{"id":6518,"date":"2022-04-04T07:15:35","date_gmt":"2022-04-04T05:15:35","guid":{"rendered":"https:\/\/variances.eu\/?p=6518"},"modified":"2022-04-04T07:17:12","modified_gmt":"2022-04-04T05:17:12","slug":"modeles-de-tarification-traditionnels-et-machine-learning-vers-une-nouvelle-collaboration-en-assurance","status":"publish","type":"post","link":"https:\/\/variances.eu\/?p=6518","title":{"rendered":"Mod\u00e8les de tarification traditionnels et Machine Learning : vers une nouvelle collaboration en assurance ?"},"content":{"rendered":"

Cet article est une synth\u00e8se du m\u00e9moire d\u2019actuariat \u00ab\u00a0\u00c9tude et impl\u00e9mentation de techniques d\u2019analyse de sensibilit\u00e9 dans les mod\u00e8les de tarification Non-Vie. Application \u00e0 la tarification \u00e0 l\u2019adresse\u00a0\u00bb, qui a re\u00e7u le Prix des jeunes actuaires 2021 d\u00e9cern\u00e9 par SCOR, consacr\u00e9 par Silvia Bucci \u00e0 l\u2019apport du Machine Learning aux mod\u00e8les de tarification en assurance. Il montre que ces nouvelles techniques permettent un enrichissement des strat\u00e9gies tarifaires mises en \u0153uvre par les assureurs, m\u00eame si la sophistication des techniques ne r\u00e9duit pas l\u2019importance d\u2019une intervention humaine dans l\u2019arbitrage entre performance, transparence et \u00e9thique.<\/em><\/p>\n

\n

L\u2019utilisation des mod\u00e8les plus sophistiqu\u00e9s, connus sous le nom de mod\u00e8les de Machine Learning,<\/em> n\u2019est pas nouvelle en assurance.<\/p>\n

Dans le processus de tarification, ces techniques sont exploit\u00e9es afin d\u2019atteindre une connaissance tr\u00e8s fine du risque et de la client\u00e8le, dans la s\u00e9lection des crit\u00e8res tarifaires, leur segmentation en classes de risques homog\u00e8nes, dans la cr\u00e9ation de nouvelles variables, \u2026<\/p>\n

Du fait que ces techniques reposent sur des hypoth\u00e8ses moins strictes sur la distribution des donn\u00e9es par rapport aux m\u00e9thodes \u00ab\u00a0traditionnelles\u00a0\u00bb telles que les mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s (GLM), le Machine Learning<\/em> interpr\u00e8te mieux que les GLMs la complexit\u00e9 de la donn\u00e9e, complexit\u00e9 qui peut se manifester sous plusieurs formes\u00a0: le nombre de variables en entr\u00e9e, la qualit\u00e9 de ces variables et leur lien avec la fr\u00e9quence et le co\u00fbt moyen des sinistres.<\/p>\n

Toutefois, le r\u00f4le de ces techniques est encore marginal et la plupart des assureurs continuent \u00e0 utiliser les GLMs comme mod\u00e8le de tarification principale, en faisant allusion au manque d\u2019interpr\u00e9tabilit\u00e9<\/strong>[1]<\/a>(ph\u00e9nom\u00e8ne connu comme Black Box ou boite noire<\/em>), \u00e0 la complexit\u00e9<\/strong> de la mise en place et au risque de personnalisation extr\u00eame<\/strong> du risque[2]<\/a> que les mod\u00e8les sophistiqu\u00e9s pourraient engendrer dans le processus de tarification.<\/p>\n

Les interactions statistiques\u00a0: une expression de la complexit\u00e9 de la donn\u00e9e<\/h3>\n

Dans le cadre de ce m\u00e9moire, l\u2019objectif est d\u2019identifier la complexit\u00e9 de mod\u00e8les black box<\/em> <\/strong>\u00e0 l\u2019aide de techniques d\u2019interpr\u00e9tabilit\u00e9 des mod\u00e8les et d\u2019analyse de sensibilit\u00e9 et de l\u2019int\u00e9grer dans un processus de tarification traditionnel, <\/strong>afin de garder une structure simple et intuitive, tout en b\u00e9n\u00e9ficiant du pouvoir pr\u00e9dictif des mod\u00e8les Black Box<\/em>.<\/p>\n

Nous avons restreint la recherche de la complexit\u00e9 des mod\u00e8les sophistiqu\u00e9s aux interactions statistiques entre deux variables<\/strong>, c\u2019est-\u00e0-dire l\u2019impact simultan\u00e9 de deux variables sur la sinistralit\u00e9. Ainsi, il suffira d\u2019ajouter des termes crois\u00e9s \u00e0 l\u2019\u00e9quation tarifaire du mod\u00e8le de d\u00e9part.<\/p>\n

Les mod\u00e8les de Machine Learning incluraient d\u00e9j\u00e0 les interactions les plus fortes parmi les variables, mais celles-ci ne sont pas transparentes \u00e0 cause de l\u2019effet bo\u00eete noire.
\nLes indices de Sobol et les indices de SHAP appartenant aux domaines de l\u2019analyse de sensibilit\u00e9 et du plus r\u00e9cent Explainable Artificial Intelligence<\/em> (XAI) sont les outils choisis pour \u00ab\u00a0ouvrir\u00a0\u00bb les mod\u00e8les Black Box.<\/em><\/p>\n

Cette m\u00e9thodologie a \u00e9t\u00e9 appliqu\u00e9e au produit Multirisque habitation (MRH) de l\u2019assurance du particulier Smart Home Pricing <\/em>pour la garantie D\u00e9g\u00e2ts des eaux<\/em>. Sa particularit\u00e9 est que la tarification utilise des donn\u00e9es m\u00e9t\u00e9orologiques, \u00e9conomiques, climatiques, d\u00e9mographiques \u00e0 mailles fines, jusqu\u2019\u00e0 l\u2019adresse et m\u00eame au b\u00e2timent. Parmi les variables innovantes, nous utiliserons par exemple la pr\u00e9sence de gel, le nombre de jours orageux ou le nombre d\u2019artisans dans la commune.<\/p>\n

Etapes de l\u2019\u00e9tude<\/h3>\n

\"\"La force de la m\u00e9thodologie d\u2019\u00e9tude que nous proposons est qu\u2019elle peut s\u2019appliquer \u00e0 n\u2019importe quel type de mod\u00e8le.<\/p>\n