Anticiper le comportement à long terme

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Proin ac dignissim sapien. Aenean massa neque, tristique sed mi ultrices, aliquet faucibus nunc.

Jérémy Bergeret
Responsable d’études techniques assurances, Crédit Agricole

Objectif

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.

Contexte

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.

Résultats

  • +40% de précision sur l’estimation des encours futurs,
  • Gain de temps important pour les équipes d’actuariat grâce à une méthode de calibrage simplifiée.

Algorithmes

Rééchantillonnage, Gradient Boosting, Optimisation bayésienne, Valeurs de Shapley.

Méthode

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.

Interaction de l’effet de l’âge avec une variable de scoring externe. Ce graphe permet d’identifier des zones de stabilité pour une segmentation appropriée.