Mémoires d'Actuariat
Application de l'Automated Machine Learning à la tarification en assurance santé
Auteur(s) RANDI C.
Société Acheel
Année 2024
Confidentiel jusqu'au 07/03/2026
Résumé
Dans un monde de l’assurance stable et bien établie, Acheel, jeune start-up d’assurance généraliste, prend sa place. Elle se démarque notamment grâce à des prix agressifs et une vision digitalisée de l’assurance. Elle souhaite maintenant se doter d’un nouvel outil de tarification innovant. L’étude menée dans ce mémoire servira donc de base pour la création future de cet outil de tarification adaptable à l’ensemble des produits vendus par une compagnie d’assurance non-vie. C’est donc dans ce cadre que nous souhaitons produire une prime pure sur quatre blocs de garanties provenant d’un contrat d’assurance santé. Les blocs de garanties visés sont : le bloc des soins courants, le bloc dentaire, le bloc hospitalisation, et le bloc médecine douce. Pour établir ce tarif, nous allons explorer certaines des méthodes classiques de tarification. Pour chaque bloc de garanties, nous allons estimer la consommation annuelle d’un contrat d’assurance santé par quatre outils : le modèle linéaire généralisé, la forêt aléatoire, le réseau de neurones, et le gradient boosting par histogrammes. Ensuite, nous allons répondre au même problème grâce à l’Automated Machine Learning. Cette méthode consiste en l’automatisation du processus entier de modélisation par des algorithmes de Machine Learning. Enfin, nous comparerons l’ensemble des méthodes abordées afin d’établir un avis quant à l’utilisation de l’Automated Machine Learning pour la tarification de garanties d’assurance santé.
Abstract
In a stable and well-established insurance world, Acheel, a young general insurance startup, is making its mark. It stands out notably through aggressive pricing and a digitized vision of insurance. The company now aims to equip itself with an innovative pricing tool. The study conducted in this thesis will therefore serve as the basis for the future creation of this adaptable pricing tool for all products sold by a non-life insurance company. It is in this context that we wish to develop pure premium for four coverages from a health insurance contract. The targeted coverage blocks are: routine care block, dental block, hospitalization block, and alternative medicine block. To establish this tariff, we will explore some of the classical pricing methods. For each coverage block, we will estimate the annual consumption of an average policy by four tools: generalized linear model, random forest, neural network, gradient boosting with histograms. Next, we will address the same problem using Automated Machine Learning. This method involves automating the entire modeling process using Machine Learning algorithms. Finally, we will compare all the methods discussed to form an opinion on the use of Automated Machine Learning for pricing health insurance coverages.
Auteur(s) RANDI C.
Société Acheel
Année 2024
Confidentiel jusqu'au 07/03/2026
Résumé
Dans un monde de l’assurance stable et bien établie, Acheel, jeune start-up d’assurance généraliste, prend sa place. Elle se démarque notamment grâce à des prix agressifs et une vision digitalisée de l’assurance. Elle souhaite maintenant se doter d’un nouvel outil de tarification innovant. L’étude menée dans ce mémoire servira donc de base pour la création future de cet outil de tarification adaptable à l’ensemble des produits vendus par une compagnie d’assurance non-vie. C’est donc dans ce cadre que nous souhaitons produire une prime pure sur quatre blocs de garanties provenant d’un contrat d’assurance santé. Les blocs de garanties visés sont : le bloc des soins courants, le bloc dentaire, le bloc hospitalisation, et le bloc médecine douce. Pour établir ce tarif, nous allons explorer certaines des méthodes classiques de tarification. Pour chaque bloc de garanties, nous allons estimer la consommation annuelle d’un contrat d’assurance santé par quatre outils : le modèle linéaire généralisé, la forêt aléatoire, le réseau de neurones, et le gradient boosting par histogrammes. Ensuite, nous allons répondre au même problème grâce à l’Automated Machine Learning. Cette méthode consiste en l’automatisation du processus entier de modélisation par des algorithmes de Machine Learning. Enfin, nous comparerons l’ensemble des méthodes abordées afin d’établir un avis quant à l’utilisation de l’Automated Machine Learning pour la tarification de garanties d’assurance santé.
Abstract
In a stable and well-established insurance world, Acheel, a young general insurance startup, is making its mark. It stands out notably through aggressive pricing and a digitized vision of insurance. The company now aims to equip itself with an innovative pricing tool. The study conducted in this thesis will therefore serve as the basis for the future creation of this adaptable pricing tool for all products sold by a non-life insurance company. It is in this context that we wish to develop pure premium for four coverages from a health insurance contract. The targeted coverage blocks are: routine care block, dental block, hospitalization block, and alternative medicine block. To establish this tariff, we will explore some of the classical pricing methods. For each coverage block, we will estimate the annual consumption of an average policy by four tools: generalized linear model, random forest, neural network, gradient boosting with histograms. Next, we will address the same problem using Automated Machine Learning. This method involves automating the entire modeling process using Machine Learning algorithms. Finally, we will compare all the methods discussed to form an opinion on the use of Automated Machine Learning for pricing health insurance coverages.
