Mémoires d'Actuariat
Utilisation du machine learning pour la classification de la sinistralité RCP en vue du calcul de provision S2
Auteur(s) ABDEL WEDOUD I.
Société Groupe MACSF
Année 2024
Confidentiel jusqu'au 18/04/2026
Résumé
L'objectif de cette étude est d'explorer les avantages potentiels des méthodes de segmentation en apprentissage automatique dans le secteur de l'assurance. En particulier, la MACSF, fondée en 1935 et dédiée aux professionnels de la santé, gère un portefeuille étendu de praticiens aux spécialisations variées (chirurgie, médecine générale, anesthésie, gynécologie, obstétrique, etc.). Cette étude se concentre sur le produit d’assurance Responsabilité Civile Professionnelle (RCP), notamment la responsabilité civile médicale, qui est au cœur des activités de la MACSF. Les régulateurs, tels que l’ACPR et l’EIOPA, exigent des provisions pour des groupes de risques homogènes, ou à défaut, pour des lignes d'activité homogènes (H-LOB). Dans ce contexte, la MACSF utilise actuellement une segmentation qualitative basée sur des codes tarifaires, combinant statut, spécialité et profession. Cependant, cette méthode rencontre des hétérogénéités significatives qui posent des défis en matière de provisionnement, notamment avec des méthodes exigeant l'homogénéité comme la Chain Ladder, et complexifie les opérations avec 11 classes distinctes. Face à ces constatations, cette étude a plusieurs objectifs : examiner les avantages des méthodes de segmentation en apprentissage automatique pour regrouper de manière homogène les spécialités médicales, réduire le nombre de classes actuelles en améliorant leur homogénéité interne, et intégrer les corrélations entre les classes de risque pour mieux estimer la provision totale.
Abstract
The aim of this study is to explore the potential benefits of machine-learning segmentation methods in the insurance sector. In particular, MACSF, founded in 1935 and dedicated to healthcare professionals, manages an extensive portfolio of practitioners with varied specializations (surgery, general medicine, anesthesia, gynecology, obstetrics, etc.). This study focuses on the Professional Liability (PL) insurance product, in particular medical liability, which is at the heart of MACSF's business. Regulators such as the ACPR and EIOPA require reserving for homogeneous risk groups, or failing that, for homogeneous lines of business (H-LOB). In this context, MACSF currently uses a qualitative segmentation based on tariff codes, combining status, specialty and profession. However, this method encounters significant heterogeneities that pose challenges for reserving, particularly with methods requiring homogeneity such as Chain Ladder, and complicates operations with 11 distinct classes. Faced with these findings, this study has several objectives : to examine the benefits of machine-learning segmentation methods for homogeneously grouping medical specialties, to reduce the number of current classes by improving their internal homogeneity, and to integrate correlations between risk classes to better estimate total reserve.
Auteur(s) ABDEL WEDOUD I.
Société Groupe MACSF
Année 2024
Confidentiel jusqu'au 18/04/2026
Résumé
L'objectif de cette étude est d'explorer les avantages potentiels des méthodes de segmentation en apprentissage automatique dans le secteur de l'assurance. En particulier, la MACSF, fondée en 1935 et dédiée aux professionnels de la santé, gère un portefeuille étendu de praticiens aux spécialisations variées (chirurgie, médecine générale, anesthésie, gynécologie, obstétrique, etc.). Cette étude se concentre sur le produit d’assurance Responsabilité Civile Professionnelle (RCP), notamment la responsabilité civile médicale, qui est au cœur des activités de la MACSF. Les régulateurs, tels que l’ACPR et l’EIOPA, exigent des provisions pour des groupes de risques homogènes, ou à défaut, pour des lignes d'activité homogènes (H-LOB). Dans ce contexte, la MACSF utilise actuellement une segmentation qualitative basée sur des codes tarifaires, combinant statut, spécialité et profession. Cependant, cette méthode rencontre des hétérogénéités significatives qui posent des défis en matière de provisionnement, notamment avec des méthodes exigeant l'homogénéité comme la Chain Ladder, et complexifie les opérations avec 11 classes distinctes. Face à ces constatations, cette étude a plusieurs objectifs : examiner les avantages des méthodes de segmentation en apprentissage automatique pour regrouper de manière homogène les spécialités médicales, réduire le nombre de classes actuelles en améliorant leur homogénéité interne, et intégrer les corrélations entre les classes de risque pour mieux estimer la provision totale.
Abstract
The aim of this study is to explore the potential benefits of machine-learning segmentation methods in the insurance sector. In particular, MACSF, founded in 1935 and dedicated to healthcare professionals, manages an extensive portfolio of practitioners with varied specializations (surgery, general medicine, anesthesia, gynecology, obstetrics, etc.). This study focuses on the Professional Liability (PL) insurance product, in particular medical liability, which is at the heart of MACSF's business. Regulators such as the ACPR and EIOPA require reserving for homogeneous risk groups, or failing that, for homogeneous lines of business (H-LOB). In this context, MACSF currently uses a qualitative segmentation based on tariff codes, combining status, specialty and profession. However, this method encounters significant heterogeneities that pose challenges for reserving, particularly with methods requiring homogeneity such as Chain Ladder, and complicates operations with 11 distinct classes. Faced with these findings, this study has several objectives : to examine the benefits of machine-learning segmentation methods for homogeneously grouping medical specialties, to reduce the number of current classes by improving their internal homogeneity, and to integrate correlations between risk classes to better estimate total reserve.
