Mémoires d'Actuariat
Tarification de la prime pure dommages matériels en assurance automobile
Auteur(s) CHEN J.
Société AXA GLOBAL DIRECT FRANCE
Année 2024
Confidentiel jusqu'au 14/05/2026
Résumé
Le marché de l'assurance automobile a énormément évolué au cours des trente dernières années, tant sur le plan réglementaire que technologique. La loi Hamon a revitalisé la dynamique concurrentielle de ce marché, et la digitalisation des parcours a engendré une explosion des données disponibles. Cette explosion de données, combinée aux nouvelles technologies, offre aux assureurs une compréhension plus fine du risque. Dans le cadre de ce mémoire, nous allons modéliser la prime pure de la garantie dommages carrosserie, l’une des couvertures principales de notre produit auto, via des méthodes alternatives utilisant des algorithmes de machine learning. En effet, les blocages d’interprétabilité et d’industrialisation peuvent dorénavant être surmontés, de nouvelles méthodes, telles que les valeurs SHAP et les graphiques de dépendance partielle, aide à rendre les modèles plus transparents et à mieux contrôler l’équilibre de la mutualisation et la personnalisation. Aussi, la généralisation de l'utilisation de plateformes Cloud pour les moteurs tarifaires facilite la gestion de modèles complexes et surmonte les contraintes techniques liées à la mise en production, qui est notre objectif ultime. Mots clés : assurance automobile, tarification prime pure, machine learning, modèle linéaire généralisé, XGBoost, CatBoost, interprétabilité, SHAP, Graphique dépendance partielle
Abstract
The automobile insurance market has undergone significant changes over the past thirty years, both in terms of regulations and technology. The Hamon law revitalized the competitive dynamics of this market, and the digitization of processes has led to an explosion of available data. This data explosion, combined with new technologies, provides insurers with a more in-depth understanding of risk. In the context of this study, we will model the risk premium of the car body damage cover, one of the main coverages in our auto insurance product, using alternative methods with machine learning algorithms. These barriers like interpretability or industrialization can now be overcome, as new methods such as SHAP values and partial dependence plots help make models more transparent and better control the balance between mutualization and personalization. Additionally, the widespread use of Cloud platforms for pricing facilitates the management of complex models and overcomes technical constraints related to production deployment, which is our ultimate goal. Keywords: car insurance, risk premium pricing, machine learning, GLM, XGBoost, CatBoost, explainability, SHAP value, partial dependence plot (PDP)
Auteur(s) CHEN J.
Société AXA GLOBAL DIRECT FRANCE
Année 2024
Confidentiel jusqu'au 14/05/2026
Résumé
Le marché de l'assurance automobile a énormément évolué au cours des trente dernières années, tant sur le plan réglementaire que technologique. La loi Hamon a revitalisé la dynamique concurrentielle de ce marché, et la digitalisation des parcours a engendré une explosion des données disponibles. Cette explosion de données, combinée aux nouvelles technologies, offre aux assureurs une compréhension plus fine du risque. Dans le cadre de ce mémoire, nous allons modéliser la prime pure de la garantie dommages carrosserie, l’une des couvertures principales de notre produit auto, via des méthodes alternatives utilisant des algorithmes de machine learning. En effet, les blocages d’interprétabilité et d’industrialisation peuvent dorénavant être surmontés, de nouvelles méthodes, telles que les valeurs SHAP et les graphiques de dépendance partielle, aide à rendre les modèles plus transparents et à mieux contrôler l’équilibre de la mutualisation et la personnalisation. Aussi, la généralisation de l'utilisation de plateformes Cloud pour les moteurs tarifaires facilite la gestion de modèles complexes et surmonte les contraintes techniques liées à la mise en production, qui est notre objectif ultime. Mots clés : assurance automobile, tarification prime pure, machine learning, modèle linéaire généralisé, XGBoost, CatBoost, interprétabilité, SHAP, Graphique dépendance partielle
Abstract
The automobile insurance market has undergone significant changes over the past thirty years, both in terms of regulations and technology. The Hamon law revitalized the competitive dynamics of this market, and the digitization of processes has led to an explosion of available data. This data explosion, combined with new technologies, provides insurers with a more in-depth understanding of risk. In the context of this study, we will model the risk premium of the car body damage cover, one of the main coverages in our auto insurance product, using alternative methods with machine learning algorithms. These barriers like interpretability or industrialization can now be overcome, as new methods such as SHAP values and partial dependence plots help make models more transparent and better control the balance between mutualization and personalization. Additionally, the widespread use of Cloud platforms for pricing facilitates the management of complex models and overcomes technical constraints related to production deployment, which is our ultimate goal. Keywords: car insurance, risk premium pricing, machine learning, GLM, XGBoost, CatBoost, explainability, SHAP value, partial dependence plot (PDP)
