Mémoires d'Actuariat
Apport de données télématiques dans la modélisation du risque géographique en assurance automobile
Auteur(s) ASSI J. D.
Société Addactis France
Année 2022
Résumé
La prise en compte de l’aspect géographique du portefeuille de l’assureur est un facteur d’amélioration considérable de la qualité des modèles tarifaires en assurance IARD. Celle-ci passe par une modélisation spécifique visant à segmenter le risque grâce à divers critères géospatiaux. Ces dernières années, de nouveaux critères basés sur les habitudes de conduite ont vu le jour dans le domaine de l’assurance automobile. Ce sont des données dites télématiques. L’objectif de ce mémoire est d’évaluer l’apport de ces données, agrégées à une maille géographique, sur l’amélioration de la significativité de la segmentation dans ce domaine. Pour atteindre cet objectif, deux méthodologies sont proposées. La première méthode est l’ajout d’informations géographiques dans un modèle classique d’assureur (GLM) en y intégrant directement une sélection de ces variables télématiques. La seconde méthode consiste à synthétiser par un algorithme de Machine Learning, ces informations géographiques en une unique variable appelée zonier et qui est ensuite intégrée dans le modèle GLM. Enfin, les différents impacts observés sur le modèle tarifaire suivant chacune de ces méthodes sont présentés. Mots clefs : Assurance automobile, Tarification, Segmentation, Risque géographique, Télématique, GLM, Machine Learning, Lissage géospatial, Zonier.
Abstract
Considering the geographical aspect of the insurer’s portfolio is a factor that considerably improves the quality of P&C insurance pricing models. This requires specific modeling to segment the risk using various geospatial criteria. In recent years, new criteria based on driving habits have emerged in the field of car insurance. These are the telematics data. This thesis aims therefore at evaluating the contribution of these data, aggregated at a geographical level, on the improvement of the segmentation significance in this domain. In order to achieve this objective, two methodologies are proposed. The first method consists in adding geographical information in a classical insurance model (GLM) by directly integrating a selection of these telematics data. The second method consists in synthesizing by a Machine Learning algorithm, this geographical information into a single variable called risk zoning which is then integrated into the GLM model. Finally, the different impacts observed on the pricing model following each of these methods are presented. Keywords : Car insurance, Pricing, Segmentation, Geographic risk, Telematics, GLM, Machine Learning, spatial smoothing, zoning.
Mémoire complet
Auteur(s) ASSI J. D.
Société Addactis France
Année 2022
Résumé
La prise en compte de l’aspect géographique du portefeuille de l’assureur est un facteur d’amélioration considérable de la qualité des modèles tarifaires en assurance IARD. Celle-ci passe par une modélisation spécifique visant à segmenter le risque grâce à divers critères géospatiaux. Ces dernières années, de nouveaux critères basés sur les habitudes de conduite ont vu le jour dans le domaine de l’assurance automobile. Ce sont des données dites télématiques. L’objectif de ce mémoire est d’évaluer l’apport de ces données, agrégées à une maille géographique, sur l’amélioration de la significativité de la segmentation dans ce domaine. Pour atteindre cet objectif, deux méthodologies sont proposées. La première méthode est l’ajout d’informations géographiques dans un modèle classique d’assureur (GLM) en y intégrant directement une sélection de ces variables télématiques. La seconde méthode consiste à synthétiser par un algorithme de Machine Learning, ces informations géographiques en une unique variable appelée zonier et qui est ensuite intégrée dans le modèle GLM. Enfin, les différents impacts observés sur le modèle tarifaire suivant chacune de ces méthodes sont présentés. Mots clefs : Assurance automobile, Tarification, Segmentation, Risque géographique, Télématique, GLM, Machine Learning, Lissage géospatial, Zonier.
Abstract
Considering the geographical aspect of the insurer’s portfolio is a factor that considerably improves the quality of P&C insurance pricing models. This requires specific modeling to segment the risk using various geospatial criteria. In recent years, new criteria based on driving habits have emerged in the field of car insurance. These are the telematics data. This thesis aims therefore at evaluating the contribution of these data, aggregated at a geographical level, on the improvement of the segmentation significance in this domain. In order to achieve this objective, two methodologies are proposed. The first method consists in adding geographical information in a classical insurance model (GLM) by directly integrating a selection of these telematics data. The second method consists in synthesizing by a Machine Learning algorithm, this geographical information into a single variable called risk zoning which is then integrated into the GLM model. Finally, the different impacts observed on the pricing model following each of these methods are presented. Keywords : Car insurance, Pricing, Segmentation, Geographic risk, Telematics, GLM, Machine Learning, spatial smoothing, zoning.
Mémoire complet
