Mémoire d'actuariat

Prédiction des mises en demeure : Contribution à la réduction des impayés et à la segmentation de la garantie RC
Auteur(s) JAMAI El Mehdi
Société AXA France
Année 2019
Confidentiel jusqu'au 31/01/2021

Résumé
Les mises en demeure sont synonymes d'absence ou de retard de paiement. Cela engendre des répercutions sur le pilotage du portefeuille, à cause de la singularité de la gestion par mutualisation relative au domaine assurantiel. Il est donc important de se prémunir contre ce risque. Ainsi, nous avons mis en place un scoring quantifiant le risque de survenance des mises en demeure grâce à des techniques de Machine Learning (Gradient Boosting, Random Forest, et.). Les assurés ayant opté pour le paiement mensuel, s'avèrent plus risqués que la moyenne. Leurs primes sont donc majorées de manière uniforme. Le scoring construit a servi à mettre en place des classes de risques, qui peuvent être utilisées pour rééchelonner la majoration du paiement mensuel selon le risque de l'assuré, voire l'interdire. Dans un deuxième temps, nous avons cherché à connaître l'impact de la prédiction des mises en demeure sur la garantie responsabilité civile. Pour cela, nous avons adopté une modélisation fréquentielle, dont les résultats ont montré que la prédiction de la fréquence des mises en demeure, permet d'améliorer celle de la fréquence RC. Finalement, des pistes d'amélioration existent, et nécessitent une analyse plus fine. En effet, il sera intéressant, par exemple, de pouvoir établir la même démarche du côté MRH (Multirisques habitation), et d'agréger l'ensemble des résultats pour les multi-détenteurs.

Abstract
The formal notices are equivalent to a non-payment or delayed ones. This has repercussions on the steering of the portfolio, because of the singularity of the pooling risks management of insurance. Thus, it is important to guard against this risk. Therefore, we have implemented a scoring quantifying the risk of the occurence of formal notices trough Machine Learning techniques (Gradient Boosting, Random Forest, etc.). The insurees who tend to choose the monthly based payment have a riskier profile. So, their premium is uniformly increased. The scoring built was used to set up risk classes, which were used to reschedule the increase in the monthly payment according to the risk of the insured, or even prohibit it. In a second step, we sought to know the impact of the prediction of formal notices on the civil liability guarantee. For this, we adopted a frequency modelling, the results of which showed that the prediction of the frequency of the formal notices, makes it possible to improve that of the frequency RC. Finally, improvement tracks exist, and require a finer analysis. Indeed, it would be interesting, for example, to be able to establish the same approach on the side of the HRM (Multi-Risk home), and aggregate the set of results for multi-holders.