Mémoire d'actuariat

Optimisation de ciblage de clients appétents aux unités de compte avec l'application d'algrithmes de machine learning
Auteur(s) STRAUSS Thomas
Société CNP Assurances
Année 2019
Confidentiel jusqu'au 16/01/2021

Résumé
Les effets de la crise économique de 2008 qu'ont vécus les pays avancés sont encore perceptibles à ce jour. Les taux obligataires français à 10 ans sont par exemple encore significativement en-deçà de leur niveau d'avant crise, et la continuité de la souscription de contrats sur des supports en Euros a aussi drastiquement diminué la rentabilité de ces derniers. De surcroît, en présence d'un taux minimum garantie, les assureurs sont engagés par leurs contrats d'épargne et de retraite, à maintenir un taux de rentabilité relativement important en comparaison des performances qu'ils réalisent sur les marchés. C'est dans ce contexte que CNP Assurances et ses partenaires privilégient auprès des assurés qui le souhaitent des supports en Unités de compte plus rémunérateurs pour leur(s) contrat(s) et adaptés à leur niveau de risque. Pour ce faire, l'une des solutions trouvées est d'avoir recours à des campagnes marketing auprès des assurés afin de démarcher les plus appétents d'entre eux pour qu'ils versent leurs cotisations sur des supports en Unités de compte. Ces campagnes ont cependant un taux assez faible de transformation, les assurés étant trop nombreux pour être tous démarchés, et leur appétence étant au global assez faible pour ce type de support, surtout en temps de crise. La mission de ciblage naît de ce constat. Afin d'améliorer la performance des commerciaux en charge de ces misions, le ciblage permet théoriquement de détecter les assurés potentiellement intéressés par ce changement de support. En l'occurrence, cette mission consistera à optimiser ces ciblages, afin d'augmenter davantage l'efficacité des campagnes de démarchage. Deux angles principaux d'amélioration sont sélectionnés. Le premier portera sur les données, qui seront réagréées à des niveaux différents. Un élagage des variables faiblement intéressantes aura lieu, et l'ajout d'autres informations sera en chantier. Le deuxième angle portera sur la modélisation. Le Gradient Boosting actuellement mis en place sera conservé, mais une forêt aléatoire et un réseau de neurones seront également implémentés. Des combinaisons de ces modèles seront tentées en dernier lieu.

Abstract
The effects of the 2008 economic crises experienced by developed countries are still noticeable to this day. The euro supported contracts subscriptions continuity drastically decreased their rentability. Moreover, with a guaranteed minimum rate, insurers are engaged by their savings or retirement contracts to maintain a relatively important profitability rate in comparison with their performances on the markets. It is in this context that CNP Assurances partners are trying to lighten the euro-supported investments to transfer them on unit-linked contracts. One of the methods is to use cold calling campaigns toward the policyholders in order to convince some of the more willing to switch to unit-linked contracts to deposit their subscriptions. Those campaigns have a quite low conversion rate because the policyholders are too many to be all reached, and they have limited taste for this kind of format compare to the Euro one. The targeting mission was born from this analysis. To improve the performance of salespersons in charge of those missions, the marketing targeting can theoreticallly detect potentially interested people by unit-linked contracts. Specifically, this mission consists in optimizing targeting, to improve the cold calling campaign efficiency. Two main improvement angles are selected. The first is on the data, which will be reaggregated at different levels. A trimming of low interest variables will take place, and the adition of other informations will be in progress. The second is on the model. The one currently in place will be kept, but others will be implemented. Some combinations of those models will then be tested.