus devenir client. Il est capital, pour la compagnie ayant des ambitions de croissance, de réduire le taux d'annulation. Pour cela il serait souhaitable de pouvoir adapter un protocole ou un plan d'action spécifique à chaque client. L'objectif de cette étude est donc, dans un premier temps, de définir un modèle permettant de détecter les annulations et, dans un second temps de définir un modèle permettant de détecter le motif le plus probable d'annulation. Ces modèles devront être le plus performant possible, et il sera vu que même s'il existe des techniques innovantes censées améliorer la performance des prédictions, le cadre métier fera qu'elles ne sont pas forcément celles que l'on retiendra. En effet, d'une part, l'implémentation et la mise en production de ces derniers reste compliqué mais aussi le relatif faible gain en performance qu'ils apportent ne justifierait pas de les retenir. Cette étude illustrera également des potentiels impacts décisionnels que ces modèles engendrent. Nous aborderons enfin une piste d'amélioration de la performance des modèles, à savoir la création de nouvelles données. Le challenge de détection des annulations consiste à identifier des facteurs qui influent sur le comportement du client et le risque d'annulation, et il est intéressant de créer et d'utiliser de nouvelles variables issues d'observations ou encore d'autres modèles.

Abstract
The main growth leverage for an insurance company is that of the new businesses. An important disposal (marketing and digital in the case of the direct insurance market) is deployed to win more market share. The direct insurance market has great growth potential but is weakened by its structure. From the payment of the premium, the insurer agrees to cover the risk while waiting to check and validates the vouchers. This validation step requires some time include in the underwriting process. However, this period may lead to the cancellation of the new businesses. Indeed, there are four major reasons that lead to the cancellation of a new business; treatment out of delays: the customer did not send all the require documents; rejection company: upon receipt of evidence, the insurer finds that the risk is outside its acceptance poicy; without effect: the customer cancels his contracts before the effective date; or more rarely, customer rejection: the insured changes his mind and does not want to become a customer. It is crucial for the company with growth ambitions to reduce the cancellation rate. For that, it would be desirable to adapt a protocol or a specifiec action plan for each customer. The aim of this study is firstly, to define a model able te detect cancellations and, in a second time to define a model which detect the most likely cancellation's motive. Those models need to be as efficient as possible, and it will be seen that while it exists innovative technical supposed to improve performance predictions, the business framework makes they will not necessarily be those that will retain. Indeed, firstly, implementation and production start of those models remain complicated, but also in our case the relatively low performance gain they bring does not justify retainin them. This study also illustrates the potential impacts decision that these models generate. Finally, we discuss a model performance improvement track: the creation of new data. The cancellations detection challenge is to identify factors that influence customer behavior and the risk of cancellation, and it is interesting to create and use new variables derived from observations or other models.

Mémoire complet