Mémoires d'Actuariat
Identification de profils de risques pour les sinistres importants sur les garanties incendie et responsabilité civile
Auteur(s) RENAUDEAU A.
Société MAIF
Année 2024
Confidentiel jusqu'au 18/06/2026
Résumé
La crise sanitaire du COVID-19, a eu un fort impact en 2020 et 2021 sur la sinistralité des contrats d’assurance. Depuis le retour à la normale, deux nouvelles problématiques se sont manifestées : la recrudescence d’événements climatiques et l’inflation. L’objectif de MAIF, depuis toujours, est de proposer le tarif le plus juste techniquement tout en préservant le pouvoir d’achat des sociétaires. Les bouleversements économiques récents vont avoir des conséquences durables et majeures sur les activités, les coûts et, in fine, sur les résultats et la rentabilité du groupe. Des actions doivent être mises en place pour maintenir l’équilibre entre la compétitivité tarifaire et la performance économique. Ce mémoire propose une analyse détaillée des sinistres dits « importants » et permettra la mise en place de consignes de gestion, de tarifications adaptées ou de critères de sélection des risques. Il faut entendre par sinistres importants, des sinistres dont le montant est élevé : au-dessus d’un seuil défini et dont la récurrence est relativement faible. Les méthodes utilisées dans ce mémoire sont celles de la Théorie des valeurs extrêmes pour déterminer le seuil des sinistres importants puis les techniques de modélisation de modèle linéaire généralisé (GLM) et de Machine Learning pour déterminer des profils de risque. Ce mémoire permet de mettre en avant les différences entre les garanties d’un même profil de sociétaire ou de profils différents. Les méthodes utilisées ont été adaptées pour répondre aux besoins tout en prenant en compte les limites techniques, d’information ou réglementaires.
Abstract
The COVID-19 health crisis had a significant impact on the insurance clair rates in 2020 and 2021. Since claim frequencies have returned to pre-COVID-19 levels, two new challenges have arisen : an increase in climatic events and inflation. MAIF’s objective has always been to offer the fairest pricing while preserving policyholders’ spending power. Recent economic disruptions will have lasting and significant consequences on activities, costs, and ultimately, on the group’s results and profitability. Actions must be taken to maintain a balance between competitive pricing and economic performance. This thesis offers a detailed analysis of so-called "significant" claims and will facilitate the implementation of management guidelines, adapted pricing, or risk selection criteria. Significant claims – refers to amounts above a defined threshold and with relatively low recurrence. For the MAIF portfolio, the analysis covers all fire and miscellaneous risks (IRD) products : for individuals (multi-risk home insurance MRH) and legal entities. The methods used in this thesis include extreme value theory to determine the threshold for significant claims, as well as generalized linear model (GLM) and Machine Learning modeling techniques to determine risk profiles. This thesis also highlights differences between coverages for the same policyholder profile or different profiles. The methods used have been adapted to meet the needs while considering technical, informational, or regulatory limitations.
Auteur(s) RENAUDEAU A.
Société MAIF
Année 2024
Confidentiel jusqu'au 18/06/2026
Résumé
La crise sanitaire du COVID-19, a eu un fort impact en 2020 et 2021 sur la sinistralité des contrats d’assurance. Depuis le retour à la normale, deux nouvelles problématiques se sont manifestées : la recrudescence d’événements climatiques et l’inflation. L’objectif de MAIF, depuis toujours, est de proposer le tarif le plus juste techniquement tout en préservant le pouvoir d’achat des sociétaires. Les bouleversements économiques récents vont avoir des conséquences durables et majeures sur les activités, les coûts et, in fine, sur les résultats et la rentabilité du groupe. Des actions doivent être mises en place pour maintenir l’équilibre entre la compétitivité tarifaire et la performance économique. Ce mémoire propose une analyse détaillée des sinistres dits « importants » et permettra la mise en place de consignes de gestion, de tarifications adaptées ou de critères de sélection des risques. Il faut entendre par sinistres importants, des sinistres dont le montant est élevé : au-dessus d’un seuil défini et dont la récurrence est relativement faible. Les méthodes utilisées dans ce mémoire sont celles de la Théorie des valeurs extrêmes pour déterminer le seuil des sinistres importants puis les techniques de modélisation de modèle linéaire généralisé (GLM) et de Machine Learning pour déterminer des profils de risque. Ce mémoire permet de mettre en avant les différences entre les garanties d’un même profil de sociétaire ou de profils différents. Les méthodes utilisées ont été adaptées pour répondre aux besoins tout en prenant en compte les limites techniques, d’information ou réglementaires.
Abstract
The COVID-19 health crisis had a significant impact on the insurance clair rates in 2020 and 2021. Since claim frequencies have returned to pre-COVID-19 levels, two new challenges have arisen : an increase in climatic events and inflation. MAIF’s objective has always been to offer the fairest pricing while preserving policyholders’ spending power. Recent economic disruptions will have lasting and significant consequences on activities, costs, and ultimately, on the group’s results and profitability. Actions must be taken to maintain a balance between competitive pricing and economic performance. This thesis offers a detailed analysis of so-called "significant" claims and will facilitate the implementation of management guidelines, adapted pricing, or risk selection criteria. Significant claims – refers to amounts above a defined threshold and with relatively low recurrence. For the MAIF portfolio, the analysis covers all fire and miscellaneous risks (IRD) products : for individuals (multi-risk home insurance MRH) and legal entities. The methods used in this thesis include extreme value theory to determine the threshold for significant claims, as well as generalized linear model (GLM) and Machine Learning modeling techniques to determine risk profiles. This thesis also highlights differences between coverages for the same policyholder profile or different profiles. The methods used have been adapted to meet the needs while considering technical, informational, or regulatory limitations.
