Présentation

Objectifs 

Une observation du marché montre que de plus en plus d'études actuarielles font appel à des outils de Machine Learning, la tarification ne fait pas exception. Si les premiers travaux concernaient principalement l'assurance IARD et santé, aujourd'hui l'ensemble du spectre de l'actuariat semble faire appel au Machine Learning : assurance vie (mortalité, l'arrêt de travail, la dépendance...), couverture des risques climatiques... Un des objectifs du recours aux outils de Machine Learning est l'utilisation de nouvelles sources de données (souvent plus volumineuses et/ou plus complexes) afin d'améliorer la précision et la segmentation (parfois de manière extrême) pour mener à des tarifs de plus en plus personnalisés. La question se pose sur les conséquences pour l’assuré, positives ou négatives, du recours à ce niveau de segmentation de plus en plus fin tant au niveau individuel qu'au niveau collectif.

Actualité

Ce GT a commencé ses travaux en septembre 2022, de premières pistes de réflexion sont envisagées (liste non exhaustive) :

D'un point de vue théorique :

• Une augmentation de la segmentation amène nécessairement une hausse de la volatilité des estimateurs et l'on peut se poser la question de la pertinence de la prime pure dans ce cas.
• Comment justifier les résultats et les différences de tarifs entre population ou individu ? Sur de précédentes études, il a été fait l'observation que créer des sous-groupes de mutualisation conduisait à des primes plus élevées qu'au niveau du groupe entier.
• Comment prendre en compte la distinction des sinistres graves et non graves ?

D'un point de vue social/moral :

• Est-ce bénéfique de personnaliser les prix (vision de l'individu, vision du collectif) ? Étant donné que dans un monde sans risque moral, la prime collectivement optimale est la prime uniforme.
• Doit-on (et comment ?) démontrer que les algorithmes construits respectent la réglementation, par exemple qu'il n'y a pas de différentiation du tarif selon le sexe (même si cette information n'est pas présente en input de l'algorithme, elle pourrait être déduite par la combinaison de d'autres variables).