Mémoires d'Actuariat
Décision de résiliation et sensibilité à la prime en assurance automobile
Auteur(s) SAISSET B.
Société Generali France
Année 2023
Confidentiel jusqu'au 14/06/2025
Résumé
L’objet de ce mémoire est la modélisation de la résiliation dans le cadre de l’assurance automobile. Dans un contexte de forte concurrence connaître son portefeuille d’assuré et anticiper les conséquences des variations des tarifs et des modalités de son contrat est de plus en plus important pour les acteurs du marché. Nous avons donc créé et étudié différents modèles estimant la probabilité de résiliation en fonction notamment de la prime payée par les assurés ainsi que l’évolution de celle-ci. Nous allons, dans un premier temps, utilisé la méthode de la régression logistique (GLM) afin d’avoir un modèle classique qui nous servira de base de comparaison pour la suite. Nous allons ensuite construire des modèles de Machine Learning, comme la méthode des forêts aléatoires, ou l’algorithme CatBoost afin de voir si l’utilisation de ces derniers était pertinente ou non. Aussi, nous avons, à l’aide des modèles GLM, établis des profils de sensibilité à la résiliation. Enfin, nous avons créé un outil permettant d’établir une revalorisation optimale pour les assurés dans l’optique de les conserver en portefeuille.
Abstract
The topic of this memoir is the modelization of contract termination in vehicle insurance. In a context of high competition knowing the insured portfolio is highly important and so is anticipating the consequences of premium variation. So we built and studied several models expecting termination probability depending on the premium and its evolution. We will first use a logistic regression to get a basis model to allow comparison. We will then use some Machine Learning techniques such as Random Forest or CatBoost to determine whether these are a good addition to this problem. We also made sensitivity profiles using our GLM coefficients. At last, we made a tool we could use to find the best possible revaluation rate to retain clients in our portfolio.
Auteur(s) SAISSET B.
Société Generali France
Année 2023
Confidentiel jusqu'au 14/06/2025
Résumé
L’objet de ce mémoire est la modélisation de la résiliation dans le cadre de l’assurance automobile. Dans un contexte de forte concurrence connaître son portefeuille d’assuré et anticiper les conséquences des variations des tarifs et des modalités de son contrat est de plus en plus important pour les acteurs du marché. Nous avons donc créé et étudié différents modèles estimant la probabilité de résiliation en fonction notamment de la prime payée par les assurés ainsi que l’évolution de celle-ci. Nous allons, dans un premier temps, utilisé la méthode de la régression logistique (GLM) afin d’avoir un modèle classique qui nous servira de base de comparaison pour la suite. Nous allons ensuite construire des modèles de Machine Learning, comme la méthode des forêts aléatoires, ou l’algorithme CatBoost afin de voir si l’utilisation de ces derniers était pertinente ou non. Aussi, nous avons, à l’aide des modèles GLM, établis des profils de sensibilité à la résiliation. Enfin, nous avons créé un outil permettant d’établir une revalorisation optimale pour les assurés dans l’optique de les conserver en portefeuille.
Abstract
The topic of this memoir is the modelization of contract termination in vehicle insurance. In a context of high competition knowing the insured portfolio is highly important and so is anticipating the consequences of premium variation. So we built and studied several models expecting termination probability depending on the premium and its evolution. We will first use a logistic regression to get a basis model to allow comparison. We will then use some Machine Learning techniques such as Random Forest or CatBoost to determine whether these are a good addition to this problem. We also made sensitivity profiles using our GLM coefficients. At last, we made a tool we could use to find the best possible revaluation rate to retain clients in our portfolio.
