Mémoires d'Actuariat
Étude et modélisation de la résiliation en Prévoyance Individuelle
Auteur(s) LE PENNEC M.
Société BPCE Assurances
Année 2023
Résumé
Pour un assureur, la résiliation est au cœur de sa stratégie marketing et est un risque suivi de près par les actuaires. L’objectif de ce mémoire est d’étudier le comportement de résiliation des contrats de type temporaire décès issus de la nouvelle offre, ainsi que d’améliorer la modélisation de la résiliation dans le cadre des projections des provisions techniques Best Estimate et des projections à moyen terme. Une analyse préliminaire de nos données montre une résiliation précoce importante des contrats, avec une forte hétérogénéité par apporteur. Compte tenu du volume important de données à notre disposition, nous testons différents modèles de machine learning afin de trouver les facteurs explicatifs. Nous utilisons pour cela des données issues de l’entrepôt de données Prévoyance Individuelle, permettant une étude à la maille cohorte année-mois, et ayant trait aux caractéristiques des clients, de leurs contrats et de leurs conditions de souscription. Cela nous permet d’identifier de potentiels leviers d’action afin d’augmenter le taux de rétention des contrats. Après étude de la résiliation précoce, nous modélisons la résiliation à horizon durée de vie du contrat à l’aide de modèles classiques d’analyse de survie (Kaplan-Meier et Hoem). Les lois de résiliation sont construites sur les données des contrats, par âge et par ancienneté. Bien que l’impact de la nouvelle loi de résiliation sur le Best Estimate sous Solvabilité II soit moindre, la loi de résiliation par ancienneté s’avère pertinente pour les projections à moyen terme, notamment pour modéliser l’écoulement des contrats en stock, le chiffre d’affaires et le Produit Net Bancaire à trois ans. Ainsi, des lois spécifiques par cohorte et apporteur pourraient être très intéressantes à ajouter en paramètres d’entrée des scénarios des plans à moyen terme.
Abstract
For an insurer, termination is at the heart of its marketing strategy and is a risk closely monitored by actuaries. The aim of this thesis is to study the termination behavior of term life insurance contracts from the new offer, and to improve the modeling of attrition in the context of technical reserve projections under Solvency II and medium-term projections. A preliminary study of our data shows a high level of early termination of contracts, with considerable heterogeneity by bank. Given the large volume of data at our disposal, we test different machine learning models to find explanatory factors and detect early customer churn. To do so, we use data from our data warehouse, which enables us to carry out a study at a year-month cohort level. The data we use for this study covers customer, contract and underwriting information. This enables us to identify potential levers of action to increase the retention rate of our contracts. After studying early churn, we then analyze termination over the lifetime of the contract, using classic survival analysis models (Kaplan-Meier and Hoem). Termination rates are constructed by age and seniority. Although the impact of the new attrition rates on Best Estimate reserves is not significant, the attrition rates by seniority are relevant for medium-term projections, especially for modeling the run-off of in-stock contracts, sales and Net Banking Income over three years. Thus, specific termination rates by cohort and bank could be very interesting for setting commercial and financial targets for medium-term plans.
Mémoire complet
Auteur(s) LE PENNEC M.
Société BPCE Assurances
Année 2023
Résumé
Pour un assureur, la résiliation est au cœur de sa stratégie marketing et est un risque suivi de près par les actuaires. L’objectif de ce mémoire est d’étudier le comportement de résiliation des contrats de type temporaire décès issus de la nouvelle offre, ainsi que d’améliorer la modélisation de la résiliation dans le cadre des projections des provisions techniques Best Estimate et des projections à moyen terme. Une analyse préliminaire de nos données montre une résiliation précoce importante des contrats, avec une forte hétérogénéité par apporteur. Compte tenu du volume important de données à notre disposition, nous testons différents modèles de machine learning afin de trouver les facteurs explicatifs. Nous utilisons pour cela des données issues de l’entrepôt de données Prévoyance Individuelle, permettant une étude à la maille cohorte année-mois, et ayant trait aux caractéristiques des clients, de leurs contrats et de leurs conditions de souscription. Cela nous permet d’identifier de potentiels leviers d’action afin d’augmenter le taux de rétention des contrats. Après étude de la résiliation précoce, nous modélisons la résiliation à horizon durée de vie du contrat à l’aide de modèles classiques d’analyse de survie (Kaplan-Meier et Hoem). Les lois de résiliation sont construites sur les données des contrats, par âge et par ancienneté. Bien que l’impact de la nouvelle loi de résiliation sur le Best Estimate sous Solvabilité II soit moindre, la loi de résiliation par ancienneté s’avère pertinente pour les projections à moyen terme, notamment pour modéliser l’écoulement des contrats en stock, le chiffre d’affaires et le Produit Net Bancaire à trois ans. Ainsi, des lois spécifiques par cohorte et apporteur pourraient être très intéressantes à ajouter en paramètres d’entrée des scénarios des plans à moyen terme.
Abstract
For an insurer, termination is at the heart of its marketing strategy and is a risk closely monitored by actuaries. The aim of this thesis is to study the termination behavior of term life insurance contracts from the new offer, and to improve the modeling of attrition in the context of technical reserve projections under Solvency II and medium-term projections. A preliminary study of our data shows a high level of early termination of contracts, with considerable heterogeneity by bank. Given the large volume of data at our disposal, we test different machine learning models to find explanatory factors and detect early customer churn. To do so, we use data from our data warehouse, which enables us to carry out a study at a year-month cohort level. The data we use for this study covers customer, contract and underwriting information. This enables us to identify potential levers of action to increase the retention rate of our contracts. After studying early churn, we then analyze termination over the lifetime of the contract, using classic survival analysis models (Kaplan-Meier and Hoem). Termination rates are constructed by age and seniority. Although the impact of the new attrition rates on Best Estimate reserves is not significant, the attrition rates by seniority are relevant for medium-term projections, especially for modeling the run-off of in-stock contracts, sales and Net Banking Income over three years. Thus, specific termination rates by cohort and bank could be very interesting for setting commercial and financial targets for medium-term plans.
Mémoire complet
