Mémoires d'Actuariat
Proposition de leviers d’amélioration du taux de transformation en assurance multirisque habitation
Auteur(s) KAMAL I.
Société Allianz France
Année 2022
Confidentiel jusqu'au 10/03/2024
Résumé
Le marché de l’assurance multirisque habitation est un marché fortement concurrentiel. L’acquisition d’affaires nouvelles constitue donc un enjeu déterminant pour les compagnies présentes sur ce marché. Par conséquent, ces dernières cherchent d’autant plus à accroître leur taux de transformation. Aussi appelé taux de conversion, cet indicateur mesure la part de devis convertis en contrats. L’objectif de ce mémoire est de proposer plusieurs leviers d’amélioration du taux de transformation sur des catégories rentables de prospects venant du digital. Les deux premières parties décrivent le contexte et les éléments théoriques de l’étude. Elles sont suivies d’une troisième partie consacrée à l’élaboration de différents modèles de conversion. Ces modèles visent à prédire la probabilité de conversion des devis d’origine digitale. Nous comparons les performances d’une régression logistique et de deux algorithmes de machine learning basés sur les arbres de décision. Le meilleur modèle est choisi sur la base de métriques de classification et d’une étude des probabilités prédites. Outre ces modèles élaborés pour le cas général de la conversion des devis digitaux, deux autres modèles plus spécifiques sont entraînés pour l’étude des leviers. Le premier est un modèle visant à capter davantage l’effet du prix, tandis que le second est un modèle spécifique à la conversion des devis transmis en agence. La quatrième partie porte sur l’identification de profils cibles, dont nous souhaiterions augmenter le taux de transformation. L’indicateur utilisé pour construire les profils est le Projected S/C (PSC). Cet indicateur fournit une mesure individuelle et prospective de la rentabilité technique des contrats à l’affaire nouvelle. Des arbres de régression sont utilisés pour segmenter les devis en une liste de profils caractérisés par une valeur de PSC. Une valeur d’équilibre du PSC est choisie afin de sélectionner les profils rentables à cibler. Dans la cinquième et dernière partie de ce mémoire, nous nous appuyons sur les modèles de conversion afin d’étudier trois leviers d’amélioration du taux de transformation des cibles. Nous étudions en premier lieu l’impact du prix affiché sur le devis. Pour cela, nous dérivons analytiquement d’un des modèles l’élasticité-prix de la conversion. Le second levier proposé est la distribution de mois offerts sur la prime. Après avoir simulé l’impact de ces offres promotionnelles sur la conversion chez les différents profils, nous effectuons une réallocation ciblée des mois gratuits sur le portefeuille. Enfin, nous explorons le levier du choix de l’agent destinataire du devis. Nous définissons plusieurs catégories d’agents susceptibles de recevoir les devis, et estimons les probabilités de conversion associées pour chaque devis. Nous mesurons alors les impacts sur le portefeuille d’une réorientation des devis cibles vers l’agent qui a la plus grande probabilité de les convertir. Mots-clés : Taux de transformation, multirisque habitation, régression logistique, arbres de décision, machine learning, profil rentable, digital, multi-accès, élasticité.
Abstract
In a highly competitive market such as home insurance, acquiring new business is a major challenge. As a result, the companies operating in this market are all the more interested in increasing their conversion rate. This indicator measures the proportion of quotes converted into contracts. The objective of this dissertation is to propose several levers which enable to improve the conversion rate of profitable categories of prospects coming from the internet. The first two sections present the context and theoretical tools of the study. Then, the third section is dedicated to the elaboration of different conversion models. These models aim at predicting the conversion probability of digital quotes. We compare the performances of a logistic regression and two decision tree-based machine learning algorithms. The best model is chosen on the basis of classification metrics and a study of the predicted probabilities. In addition to these general conversion models, two other models are more specifically designed for the application of the levers. The first one is designed to capture the price effect, while the second one predicts specifically the conversion rate of the quotes which are sent to an agency. The fourth section deals with the identification of target profiles on which the levers will be applied. The indicator used to build the profiles is the Projected S/C (PSC). This indicator provides an individual and prospective metric of the technical profitability of new contracts. Regression trees are used to segment the quotes into a list of profiles associated to a PSC value. A threshold is then chosen in order to select the profitable profiles to target. In the last section, we use the conversion models to study the effect of three levers for improving the conversion rate of targets. Firstly, we study the impact of the quote price. In order to do so, we derive analytically from one of the models the price elasticity of the conversion. The second lever is the distribution of free months. After simulating the impact of these promotional offers on the conversion of different profiles, we perform a targeted reallocation of the free months in the portfolio. Finally, we explore the leverage of choosing the agent receiving the quote.We define several categories of agents and estimate the associated conversion probabilities for each quote. We then assess the impact on the portfolio of redirecting the target quotes to the agent who is most likely to convert them. Key words : Conversion rate, home insurance, logistic regression, decision trees, machine learning, profitable profile, digital, multiaccess, price elasticity.
Mémoire complet
Auteur(s) KAMAL I.
Société Allianz France
Année 2022
Confidentiel jusqu'au 10/03/2024
Résumé
Le marché de l’assurance multirisque habitation est un marché fortement concurrentiel. L’acquisition d’affaires nouvelles constitue donc un enjeu déterminant pour les compagnies présentes sur ce marché. Par conséquent, ces dernières cherchent d’autant plus à accroître leur taux de transformation. Aussi appelé taux de conversion, cet indicateur mesure la part de devis convertis en contrats. L’objectif de ce mémoire est de proposer plusieurs leviers d’amélioration du taux de transformation sur des catégories rentables de prospects venant du digital. Les deux premières parties décrivent le contexte et les éléments théoriques de l’étude. Elles sont suivies d’une troisième partie consacrée à l’élaboration de différents modèles de conversion. Ces modèles visent à prédire la probabilité de conversion des devis d’origine digitale. Nous comparons les performances d’une régression logistique et de deux algorithmes de machine learning basés sur les arbres de décision. Le meilleur modèle est choisi sur la base de métriques de classification et d’une étude des probabilités prédites. Outre ces modèles élaborés pour le cas général de la conversion des devis digitaux, deux autres modèles plus spécifiques sont entraînés pour l’étude des leviers. Le premier est un modèle visant à capter davantage l’effet du prix, tandis que le second est un modèle spécifique à la conversion des devis transmis en agence. La quatrième partie porte sur l’identification de profils cibles, dont nous souhaiterions augmenter le taux de transformation. L’indicateur utilisé pour construire les profils est le Projected S/C (PSC). Cet indicateur fournit une mesure individuelle et prospective de la rentabilité technique des contrats à l’affaire nouvelle. Des arbres de régression sont utilisés pour segmenter les devis en une liste de profils caractérisés par une valeur de PSC. Une valeur d’équilibre du PSC est choisie afin de sélectionner les profils rentables à cibler. Dans la cinquième et dernière partie de ce mémoire, nous nous appuyons sur les modèles de conversion afin d’étudier trois leviers d’amélioration du taux de transformation des cibles. Nous étudions en premier lieu l’impact du prix affiché sur le devis. Pour cela, nous dérivons analytiquement d’un des modèles l’élasticité-prix de la conversion. Le second levier proposé est la distribution de mois offerts sur la prime. Après avoir simulé l’impact de ces offres promotionnelles sur la conversion chez les différents profils, nous effectuons une réallocation ciblée des mois gratuits sur le portefeuille. Enfin, nous explorons le levier du choix de l’agent destinataire du devis. Nous définissons plusieurs catégories d’agents susceptibles de recevoir les devis, et estimons les probabilités de conversion associées pour chaque devis. Nous mesurons alors les impacts sur le portefeuille d’une réorientation des devis cibles vers l’agent qui a la plus grande probabilité de les convertir. Mots-clés : Taux de transformation, multirisque habitation, régression logistique, arbres de décision, machine learning, profil rentable, digital, multi-accès, élasticité.
Abstract
In a highly competitive market such as home insurance, acquiring new business is a major challenge. As a result, the companies operating in this market are all the more interested in increasing their conversion rate. This indicator measures the proportion of quotes converted into contracts. The objective of this dissertation is to propose several levers which enable to improve the conversion rate of profitable categories of prospects coming from the internet. The first two sections present the context and theoretical tools of the study. Then, the third section is dedicated to the elaboration of different conversion models. These models aim at predicting the conversion probability of digital quotes. We compare the performances of a logistic regression and two decision tree-based machine learning algorithms. The best model is chosen on the basis of classification metrics and a study of the predicted probabilities. In addition to these general conversion models, two other models are more specifically designed for the application of the levers. The first one is designed to capture the price effect, while the second one predicts specifically the conversion rate of the quotes which are sent to an agency. The fourth section deals with the identification of target profiles on which the levers will be applied. The indicator used to build the profiles is the Projected S/C (PSC). This indicator provides an individual and prospective metric of the technical profitability of new contracts. Regression trees are used to segment the quotes into a list of profiles associated to a PSC value. A threshold is then chosen in order to select the profitable profiles to target. In the last section, we use the conversion models to study the effect of three levers for improving the conversion rate of targets. Firstly, we study the impact of the quote price. In order to do so, we derive analytically from one of the models the price elasticity of the conversion. The second lever is the distribution of free months. After simulating the impact of these promotional offers on the conversion of different profiles, we perform a targeted reallocation of the free months in the portfolio. Finally, we explore the leverage of choosing the agent receiving the quote.We define several categories of agents and estimate the associated conversion probabilities for each quote. We then assess the impact on the portfolio of redirecting the target quotes to the agent who is most likely to convert them. Key words : Conversion rate, home insurance, logistic regression, decision trees, machine learning, profitable profile, digital, multiaccess, price elasticity.
Mémoire complet
