Assurance : 2e partie : Etablir des tarifs adéquats, équitables et compétitifs

Blog

Publié

05 juil. 2018

Catégorie

Science des données

Partager

Par : Natasha Mashanovich, Senior Data Scientist chez World Programming, Royaume Uni



« Quelle assurance choisir ? » – Voilà la première question que se pose un client lorsqu'il recherche un devis intéressant pour une nouvelle police. Dans le marché extrêmement concurrentiel de l'assurance au Royaume-Uni, les assureurs doivent mettre au point une méthodologie de tarification sur mesure afin de créer des tarifs qui soient, tout d'abord adéquats et suffisants pour couvrir les pertes attendues et les frais encourus. Dans un deuxième temps, les polices doivent être équitables, et les primes doivent correspondre aux pertes et aux frais. Troisièmement, les primes doivent être compétitives, afin de conserver les clients existants et d'en attirer de nouveaux.


Figure 1. Marché concurrentiel de l'assurance au Royaume-Uni

L'établissement des tarifs en fonction des risques est une étape essentielle. Les techniques et méthodologies actuarielles dépendent fortement du type d'assurance, de la disponibilité des données et d'importantes contraintes réglementaires, commerciales et opérationnelles. En outre, les techniques de modélisation choisies changent sans cesse pour s'adapter aux progrès de la technologie et de la science des données.

Les techniques incluent de nombreuses méthodes statistiques : des modèles linéaires, additifs ou mixtes, jusqu'aux modèles d'apprentissage automatique tels que la forêt d'arbres décisionnels, le renforcement de gradient, les réseaux neuronaux ou les machines à vecteurs de support. Un modèle statistique s'appuie généralement sur un certain nombre de présupposés destinés à créer des équations s'ajustant aux données. En revanche, les méthodes d'apprentissage automatique ont moins de présupposés sur les données, et apprennent en construisant des algorithmes. Avec tant de possibilités, il est souvent difficile de déterminer la technique la plus appropriée. Il faut prendre en compte de nombreux aspects, tels que l'exactitude du modèle, sa stabilité au fil du temps, les contraintes métier, les ressources DevOps nécessaires au déploiement et à l'implémentation, le temps de réponse du modèle, etc.

Malgré la diversité des modèles, le modèle linéaire généralisé (MLG) reste de fait la norme dans le secteur de l'assurance. Bien que les méthodes d'apprentissage automatique offrent souvent de meilleures prédictions, le MLG est plus populaire car il est plus facile d'interpréter et de comprendre ses résultats. Le modèle présume une relation linéaire entre les prédicteurs et l'aboutissement, et offre plus de contrôle quand il s'agit de sélectionner les facteurs d'évaluation. En outre, un algorithme d'évaluation reposant sur un MLG (Tableau 1) est facile à implémenter, rapide à exécuter, et offre plus de souplesse pour l'intégration de l'expérience actuarielle et de diverses contraintes (régulatoires, opérationnelles, commerciales, etc.).

Tarif de base500 £Algorithme d'évaluation
Facteur d'évaluationNiveauRelativitéPrime pure = Tarif de base
Zone géographique13,81* Zone géographique
21,91
30,71
41,00
Age du véhicule12,38* Age du véhicule
21,44
31,00
Puissance du moteur10,37* Puissance du moteur
20,72
31,00
41,26
51,50
62,96
74,41
Bonus10,58* Bonus
20,79
31,00

Tableau 1. Relativités tarifaires basées sur un GLM et algorithme d'évaluation (illustration)

Le résultat du processus de tarification est un prix technique prédit (prime pure) correspondant à la probabilité d'un sinistre. Si la modélisation est correcte, ce tarif doit être adéquat pour couvrir les pertes attendues. Le prix technique est ensuite ajuste afin d'inclure d'autres frais tels que les coûts d'acquisition, les commissions et les taxes, ainsi que les bénéfices de l'assureur.

L'approche traditionnelle de la tarification se focalisait uniquement sur les risques, sans se soucier des tarifs des concurrents. Dans le climat actuel, cette approche n'est plus viable, et de nombreux assureurs ont adopté des méthodologies plus évoluées. World Programming recommande une approche globale de la tarification, illustrée à la Figure 2. Comme pour une pêche au trésor, plus on plonge profondément dans les données, plus on trouve d'informations nouvelles et précieuses.

Figure 2. Processus d'élaboration des tarifs d'assurance

Dans cette optique, utiliser des primes basées uniquement sur le prix technique correspond à rester à la surface sans tirer parti de la profondeur des données disponibles. Cette approche assure un prix adéquat, mais pas nécessairement compétitif. Par conséquent, le processus de tarification devrait également inclure des éléments tels que la segmentation de la clientèle, les tarifs de la concurrence et l'optimisation des prix.

La segmentation de la clientèle est essentielle pour déterminer s'il faut appliquer une hausse ou une baisse du tarif au client. En outre, elle permet d'offrir des réductions aux seuls clients présentant un minimum de risques. La segmentation peut être simple, basée sur quelques règles métier, ou plus complexe, s'appuyant sur un modèle de propension décrivant la probabilité d'un sinistre, ou un modèle de classification créant des segments avec différents niveaux d'éligibilité.

Une tarification compétitive revient à ajuster les primes techniques, basées sur le risque, sur les tarifs des concurrents. Selon les initiatives commerciales, il peut être utile d'utiliser des modèles de demande pour capturer le marché : un modèle de conversion pour l'acquisition de clients, ou un modèle de rétension, pour les conserver. Le choix du classificateur binaire à utiliser pour élaborer les modèles de propension dépend de nombreux facteurs, tels que les performances requises du modèle, et la simplicité de déploiement et d'implémentation de ce dernier. En outre, les modèles de conversion s'exécutent normalement en temps réel – c'est pourquoi la vitesse d'évaluation du modèle est importante dans le choix de la technique de modélisation.

The final step of the tarifs process is price optimisation, usually désignées par elasticité des prix and is présentation assessing price tolérance at an individual niveau. Cette étape offre l'avantage supplémentaire de garantir que le modèle compétitif pertinent (la ligne jaune dans la Figure 3) détermine le prix, ce qui maximise les bénéfices (ligne bleue). Un modèle d'optimisation nécessite normalement des simulations de prix pour différents scénarios hypothétiques afin de tirer un maximum de bénéfices en respectant les contraintes d'optimisation.

Figure 3. Problème d'optimisation des tarifs (source : www.casact.org)

La Figure 4 reprisente un modèle d'optimisation qui offre des réductions jusqu'à 20 % sur les primes par rapport au tarif basé sur les risques. Selon le modèle de demande sous-jacent, la réduction sur les primes va de 0 à 20 %.

Figure 4. Résultats de l'optimisation des tarifs (illustration)

Une fois le scénario optimal sélectionné, la solution de tarification complète est prête à être déployée, implémentée et testée. Elle inclut le modèle basé sur les risques, le modèle de demande et le modèle d'optimisation. Il est possible d'implémenter l'ensembe de modèles complet sur un seul moteur d'évaluation ou de le répartir sur plusieurs moteurs. Après un processus de test rigoureux, la solution de tarification est prête à faire face à la concurrence.