Menu
Construire un modèle de Machine Learning permettant d’optimiser le système de Bonus-Malus sur l’ensemble du portefeuille client.
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.
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.
Gradient Boosting, réseau de neurones (Tensorflow, Keras), Optimisation de la courbe Precision/Recall.
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.
Prédiction de la marge globale du client pour appliquer la bonne correction tarifaire. Cette approche permet de fidéliser les clients vertueux et de pénaliser les clients surconsommateurs/fraudeurs.
