Mémoires d'Actuariat
Maîtrise de l'arrêt de travail d'un compte client en prévoyance collective
Auteur(s) QUEANT N.
Société Mutex
Année 2024
Confidentiel jusqu'au 13/03/2026
Résumé
La prévoyance collective sur-mesure nécessite une analyse approfondie de la charge ultime pour évaluer l’équilibre d’un portefeuille, reposant sur des hypothèses de stabilité et d’historique adéquat. Cependant, ces hypothèses sont rarement remplies dans les comptes clients, avec des données inexploitées. Les différences entre portefeuille global et compte individuel remettent en question l’applicabilité des mêmes méthodes. L’examen des arrêts de travail révèle les limites des méthodes conventionnelles, en particulier en cas d’un nombre insuffisant de sinistres ou d’évènements imprévus comme la COVID. Ce mémoire explore des méthodes alternatives mais souligne leurs limites dues aux mêmes hypothèses déficientes. L’analyse des arrêts de travail d’un grand compte met en avant l’importance des données sous-exploitées et propose une approche axée sur les provisions et les particularités de chaque contrat pour estimer la sinistralité future. Malgré leur potentiel, les études spécifiques pour chaque contrat sont chronophages. Le recours à l’apprentissage automatique et à de nouvelles sources de données comme la DSN ouvre des perspectives d’automatisation des études pour fournir une tendance plus régulière sur l’évolution de la sinistralité. Mots clés : Provisionnement, Chain ladder, Prévoyance, DSN, Machine Learning, Bornhuetter-Fergusson, Bootstrap, Benktender, Invalidité, Incapacité Temporaire, Compte Client
Abstract
Customized collective pension require in-depth analysis of the ultimate expense to assess the balance of a portfolio, based on assumptions of stability and adequate history. However, these assumptions are rarely fulfilled in client accounts, with untapped data. The differences between global portfolios and individual accounts call into question the applicability of the same methods. Examination of work stoppages reveals the limitations of conventional methods, particularly in the case of insufficient numbers of claims or unforeseen events such as Covid-19. This paper explores alternative methods, but highlights their limitations due to the same flawed assumptions. The analysis of work stoppages on a major account highlights the importance of under-exploited data, and proposes an approach based on reserves and the particularities of each contract for estimating future claims. Despite their potential, specific studies for each contract are time-consuming. The use of machine learning and data sources such as the DSN opens up prospects for automating studies to provide a more regular trend in claims experience. Key words : Reserving, Chain ladder, DSN, Machine Learning, Bornhuetter-Fergusson, bootstrap, Benktender, Disability, Inability,
Auteur(s) QUEANT N.
Société Mutex
Année 2024
Confidentiel jusqu'au 13/03/2026
Résumé
La prévoyance collective sur-mesure nécessite une analyse approfondie de la charge ultime pour évaluer l’équilibre d’un portefeuille, reposant sur des hypothèses de stabilité et d’historique adéquat. Cependant, ces hypothèses sont rarement remplies dans les comptes clients, avec des données inexploitées. Les différences entre portefeuille global et compte individuel remettent en question l’applicabilité des mêmes méthodes. L’examen des arrêts de travail révèle les limites des méthodes conventionnelles, en particulier en cas d’un nombre insuffisant de sinistres ou d’évènements imprévus comme la COVID. Ce mémoire explore des méthodes alternatives mais souligne leurs limites dues aux mêmes hypothèses déficientes. L’analyse des arrêts de travail d’un grand compte met en avant l’importance des données sous-exploitées et propose une approche axée sur les provisions et les particularités de chaque contrat pour estimer la sinistralité future. Malgré leur potentiel, les études spécifiques pour chaque contrat sont chronophages. Le recours à l’apprentissage automatique et à de nouvelles sources de données comme la DSN ouvre des perspectives d’automatisation des études pour fournir une tendance plus régulière sur l’évolution de la sinistralité. Mots clés : Provisionnement, Chain ladder, Prévoyance, DSN, Machine Learning, Bornhuetter-Fergusson, Bootstrap, Benktender, Invalidité, Incapacité Temporaire, Compte Client
Abstract
Customized collective pension require in-depth analysis of the ultimate expense to assess the balance of a portfolio, based on assumptions of stability and adequate history. However, these assumptions are rarely fulfilled in client accounts, with untapped data. The differences between global portfolios and individual accounts call into question the applicability of the same methods. Examination of work stoppages reveals the limitations of conventional methods, particularly in the case of insufficient numbers of claims or unforeseen events such as Covid-19. This paper explores alternative methods, but highlights their limitations due to the same flawed assumptions. The analysis of work stoppages on a major account highlights the importance of under-exploited data, and proposes an approach based on reserves and the particularities of each contract for estimating future claims. Despite their potential, specific studies for each contract are time-consuming. The use of machine learning and data sources such as the DSN opens up prospects for automating studies to provide a more regular trend in claims experience. Key words : Reserving, Chain ladder, DSN, Machine Learning, Bornhuetter-Fergusson, bootstrap, Benktender, Disability, Inability,
