Mémoire d'actuariat

Rétention aux changements de domicile en Multirisque Habitation
Auteur(s) GASIGLIA Anthony
Société AXA Global Direct France
Année 2018
Confidentiel jusqu'au 07/02/2020

Résumé
Nous sommes sur le marché du "direct" chez Direct Assurance et nous travaillons sur le produit Multirisque Habitation qui constitue un portefeuille de 170 000 polices. Depuis l'assouplissement et la procédure de résiliation des contrats d'assurance (loi Hamon de 2015), le marché de l'assurance non-vie s'est libéralisé. Les études de rétention ont pour objectif d'améliorer la durée de vie des contrats et sont à présent au coeur des problématiques actuarielles. Direct Assurances est particulièrement concerné par cela, de par un portefeuille plus volatil que le marché. Nous nous concentrons sur une résiliation particulière, celle qui survient lorsque le client change de bien à assurer. Cet évènement est responsable du départ d'un assuré sur deux et est identifié comme un axe de progression pour améliorer la rétention du produit. Le changement de risque génère une résiliation sur deux et les premières analyses soulignent qu'une grosse partie des clients résilient directement le contrat sans interagir avec la compagnie. Le tarif proposé pour assurer le nouveau bien semble alors peu mis en cause dans la problématique globale. Nous constatons un réel besoin d'anticiper ce motif de résiliation afin d'identifier les clients en portefeuille fragiles. Aussi, dans un contexte où la connaissance client devient centrale, pourquoi ne pas anticiper tout simplement le changement de risque de l'assuré. Le modèle que nous proposons est un modèle "fréquence / coût" appliqué à la rétention. Nous construisons un premier scoring sur la probabilité qu'un client en portefeuille change prochainement de bien à assurer. A priori, nous pensons qu'il s'agit des variables décrivant le risque (l'âge du client, son statut marital ou la surface du logement) qui expliquent cet évènement. Nous construisons ensuite un second scoring sur la probabilité de résilier le contrat sachant le changement de risque du client. Ici nous imaginons qu'il s'agit plutôt des variables de prix qui seraient explicatives. De par la formule de la probabilité conditionnelle, la multiplication des deux scores correspond au score initialement souhaité, c'est-à-dire à la probabilité qu'un client en portefeuille résilie prochainement suite à un changement de risque.

Abstract
The context of this study is the online insurance market, core business of Direct Assurance, and specifically the "Comprehensive Home Insurance" product, that is made of 170 000 policies as of today. Ever since the adoption of the Hamon Law (2015), which makes the cancellation of insurance policy easier, the P&C insurance market has been liberalized. Studies on how to withhold the client aim to improve the lifespan of those policies, and have thus become key to solving these actuarial issues. "Direct Assurance" is especially subject to this, considering its market and the volatility of its insurees. Here we focus on a specific type of cancellation, the one that occurs when an insuree changes property. This event is responsible for the loss of one insuree out of two and has been singled out to improve the withholding of the product. As stated before, the change in property is responsible for a termination of policy out of two. Previous studies underline the fact that a huge part of those insurees cancell their policies without contacting the insurance company. The price they pay to insure their new property seems not to be the main reason for their cancellation. Consequently, there is a real need for the insurance company to identify those insurees and anticipate their change in property as well as the possible termination of the policy, in a context where knowingthe client becomes more and more important. The model proposed here is a "frequency / cost" model applied to the withholding of insurees. We will first build a scoring enabling us to predict a change in property for the insuree in the months to come. At first glance, we believe it is data describing the risk that can help predict this event (insuree's age, his marital status, or the size of his property). We then build a second scoring to predict the termination of the insurance policy knowing the insuree has changed property. There, we believe the data to be used to predict this event would be linked to the price of the insurance policy. Finally, according to the conditional probability formula, multiplying those two scoring enable us to predict whether and insuree that has recently moved house will terminate his policy.