Mémoires d'Actuariat
Anticipation des rachats et application à la valeur client pour des portefeuilles d'assurance vie
Auteur(s) TABET DERRAZ A.
Société GIE D'ABEILLE ASSURANCES
Année 2024
Confidentiel jusqu'au 18/11/2026
Résumé
La valeur client est un indicateur clef pour les entreprises d’assurance de plus en en plus regardantes sur leurs sources de marges. Dans un contexte économique inédit et incertain, les assureurs font face à une croissance majeure du risque de rachat qui vient dégrader leurs marges en plus de coûter cher en capital. L’anticipation du comportement des assurés, et en l’occurrence de leurs rachats , devient un enjeu afin de mieux monitorer les flux sortants. L’utilisation de la data science démontre son efficacité dans ce domaine en traitant de larges quantités de données afin d’en tirer les probabilités de rachat de chacun des assurés. Deux portefeuilles d’assurance sont simulés et comparés afin de déterminer quels sont les facteurs principaux influant dans le rachat des assurés. Il s’avère que les modèles d’apprentissage supervisé utilisés montrent que ces facteurs d’influence sont identiques pour les deux portefeuilles : un contact constant avec ses assurés est le meilleur moyen de défendre le stock d’assurés. Par ailleurs, l’utilisation de la vif telle que calculée en norme Solvabilité 2 comme indicateur de valeur client présentes quelques limites techniques et la question de se répartition par individu se pose. Une nouvelle méthode de répartition de la VIF basée sur les encours, l’âge et la probabilité de rachat affinée est proposée afin d’affiner cet indicateur puisque les marges de l’assureur en dépendent fortement. En revanche, la VIF présente également une limite intrinsèque majeure pour la valeur client : celle de ne pas projeter les primes futures. Des études complémentaires peuvent être menées en ce sens pour estimer les probabilités de versements, leurs durées ainsi que les montants. Mots clés : Valeur client, rachat, assurance vie, épargne, VIF, modèles d’apprentissage supervisé, anticipation, jeu de données déséquilibré, XGboost, Catboost, LIFT.
Abstract
Customer value is a key indicator for insurance companies, which are increasingly focused on their profit sources. In an unprecedented and uncertain economic context, insurers are grappling with a significant increase in surrender risk, which erodes their margins and also incurs substantial capital costs. Anticipating policyholders’ behavior, particularly their surrenders, has become crucial for better monitoring of outflows. The use of data science demonstrates its effectiveness in this domain by processing large quantities of data to derive the surrender probabilities for each policyholder. Two insurance portfolios are simulated and compared to determine the primary factors influencing policy surrenders. Interestingly, supervised learning models reveal that these influential factors are consistent across both portfolios : maintaining consistent communication with policyholders is the best way to protect the policyholder base. However, using the Value of In-Force (VIF), as calculated under Solvency 2 norms, as a customer value indicator has some technical limitations. Additionally, the question of individual allocation arises. A new method for VIF allocation based on policy reserves, age, and surrender probability is proposed to refine this indicator, as the insurer’s margins heavily depend on it. On the other hand, the VIF has a significant intrinsic limitation regarding projecting future premiums. Further studies can explore estimating payment probabilities, durations, and amounts.
Auteur(s) TABET DERRAZ A.
Société GIE D'ABEILLE ASSURANCES
Année 2024
Confidentiel jusqu'au 18/11/2026
Résumé
La valeur client est un indicateur clef pour les entreprises d’assurance de plus en en plus regardantes sur leurs sources de marges. Dans un contexte économique inédit et incertain, les assureurs font face à une croissance majeure du risque de rachat qui vient dégrader leurs marges en plus de coûter cher en capital. L’anticipation du comportement des assurés, et en l’occurrence de leurs rachats , devient un enjeu afin de mieux monitorer les flux sortants. L’utilisation de la data science démontre son efficacité dans ce domaine en traitant de larges quantités de données afin d’en tirer les probabilités de rachat de chacun des assurés. Deux portefeuilles d’assurance sont simulés et comparés afin de déterminer quels sont les facteurs principaux influant dans le rachat des assurés. Il s’avère que les modèles d’apprentissage supervisé utilisés montrent que ces facteurs d’influence sont identiques pour les deux portefeuilles : un contact constant avec ses assurés est le meilleur moyen de défendre le stock d’assurés. Par ailleurs, l’utilisation de la vif telle que calculée en norme Solvabilité 2 comme indicateur de valeur client présentes quelques limites techniques et la question de se répartition par individu se pose. Une nouvelle méthode de répartition de la VIF basée sur les encours, l’âge et la probabilité de rachat affinée est proposée afin d’affiner cet indicateur puisque les marges de l’assureur en dépendent fortement. En revanche, la VIF présente également une limite intrinsèque majeure pour la valeur client : celle de ne pas projeter les primes futures. Des études complémentaires peuvent être menées en ce sens pour estimer les probabilités de versements, leurs durées ainsi que les montants. Mots clés : Valeur client, rachat, assurance vie, épargne, VIF, modèles d’apprentissage supervisé, anticipation, jeu de données déséquilibré, XGboost, Catboost, LIFT.
Abstract
Customer value is a key indicator for insurance companies, which are increasingly focused on their profit sources. In an unprecedented and uncertain economic context, insurers are grappling with a significant increase in surrender risk, which erodes their margins and also incurs substantial capital costs. Anticipating policyholders’ behavior, particularly their surrenders, has become crucial for better monitoring of outflows. The use of data science demonstrates its effectiveness in this domain by processing large quantities of data to derive the surrender probabilities for each policyholder. Two insurance portfolios are simulated and compared to determine the primary factors influencing policy surrenders. Interestingly, supervised learning models reveal that these influential factors are consistent across both portfolios : maintaining consistent communication with policyholders is the best way to protect the policyholder base. However, using the Value of In-Force (VIF), as calculated under Solvency 2 norms, as a customer value indicator has some technical limitations. Additionally, the question of individual allocation arises. A new method for VIF allocation based on policy reserves, age, and surrender probability is proposed to refine this indicator, as the insurer’s margins heavily depend on it. On the other hand, the VIF has a significant intrinsic limitation regarding projecting future premiums. Further studies can explore estimating payment probabilities, durations, and amounts.
