Mémoires d'Actuariat
Optimisation tarifaire à l'affaire nouvelle du produit santé
Auteur(s) DURON J.
Société Avanssur
Année 2023
Confidentiel jusqu'au 08/11/2028
Résumé
Lancé en juin 2021, le produit complémentaire santé individuelle de Direct Assurance est commercialisé exclusivement de façon immatérielle, en ligne et par vente au téléphone. Le produit santé est exposé à une très forte concurrence d’autant plus qu’il est principalement présent sur les comparateurs en ligne. Afin de rester compétitif, la prime commerciale doit donc être optimisée à l’affaire nouvelle. Un modèle de conversion qui permet de calculer une élasticité individuelle est donc construit dans le cadre de l’optimisation. Afin d’améliorer la performance du modèle de conversion un modèle de prix compétiteur qui estime le meilleur prix des concurrents est préalablement réalisé grâce aux données des comparateurs. Les deux modèles s’appuient sur des techniques de modélisation avancées de type gradient boosting. Le modèle est construit comme la somme des contributions de chaque ayant droit, chaque modèle individuel est un catboost. Le modèle de conversion employé est XGBoost après calibrage des hyperparamètres. La comparaison de l’élasticité-prix du modèle avec celle obtenue par un A/B test est le principal critère de performance du modèle bien que l’entrainement a été effectué sur l’AUC. L’adéquation de l’A/B test a été vérifiée par le test de l’énergie de distance, des intervalles de confiance ont également été calculés. L’optimisation s’appuie sur deux méthodes différentes : la première consiste à réaliser l’optimisation par prospect et est qualifiée d’optimisation individuelle. La seconde utilise les résultats de l’optimisation individuelle afin de faire du rétro engineering sur les variations optimales. L’optimisation par ratebook ainsi obtenue, conforme aux exigences règlementaires sur les produits santé a été retenue.
Abstract
Launched in June 2021, Direct Assurance’s personal health supplement is marketed exclusively in intangible form, online and by telephone. The health product is exposed to very strong competition, especially since it is mainly present on online comparators. In order to remain competitive, the commercial premium must therefore be optimized for the new business. A conversion model is thus constructed within the optimization framework which makes it possible to calculate an individual elasticity. In order to improve the performance of the conversion model, a competitive price model which estimates the best price for competitors is realized beforehand using data from the comparators. Both models use advanced gradient boosting modeling techniques. The model is constructed as the sum of the contributions of each beneficiary, each individual model is a catboost. The conversion model used is XGBoost after calibration of the hyperparameters. Comparing the price elasticity of the model with that obtained by a A/B test is the main performance criterion of the model although the training is performed on the AUC. The suitability of the A/B test was verified by the distance energy test, and confidence intervals were also calculated. Optimization uses two different methods : the first is to perform optimization per prospect and is referred to as individual optimization. The second uses the results of individual optimization to do retro engineering on optimal variations. The optimization by ratebook thus obtained, in compliance with the regulatory requirements on health products was retained.
Auteur(s) DURON J.
Société Avanssur
Année 2023
Confidentiel jusqu'au 08/11/2028
Résumé
Lancé en juin 2021, le produit complémentaire santé individuelle de Direct Assurance est commercialisé exclusivement de façon immatérielle, en ligne et par vente au téléphone. Le produit santé est exposé à une très forte concurrence d’autant plus qu’il est principalement présent sur les comparateurs en ligne. Afin de rester compétitif, la prime commerciale doit donc être optimisée à l’affaire nouvelle. Un modèle de conversion qui permet de calculer une élasticité individuelle est donc construit dans le cadre de l’optimisation. Afin d’améliorer la performance du modèle de conversion un modèle de prix compétiteur qui estime le meilleur prix des concurrents est préalablement réalisé grâce aux données des comparateurs. Les deux modèles s’appuient sur des techniques de modélisation avancées de type gradient boosting. Le modèle est construit comme la somme des contributions de chaque ayant droit, chaque modèle individuel est un catboost. Le modèle de conversion employé est XGBoost après calibrage des hyperparamètres. La comparaison de l’élasticité-prix du modèle avec celle obtenue par un A/B test est le principal critère de performance du modèle bien que l’entrainement a été effectué sur l’AUC. L’adéquation de l’A/B test a été vérifiée par le test de l’énergie de distance, des intervalles de confiance ont également été calculés. L’optimisation s’appuie sur deux méthodes différentes : la première consiste à réaliser l’optimisation par prospect et est qualifiée d’optimisation individuelle. La seconde utilise les résultats de l’optimisation individuelle afin de faire du rétro engineering sur les variations optimales. L’optimisation par ratebook ainsi obtenue, conforme aux exigences règlementaires sur les produits santé a été retenue.
Abstract
Launched in June 2021, Direct Assurance’s personal health supplement is marketed exclusively in intangible form, online and by telephone. The health product is exposed to very strong competition, especially since it is mainly present on online comparators. In order to remain competitive, the commercial premium must therefore be optimized for the new business. A conversion model is thus constructed within the optimization framework which makes it possible to calculate an individual elasticity. In order to improve the performance of the conversion model, a competitive price model which estimates the best price for competitors is realized beforehand using data from the comparators. Both models use advanced gradient boosting modeling techniques. The model is constructed as the sum of the contributions of each beneficiary, each individual model is a catboost. The conversion model used is XGBoost after calibration of the hyperparameters. Comparing the price elasticity of the model with that obtained by a A/B test is the main performance criterion of the model although the training is performed on the AUC. The suitability of the A/B test was verified by the distance energy test, and confidence intervals were also calculated. Optimization uses two different methods : the first is to perform optimization per prospect and is referred to as individual optimization. The second uses the results of individual optimization to do retro engineering on optimal variations. The optimization by ratebook thus obtained, in compliance with the regulatory requirements on health products was retained.
