Mémoires d'Actuariat
Construction de micro-zoniers en assurance MRH à l'aide d'outils de Datascience
Auteur(s) CISSE D.
Société Axa Direct Assurance
Année 2022
Confidentiel jusqu'au 15/03/2024
Résumé
Ce mémoire a été réalisé dans le cadre d’une étude sur l’amélioration des zoniers en assurance multirisques habitation. Un zonier est un découpage d'un territoire en zones, en fonction de leurs expositions aux risques. Un zonier permet ainsi de prendre en compte l’environnement géographique où évolue le contrat. Notre étude présente la construction de nouveaux zoniers sur le coût moyen de la garantie dégât des eaux et sur la fréquence vol, ceci pour les appartements de la France métropolitaine. Notre zonier est appelé micro-zonier car étant réalisé à un maillage très fin autour de l'adresse. La méthodologie ne s’appuie pas sur une approche classique mais plutôt sur la création, par nous-même, d’un découpage de la France et sur l’utilisation de modèle de Machine Learning pour la prédiction des résidus géographiques. La segmentation du portefeuille des assurés est un facteur important dans la tarification des contrats d’assurance. Cette segmentation est réalisée grâce à des variables dites tarifaires. L’ajout de la dimension géographique à ces variables tarifaires est une technique de plus en plus explorée en assurance multirisques habitation. La prise en compte de l’effet géographique se fait souvent au niveau commune ou département. Dans ce mémoire, il s’agit de voir si les performances des modèles de tarification peuvent être améliorées lorsque le zonier est construit à une maille plus petite que les découpages administratifs habituels. Mots-clés : zonier, machine learning, modèles linéaires généralisés, lissage spatial.
Abstract
This study is produced with the goal of improving zoners in household insurance. A zoner is a division of a territory into zones, according to their risk exposure. Thus, a zoner makes it possible to take into account the environment in which the contract operates. Our study presents the construction of a new zone on the average cost of the water damage guarantee for apartments. This new zone is called micro-zone because its construction is based on a very fine mesh. The methodology is not based on a classic approach but rather on the creation, by ourselves, of a division of France and on the use of machine learning models for the prediction of geographic residuals. The segmentation of the portfolio of policyholders into homogeneous groups is an important factor in the pricing of insurance contracts. This segmentation is carried out using so-called tariff variables. Adding the geographic dimension to these rate variables is a technique that is increasingly explored in property and casualty insurance. In the literature, the geographical effect is often taken into account at the municipality or department level. In this thesis, it is a question of seeing if the segmentation performance can be improved when the zoner is built on a mesh smaller than the usual administrative divisions. Keywords : zoning, machine learning, generalized linear models, spatial smoothing.
Mémoire complet
Auteur(s) CISSE D.
Société Axa Direct Assurance
Année 2022
Confidentiel jusqu'au 15/03/2024
Résumé
Ce mémoire a été réalisé dans le cadre d’une étude sur l’amélioration des zoniers en assurance multirisques habitation. Un zonier est un découpage d'un territoire en zones, en fonction de leurs expositions aux risques. Un zonier permet ainsi de prendre en compte l’environnement géographique où évolue le contrat. Notre étude présente la construction de nouveaux zoniers sur le coût moyen de la garantie dégât des eaux et sur la fréquence vol, ceci pour les appartements de la France métropolitaine. Notre zonier est appelé micro-zonier car étant réalisé à un maillage très fin autour de l'adresse. La méthodologie ne s’appuie pas sur une approche classique mais plutôt sur la création, par nous-même, d’un découpage de la France et sur l’utilisation de modèle de Machine Learning pour la prédiction des résidus géographiques. La segmentation du portefeuille des assurés est un facteur important dans la tarification des contrats d’assurance. Cette segmentation est réalisée grâce à des variables dites tarifaires. L’ajout de la dimension géographique à ces variables tarifaires est une technique de plus en plus explorée en assurance multirisques habitation. La prise en compte de l’effet géographique se fait souvent au niveau commune ou département. Dans ce mémoire, il s’agit de voir si les performances des modèles de tarification peuvent être améliorées lorsque le zonier est construit à une maille plus petite que les découpages administratifs habituels. Mots-clés : zonier, machine learning, modèles linéaires généralisés, lissage spatial.
Abstract
This study is produced with the goal of improving zoners in household insurance. A zoner is a division of a territory into zones, according to their risk exposure. Thus, a zoner makes it possible to take into account the environment in which the contract operates. Our study presents the construction of a new zone on the average cost of the water damage guarantee for apartments. This new zone is called micro-zone because its construction is based on a very fine mesh. The methodology is not based on a classic approach but rather on the creation, by ourselves, of a division of France and on the use of machine learning models for the prediction of geographic residuals. The segmentation of the portfolio of policyholders into homogeneous groups is an important factor in the pricing of insurance contracts. This segmentation is carried out using so-called tariff variables. Adding the geographic dimension to these rate variables is a technique that is increasingly explored in property and casualty insurance. In the literature, the geographical effect is often taken into account at the municipality or department level. In this thesis, it is a question of seeing if the segmentation performance can be improved when the zoner is built on a mesh smaller than the usual administrative divisions. Keywords : zoning, machine learning, generalized linear models, spatial smoothing.
Mémoire complet
