Mémoires d'Actuariat
Back-testing d'une norme tarifaire santé sur-mesure suite à la mise en place de l'OPTAM/OPTAM-CO et évaluation de sa fiabilité au moyen de techniques actuarielles modernes.
Auteur(s) HUBERT C.
Société Swiss Life Prévoyance et Santé
Année 2021
Confidentiel jusqu'au 08/11/2023
Résumé
En assurance, la tarification au plus juste est une condition essentielle pour la maîtrise du risque. Les outils de tarification, aujourd’hui très informatisés, avec une structure bien définie et un coût de développement suivi, occupent donc une place centrale dans le processus de commercialisation des contrats. Chez Swiss Life, l’outil de tarification des contrats santé sur-mesure est un logiciel qui permet le paramétrage d’une prime pure pour un « assuré type » d’une part, et des coefficients multiplicatifs généraux ou par grands postes permettant un tarif spécifique à la population et les garanties étudiées d’autre part. Lorsqu’on met à jour le tarif d’une garantie, il n’est pas rare de limiter son étude à la valeur de la prime pure, les coefficients étant contraints d’être communs à un groupe plus large de garanties, mais aussi pour maîtriser les coûts de développement. Ce fut le cas lors de notre back-testing des garanties santé concernées par l’Option Pratique Tarifaire Maîtrisée (OPTAM/OPTAM-CO). Lors de cette étude, nous nous sommes interrogés : notre modèle de tarification est-il toujours fiable, depuis sa création en 2014, et ses mises à jour, parfois partielles, progressives ? Pour y répondre, nous avons décidé de tester la tarification de la garantie Spécialiste Non OPTAM, avec deux techniques modernes couramment citées et utilisées en actuariat : un Modèle Linéaire Généralisé et un modèle Machine Learning. Les principes de ces deux techniques sont expliqués, puis nous analysons leurs résultats, que nous comparons à notre modèle interne. Nous concluons sur la fiabilité de notre modèle, ses points forts, ses points faibles, et les axes d’études à envisager dans le futur. Mots clés : assurance santé, tarification, prime pure, Modèle Linéaire Généralisé, apprentissage supervisé, machine learning, frequence x cout moyen
Abstract
In insurance, correct pricing is an essential condition to manage risk. Pricing tools, which are nowadays computerized and with a precise structure and a followed-up development cost, have a centered place in the contracts sells process. At Swiss Life, within the Directorate of Group Insurance (DAC), the bespoke group health contract pricing tool allows manual princing setting by the actuarial research teams of pure premiums PPi related to a typical insured for a given area, guarantee level and base, as well as multi-factors coefficients Ci which are common to large health posts, and will customize the rate of all insured profiles according to their characteristics (age, gender, rank, option level, CSP, NAF code, company size) for each guarantee, After a global construction of pure premiums and coefficients in the tool in 2014, the format imposed by the OAV has often had the impact of limiting pricing studies to the pure premium of the typical insured, because of structure and cost development contraints. This was particularly the case during regulatory developments concerning the Controlled Tariff Practice Option (OPTAM) related guarantees. This study leaded us to ask ourselves the following question: in a competitive environment where the need for an always-updated price deals with the operational reality difficulties (input format, availability of data, working time), how can we ensure that prices are always correct considering the adjustments we made gradually? We then decided to analyze the reliability of the no-OPTAM specialist doctor price. To do this, we chose to compare our pricing with the one we would have obtained using two modern techniques commonly cited and used in actuarial science: a Generalized Linear Model (GLM) and a Supervised Learning Model (Machine Learning). The principles of these two techniques are explained, then we analyze their results, which we compare to our internal model. We conclude on the reliability of our model, its strengths and weaknesses, and the lines of study to consider in the future. Key words : health insurance, princing, pure premium cost, generalized linear model, machine learning, supervised learning, frequency x cost
Mémoire complet
Auteur(s) HUBERT C.
Société Swiss Life Prévoyance et Santé
Année 2021
Confidentiel jusqu'au 08/11/2023
Résumé
En assurance, la tarification au plus juste est une condition essentielle pour la maîtrise du risque. Les outils de tarification, aujourd’hui très informatisés, avec une structure bien définie et un coût de développement suivi, occupent donc une place centrale dans le processus de commercialisation des contrats. Chez Swiss Life, l’outil de tarification des contrats santé sur-mesure est un logiciel qui permet le paramétrage d’une prime pure pour un « assuré type » d’une part, et des coefficients multiplicatifs généraux ou par grands postes permettant un tarif spécifique à la population et les garanties étudiées d’autre part. Lorsqu’on met à jour le tarif d’une garantie, il n’est pas rare de limiter son étude à la valeur de la prime pure, les coefficients étant contraints d’être communs à un groupe plus large de garanties, mais aussi pour maîtriser les coûts de développement. Ce fut le cas lors de notre back-testing des garanties santé concernées par l’Option Pratique Tarifaire Maîtrisée (OPTAM/OPTAM-CO). Lors de cette étude, nous nous sommes interrogés : notre modèle de tarification est-il toujours fiable, depuis sa création en 2014, et ses mises à jour, parfois partielles, progressives ? Pour y répondre, nous avons décidé de tester la tarification de la garantie Spécialiste Non OPTAM, avec deux techniques modernes couramment citées et utilisées en actuariat : un Modèle Linéaire Généralisé et un modèle Machine Learning. Les principes de ces deux techniques sont expliqués, puis nous analysons leurs résultats, que nous comparons à notre modèle interne. Nous concluons sur la fiabilité de notre modèle, ses points forts, ses points faibles, et les axes d’études à envisager dans le futur. Mots clés : assurance santé, tarification, prime pure, Modèle Linéaire Généralisé, apprentissage supervisé, machine learning, frequence x cout moyen
Abstract
In insurance, correct pricing is an essential condition to manage risk. Pricing tools, which are nowadays computerized and with a precise structure and a followed-up development cost, have a centered place in the contracts sells process. At Swiss Life, within the Directorate of Group Insurance (DAC), the bespoke group health contract pricing tool allows manual princing setting by the actuarial research teams of pure premiums PPi related to a typical insured for a given area, guarantee level and base, as well as multi-factors coefficients Ci which are common to large health posts, and will customize the rate of all insured profiles according to their characteristics (age, gender, rank, option level, CSP, NAF code, company size) for each guarantee, After a global construction of pure premiums and coefficients in the tool in 2014, the format imposed by the OAV has often had the impact of limiting pricing studies to the pure premium of the typical insured, because of structure and cost development contraints. This was particularly the case during regulatory developments concerning the Controlled Tariff Practice Option (OPTAM) related guarantees. This study leaded us to ask ourselves the following question: in a competitive environment where the need for an always-updated price deals with the operational reality difficulties (input format, availability of data, working time), how can we ensure that prices are always correct considering the adjustments we made gradually? We then decided to analyze the reliability of the no-OPTAM specialist doctor price. To do this, we chose to compare our pricing with the one we would have obtained using two modern techniques commonly cited and used in actuarial science: a Generalized Linear Model (GLM) and a Supervised Learning Model (Machine Learning). The principles of these two techniques are explained, then we analyze their results, which we compare to our internal model. We conclude on the reliability of our model, its strengths and weaknesses, and the lines of study to consider in the future. Key words : health insurance, princing, pure premium cost, generalized linear model, machine learning, supervised learning, frequency x cost
Mémoire complet
