Mémoires d'Actuariat

Réduction du nombre de questions posées à la souscription d'un contrat d'assurance habitation par l'apport des données externes
Auteur(s) BABUT L.
Société Allianz France
Année 2021
Confidentiel jusqu'au 22/09/2023

Résumé
L’assurance habitation est indispensable dans la vie quotidienne et obligatoire en France dans certaines situations. Les enjeux pour l’assureur sont multiples : il s’agit notamment de proposer des tarifs avantageux et des offres adaptées afin de se démarquer de la concurrence, de favoriser la pérennité du portefeuille et d’accompagner l'assuré lors de la souscription et en cas de survenance d’un sinistre. Ce mémoire s’inscrit dans la volonté d’obtenir un tarif concurrentiel, précis et personnalisé tout en allégeant le nombre de questions posées lors de la souscription de l’assuré. Ainsi, l'assureur pourra proposer à son assuré un tarif adapté à son profil de risque de façon simple et rapide. Dans cet objectif, les assureurs tendent à introduire dans leurs modélisations des données externes, facteurs non demandés à la souscription. Après avoir présenté le périmètre de l’étude ainsi que les nombreuses données externes récoltées dans ce mémoire, la première approche est de prédire directement des données, habituellement demandées à l’assuré lors de la souscription, grâce à des méthodes de Machine Learning. En prédisant des données internes à partir d’autres données internes et externes, elles pourront être retirées du questionnaire de souscription. La deuxième approche abordée est d’intégrer directement les données externes à la modélisation GLM utilisée pour la tarification chez Allianz. Ainsi, une modélisation sans donnée externe, une modélisation avec des données externes en plus des données internes et une modélisation avec uniquement des données externes ont été mises en place afin non seulement de quantifier l’optimisation des modèles de tarification grâce aux données externes mais aussi de conclure sur les questions posées à la souscription qui pourraient être retirées du questionnaire.

Abstract
Household insurance is essential in daily life, it is mandatory in France in some situations. The challenges for the insurer are multiple: it is especially a question of proposing attractive prices and adapting offers to stand out from the competition, to further the sustainability of the portfolio, and to assist the customer during the subscription and in case of a claim. This thesis is part of a desire to obtain a competitive, precise, and personalized premium while reducing the number of questions asked when the insured subscribes. Thus, the insurer will be able to offer his client a price adapted to his risk profile simply and quickly. To achieve this, insurers tend to introduce external data into their modeling, which are factors that are not requested at subscription (as opposed to internal data). After presenting the scope of the study and the numerous external data collected in this thesis, the first approach is to directly predict data, usually asked to the insured during the subscription, thanks to Machine Learning methods. By predicting internal data from other internal and external data, the aim is to be able to remove them from the subscription survey. The second approach is to integrate external data directly into the GLM used for pricing at Allianz. A model with no external data, one with external data in addition to internal data and a last one with only external data were set up in order not only to quantify the optimization of pricing models thanks to external data but also to conclude on questions asked at subscription that could be removed from the policy survey.

Mémoire complet