Mémoires d'Actuariat
Apport de la data science dans l'analyse des déclarations d' arrêts de travail en prévoyance individuelle
Auteur(s) COULIBALY Y. O.
Société AXA France
Année 2023
Confidentiel jusqu'au 06/09/2025
Résumé
L’arrêt de travail constitue un risque qui représente un coût important pour les compagnies d’assurance en France, en assurance de personnes en général, et en particulier en prévoyance individuelle. En effet, le nombre de jours en arrêt de travail est en constante augmentation depuis des années, entrainant ainsi par la même occasion la hausse des dépenses occasionnées par ce risque. C’est donc naturellement que depuis plusieurs années, les assureurs sont à la recherche de méthodes de plus en plus précises pour analyser de manière plus efficace les demandes d’indemnisation en arrêt de travail. Pour répondre à cet enjeu, il est important de mettre en place des études rétrospectives afin de pouvoir analyser les demandes d’indemnisations passées pour pouvoir mieux comprendre les raisons derrière l’acceptation ou le refus d’une demande plutôt qu’une autre. Dans cette étude, nous utiliserons des méthodes de machine Learning sur des données historiques internes pour prédire l’acceptation ou le refus d’une demande d’arrêt de travail en prévoyance individuelle afin d’accompagner les gestionnaires dans l’analyse des nouvelles déclarations et de les aider dans leur prise de décision. L’objectif principal de ce mémoire et donc la problématique de ce mémoire ici est de pouvoir déterminer les facteurs déterminants dans l'acceptation ou le refus d'un dossier d'ouverture d'arrêt de travail afin de réaliser une sorte de profilage des dossiers pour arrêt de travail et aider les gestionnaires dans leur prise de décision concernant ces dits dossiers.
Abstract
Work stoppage is a risk that represents a significant cost for insurance companies in France, in personal insurance in general, and in individual provident insurance in particular. In fact, the number of days of sick leave has been rising steadily over the years, resulting in a corresponding increase in expenses. So, it's only natural that, for several years now, insurers have been looking for increasingly precise methods to analyze claims for lost time more efficiently. To meet this challenge, it is important to set up retrospective studies to analyze past claims, to better understand the reasons behind the acceptance or rejection of one claim rather than another. In this study, we will use machine learning methods on internal historical data to predict the acceptance or refusal of a claim for sick leave in personal provident insurance, in order to help managers analyze new claims and assist them in their decision-making. The main objective of this dissertation, and therefore the problem of this dissertation, is to be able to determine the determining factors in the acceptance or refusal of a work stoppage file, in order to carry out a kind of profiling of work stoppage files and help managers to make the right decisions.
Auteur(s) COULIBALY Y. O.
Société AXA France
Année 2023
Confidentiel jusqu'au 06/09/2025
Résumé
L’arrêt de travail constitue un risque qui représente un coût important pour les compagnies d’assurance en France, en assurance de personnes en général, et en particulier en prévoyance individuelle. En effet, le nombre de jours en arrêt de travail est en constante augmentation depuis des années, entrainant ainsi par la même occasion la hausse des dépenses occasionnées par ce risque. C’est donc naturellement que depuis plusieurs années, les assureurs sont à la recherche de méthodes de plus en plus précises pour analyser de manière plus efficace les demandes d’indemnisation en arrêt de travail. Pour répondre à cet enjeu, il est important de mettre en place des études rétrospectives afin de pouvoir analyser les demandes d’indemnisations passées pour pouvoir mieux comprendre les raisons derrière l’acceptation ou le refus d’une demande plutôt qu’une autre. Dans cette étude, nous utiliserons des méthodes de machine Learning sur des données historiques internes pour prédire l’acceptation ou le refus d’une demande d’arrêt de travail en prévoyance individuelle afin d’accompagner les gestionnaires dans l’analyse des nouvelles déclarations et de les aider dans leur prise de décision. L’objectif principal de ce mémoire et donc la problématique de ce mémoire ici est de pouvoir déterminer les facteurs déterminants dans l'acceptation ou le refus d'un dossier d'ouverture d'arrêt de travail afin de réaliser une sorte de profilage des dossiers pour arrêt de travail et aider les gestionnaires dans leur prise de décision concernant ces dits dossiers.
Abstract
Work stoppage is a risk that represents a significant cost for insurance companies in France, in personal insurance in general, and in individual provident insurance in particular. In fact, the number of days of sick leave has been rising steadily over the years, resulting in a corresponding increase in expenses. So, it's only natural that, for several years now, insurers have been looking for increasingly precise methods to analyze claims for lost time more efficiently. To meet this challenge, it is important to set up retrospective studies to analyze past claims, to better understand the reasons behind the acceptance or rejection of one claim rather than another. In this study, we will use machine learning methods on internal historical data to predict the acceptance or refusal of a claim for sick leave in personal provident insurance, in order to help managers analyze new claims and assist them in their decision-making. The main objective of this dissertation, and therefore the problem of this dissertation, is to be able to determine the determining factors in the acceptance or refusal of a work stoppage file, in order to carry out a kind of profiling of work stoppage files and help managers to make the right decisions.
