Optimiser le Bonus Malus

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

Yann Mercuzot
Responsable Actuariat Produits et Réassurance, Pacifica – Crédit Agricole Assurances

Objectif

Construire un modèle de Machine Learning permettant d’optimiser le système de bonus/malus sur l’ensemble du portefeuille client.

Contexte

Les systèmes de bonus/malus des différents produits d’assurance d’un même client sont souvent indépendants les uns des autres. Un client globalement rentable peut recevoir un malus sur une de ses assurances, le poussant à résilier. A l’inverse, un client peut demeurer sous les seuils de malus sur toutes ses assurances, tout en générant un coût global important.
La clé de notre optimisation est la synthèse globale du profil client pour éviter les angles morts et optimiser le résultat financier du portefeuille.

Résultats

Un modèle qui augmente fortement la précision du ciblage, permettant d’éviter le malus aux clients rentables, pour le concentrer sur les clients surconsommateurs, voire fraudeurs. Le modèle permet d’identifier les clients 4 fois plus coûteux que la moyenne.

Algorithmes

Gradient Boosting (XGBoost), réseau de neurones (Tensorflow, Keras), Optimisation de la courbe Precision/Recall.

Méthode

A partir des données clients, nous avons élaboré une vue 360° de chacun d’entre eux. Nous avons ensuite conçu un modèle de Machine Learning et Deep Learning permettant de prédire la marge future de chaque client. La recherche a porté sur l’indicateur de sinistralité globale le plus pertinent et l’optimisation du couple Precision/Recall du modèle à partir des données de marge et d’élasticité-prix.

Combinaison des modèles de Machine Learning et de Deep Learning pour de prédire la marge du client