Mémoires d'Actuariat
Modélisation de la tarification d’un contrat santé issu de la gamme « retraite »
Auteur(s) PERINI H.
Société La Mutuelle Verte
Année 2023
Résumé
Le système de santé en France est en constante évolution et les organismes complémentaires d'Assurance Maladie doivent faire face aux changements successifs de réglementation. Pour être compétitifs et maîtriser leur activité, les organismes d’assurance doivent connaître de manière précise la charge future en soins d’une population assurée, qu’elle soit nouvelle ou déjà couverte par l’organisme. Pour cela, elle doit se doter d’outils de tarification performants. La réalisation d’un tarif en assurance s’appuie généralement sur des modèles de régression de type GLM. Ces dernières années, l’amélioration des performances informatiques ont conduit à un intérêt pour des approches dites de Machine Learning. Dans cette étude, deux approches issues d’arbre de décision sont détaillées : un algorithme de Random Forest et un algorithme de XgBoost. Une analyse comparative de ces modèles est présentée sur la gamme « Retraite » de La Mutuelle Verte.
Abstract
The health system is constantly evolving and the complementary Health Insurance organizations have to deal with successive regulatory changes. To be competitive and control their activity, insurance organizations must know precisely the future cost of care for an insured population. To do this, it must have effective pricing tools. The production of a price is generally based on GLM-type regression models. In recent years, the improvement in computer performance has led to an interest in so-called Machine Learning approaches. In this study, two approaches from decision tree are detailed: a Random Forest algorithm and an XgBoost algorithm. A comparative analysis of these models is presented on the “Retirement” range of La Mutuelle Verte.
Mémoire complet
Auteur(s) PERINI H.
Société La Mutuelle Verte
Année 2023
Résumé
Le système de santé en France est en constante évolution et les organismes complémentaires d'Assurance Maladie doivent faire face aux changements successifs de réglementation. Pour être compétitifs et maîtriser leur activité, les organismes d’assurance doivent connaître de manière précise la charge future en soins d’une population assurée, qu’elle soit nouvelle ou déjà couverte par l’organisme. Pour cela, elle doit se doter d’outils de tarification performants. La réalisation d’un tarif en assurance s’appuie généralement sur des modèles de régression de type GLM. Ces dernières années, l’amélioration des performances informatiques ont conduit à un intérêt pour des approches dites de Machine Learning. Dans cette étude, deux approches issues d’arbre de décision sont détaillées : un algorithme de Random Forest et un algorithme de XgBoost. Une analyse comparative de ces modèles est présentée sur la gamme « Retraite » de La Mutuelle Verte.
Abstract
The health system is constantly evolving and the complementary Health Insurance organizations have to deal with successive regulatory changes. To be competitive and control their activity, insurance organizations must know precisely the future cost of care for an insured population. To do this, it must have effective pricing tools. The production of a price is generally based on GLM-type regression models. In recent years, the improvement in computer performance has led to an interest in so-called Machine Learning approaches. In this study, two approaches from decision tree are detailed: a Random Forest algorithm and an XgBoost algorithm. A comparative analysis of these models is presented on the “Retirement” range of La Mutuelle Verte.
Mémoire complet
