Mémoires d'Actuariat
Etudier l'opportunité d'actualiser le barème de cotisation d'une garantie Incapacité collective par utilisation des données d'expérience et création de classe de risque
Auteur(s) RENDEKEU J.
Société aVB
Année 2021
Résumé
Le marché de la prévoyance collective est ultra concurrentiel. Ses acteurs lancent des initiatives pour trouver de nouvelles sources de rentabilité. Par exemple, divers projets de transformation sont lancés pour réduire les coûts, optimiser les processus de gestion en intégrant de nouveaux flux de gestion (ex : la Déclaration Sociale Nominative). Sur la gestion de l’absentéisme, certains acteurs s’interrogent sur la compétitivité de leurs garanties de prévoyance obligatoire et la pertinence de leurs outils de tarification. C’est justement le cas de l’organisme assureur partenaire. Cette recherche de compétitivité lui impose d’étudier l’opportunité d’actualiser sa grille tarifaire. Pour cela, il doit améliorer la connaissance de son portefeuille d’assurés et comprendre sa sinistralité. Ce mémoire étudie l’opportunité d’actualiser la grille de tarif et d’orienter la prise de décision sur la pertinence d’introduire la notion de « classe de risque » pour segmenter les entreprises prospectées ou en portefeuille. Nous démarrerons par une analyse descriptive de la population sous risque et du risque « incapacité ». Ensuite nous utiliserons une méthode pour actualiser les lois de maintien et d’incidence en incapacité avec les données d’expérience (issues de la DSN et du système de gestion des sinistres). Enfin, il sera l’occasion d’étudier l’opportunité d’affiner la loi d’incidence par recours à des méthodes de machine learning. Il sera également intéressant de s’interroger sur la pertinence de recourir à de l’open data pour segmenter. Mots clés : incapacité, loi d’incidence, loi de maintien, Kaplan-Meier, Whittaker-Henderson, machine learning, tarification, prévoyance collective, Clustering, K-means, open data.
Abstract
ABSTRACT The group insurance market is highly competitive. These players are launching initiatives to find new sources of profitability. For example, various transformation projects are launched to reduce costs and optimize management processes by integrating new management flows (eg the DSN). On the management of absenteeism, some players wonder about the competitiveness of their guarantees. This is precisely the case with the partner insurer. This search for competitiveness requires studying the advisability of updating the price list. To do this, the partner insurer must know his portfolio of policyholders and understand his claims experience. This thesis studies the advisability of updating the price list and orienting decision-making on the relevance of introducing the notion of "risk class" to segment the subscribing companies. The study will start with a descriptive analysis of the population at risk and the risk of "disability". Then the study will propose a method to update the probability distribution of disability maintenance and incidence with the experience data (from the DSN and the claims management system). Finally, it will be the opportunity to refine the probability distribution of incidence by using machine learning methods. It will also be interesting to question the relevance of using open data to segment. Keywords: disability, probability distribution of incidence, probability distribution of maintenance, Kaplan-Meier, Whittaker-Henderson, machine learning, pricing, collective provident insurance, Clustering, Kmeans, open data.
Mémoire complet
Auteur(s) RENDEKEU J.
Société aVB
Année 2021
Résumé
Le marché de la prévoyance collective est ultra concurrentiel. Ses acteurs lancent des initiatives pour trouver de nouvelles sources de rentabilité. Par exemple, divers projets de transformation sont lancés pour réduire les coûts, optimiser les processus de gestion en intégrant de nouveaux flux de gestion (ex : la Déclaration Sociale Nominative). Sur la gestion de l’absentéisme, certains acteurs s’interrogent sur la compétitivité de leurs garanties de prévoyance obligatoire et la pertinence de leurs outils de tarification. C’est justement le cas de l’organisme assureur partenaire. Cette recherche de compétitivité lui impose d’étudier l’opportunité d’actualiser sa grille tarifaire. Pour cela, il doit améliorer la connaissance de son portefeuille d’assurés et comprendre sa sinistralité. Ce mémoire étudie l’opportunité d’actualiser la grille de tarif et d’orienter la prise de décision sur la pertinence d’introduire la notion de « classe de risque » pour segmenter les entreprises prospectées ou en portefeuille. Nous démarrerons par une analyse descriptive de la population sous risque et du risque « incapacité ». Ensuite nous utiliserons une méthode pour actualiser les lois de maintien et d’incidence en incapacité avec les données d’expérience (issues de la DSN et du système de gestion des sinistres). Enfin, il sera l’occasion d’étudier l’opportunité d’affiner la loi d’incidence par recours à des méthodes de machine learning. Il sera également intéressant de s’interroger sur la pertinence de recourir à de l’open data pour segmenter. Mots clés : incapacité, loi d’incidence, loi de maintien, Kaplan-Meier, Whittaker-Henderson, machine learning, tarification, prévoyance collective, Clustering, K-means, open data.
Abstract
ABSTRACT The group insurance market is highly competitive. These players are launching initiatives to find new sources of profitability. For example, various transformation projects are launched to reduce costs and optimize management processes by integrating new management flows (eg the DSN). On the management of absenteeism, some players wonder about the competitiveness of their guarantees. This is precisely the case with the partner insurer. This search for competitiveness requires studying the advisability of updating the price list. To do this, the partner insurer must know his portfolio of policyholders and understand his claims experience. This thesis studies the advisability of updating the price list and orienting decision-making on the relevance of introducing the notion of "risk class" to segment the subscribing companies. The study will start with a descriptive analysis of the population at risk and the risk of "disability". Then the study will propose a method to update the probability distribution of disability maintenance and incidence with the experience data (from the DSN and the claims management system). Finally, it will be the opportunity to refine the probability distribution of incidence by using machine learning methods. It will also be interesting to question the relevance of using open data to segment. Keywords: disability, probability distribution of incidence, probability distribution of maintenance, Kaplan-Meier, Whittaker-Henderson, machine learning, pricing, collective provident insurance, Clustering, Kmeans, open data.
Mémoire complet