Définir et implémenter une nouvelle segmentation client qui permette de prédire précisément le comportement des épargnants sur le long terme et conduise à des estimations d’encours plus précises.
Du fait d’événements personnels ou de la conjoncture économique, les épargnants peuvent retirer tout ou partie de leur épargne. Il est essentiel de prévoir ces comportements pour assurer la stabilité financière de l’assureur dans le contexte réglementaire Solvabilité II.
Rééchantillonnage, Gradient Boosting, Optimisation bayésienne, Valeurs de Shapley.
Nous avons audité la vision Client actuelle et l’historique des flux financiers, puis intégré avec des données internes pour une vision 360°. Nous avons ensuite mis en oeuvre un pipeline de rééchantillonnage pour alimenter un modèle de Gradient Boosting (XGBoost). Ce pipeline a été optimisé sous contrainte de variance, selon une approche bayésienne pour limiter le temps de calcul. Après avoir validé la stabilité temporelle du modèle, nous l’avons interprété par la méthode de Shapley, et défini des segmentations possibles du portefeuille à partir des effets identifiés.
Pour évaluer chaque segmentation, nous avons conçu un algorithme réplicatif rapide permettant un calibrage des taux et une projection des encours à long terme.
Nous contacter
06 75 07 62 45
contact@kobia.fr
© Kobia