Mémoires d'Actuariat
Modélisation de la durée de vie des contrats d’assurance habitation - application à l’optimisation de la rentabilité
Auteur(s) KOROVAEV A.
Société Allianz
Année 2022
Confidentiel jusqu'au 27/06/2024
Résumé
Le modèle de distribution des compagnies d’assurance reposait traditionnellement sur les agents et les courtiers. Mais depuis quelques années, un nouveau moyen s’est développé : le canal direct. Celui-ci attire de plus en plus de clients puisqu’il permet de trouver et souscrire une offre d'assurance n’importe où, n’importe quand et de bénéficier de tarifs plus attractifs. Cependant, plusieurs assurés restent plus rassurés par le modèle classique. Ce mode de distribution a néanmoins une part de marché limitée par celle des mutuelles et des bancassureurs. Certaines compagnies ont donc décidé d’adopter une stratégie «multi-accès» offrant aux assurés plusieurs canaux d’interaction basés non seulement sur des réseaux de distribution physiques mais aussi sur le canal direct c'est-à-dire sur Internet et les plateformes téléphoniques. Puisqu'il est plus bénéfique de garder un client plutôt que d’attirer un nouveau, les profils les plus rentables peuvent être ceux qui durent le plus. Pour optimiser la rentabilité de cette stratégie, il est donc important d'identifier ces profils pour chaque moyen de distribution et d'orienter la souscription sur eux. Le sujet de ce mémoire consiste donc à déterminer la durée de vie des contrats d’assurance habitation en modélisant les taux de résiliation sur plusieurs périodes afin d'optimiser la rentabilité de la stratégie multi-accès par la sélection des profils à l'affaire nouvelle. 3 modèles de prédiction machine learning seront utilisés sur un portefeuille de contrats d’assurance habitation : un GLM (Generalized Linear Model), un Random Forest et un XGBoost afin de choisir le meilleur.
Abstract
Traditionally, insurance companies' distribution model has relied on agents and brokers. In recent years, however, a new channel has emerged: the direct channel. The latter is attracting more and more customers, as it enables them to find and take out insurance anywhere, anytime, and to benefit from more attractive rates. However, many policyholders remain more reassured by the traditional model. Nevertheless, the market share of this distribution method is limited by that of mutual insurers and bancassurers. Some companies have therefore decided to adopt a "multi-access" strategy, offering policyholders several channels of interaction based not only on physical distribution networks, but also on the direct channel, i.e. the Internet and telephone platforms. Since it is more beneficial to keep a customer than to attract a new one, the most profitable profiles may be those that last the longest. To optimize the profitability of this strategy, it is therefore important to identify these profiles for each distribution channel, and to focus underwriting on them. The subject of this master's thesis is therefore to determine the duration of home insurance policies by modeling churn rates over several periods, in order to optimize the profitability of the multi-access strategy by the selection of new business profiles. 3 machine learning prediction models will be used on a portfolio of home insurance policies: a GLM (Generalized Linear Model), a Random Forest and an XGBoost in order to select the best one.
Auteur(s) KOROVAEV A.
Société Allianz
Année 2022
Confidentiel jusqu'au 27/06/2024
Résumé
Le modèle de distribution des compagnies d’assurance reposait traditionnellement sur les agents et les courtiers. Mais depuis quelques années, un nouveau moyen s’est développé : le canal direct. Celui-ci attire de plus en plus de clients puisqu’il permet de trouver et souscrire une offre d'assurance n’importe où, n’importe quand et de bénéficier de tarifs plus attractifs. Cependant, plusieurs assurés restent plus rassurés par le modèle classique. Ce mode de distribution a néanmoins une part de marché limitée par celle des mutuelles et des bancassureurs. Certaines compagnies ont donc décidé d’adopter une stratégie «multi-accès» offrant aux assurés plusieurs canaux d’interaction basés non seulement sur des réseaux de distribution physiques mais aussi sur le canal direct c'est-à-dire sur Internet et les plateformes téléphoniques. Puisqu'il est plus bénéfique de garder un client plutôt que d’attirer un nouveau, les profils les plus rentables peuvent être ceux qui durent le plus. Pour optimiser la rentabilité de cette stratégie, il est donc important d'identifier ces profils pour chaque moyen de distribution et d'orienter la souscription sur eux. Le sujet de ce mémoire consiste donc à déterminer la durée de vie des contrats d’assurance habitation en modélisant les taux de résiliation sur plusieurs périodes afin d'optimiser la rentabilité de la stratégie multi-accès par la sélection des profils à l'affaire nouvelle. 3 modèles de prédiction machine learning seront utilisés sur un portefeuille de contrats d’assurance habitation : un GLM (Generalized Linear Model), un Random Forest et un XGBoost afin de choisir le meilleur.
Abstract
Traditionally, insurance companies' distribution model has relied on agents and brokers. In recent years, however, a new channel has emerged: the direct channel. The latter is attracting more and more customers, as it enables them to find and take out insurance anywhere, anytime, and to benefit from more attractive rates. However, many policyholders remain more reassured by the traditional model. Nevertheless, the market share of this distribution method is limited by that of mutual insurers and bancassurers. Some companies have therefore decided to adopt a "multi-access" strategy, offering policyholders several channels of interaction based not only on physical distribution networks, but also on the direct channel, i.e. the Internet and telephone platforms. Since it is more beneficial to keep a customer than to attract a new one, the most profitable profiles may be those that last the longest. To optimize the profitability of this strategy, it is therefore important to identify these profiles for each distribution channel, and to focus underwriting on them. The subject of this master's thesis is therefore to determine the duration of home insurance policies by modeling churn rates over several periods, in order to optimize the profitability of the multi-access strategy by the selection of new business profiles. 3 machine learning prediction models will be used on a portfolio of home insurance policies: a GLM (Generalized Linear Model), a Random Forest and an XGBoost in order to select the best one.
