Tarification : les modélisations de risques innovantes pour pérenniser la performance

22 mai 2013
Tarification :
Les modélisations de risques
innovantes pour pérenniser la
performance

CONFIDENTIAL © 2013 MAIF & ACTUARIS 2
Sommaire
 Introduction p 3
 Exploiter de nouvelles données p 5
 Segmentation : perspectives à court terme en assurance automobile
 Localisation : affiner la tarification Santé
 OBD : capture du comportement de conduite
 Difficultés identifiées de mise en œuvre et nécessaires mutations
 Explorer et utiliser de nouveaux modèles p 19
 Modélisation des frais
 Elasticité au prix de la demande et positionnement concurrentiel
 Gap actuel entre théorie et pratique
 Pourquoi surpasser ces obstacles
 Conclusion p 34

Introduction
 Actualité :
 Législation contre la discrimination :
Gender Directive : interdiction de l’usage de la variable sexe
Prochaine interdiction de l’usage de la variable âge ?
 Remise en cause de la tacite reconduction
Loi Châtel
Projet de Loi Hamon
 Crise
Assurés plus réceptif au message prix
 Facilité d’accès à des offres alternatives :
 Comparateurs sur internet
 Diversité des réseaux de distribution
 Incitation à innover pour pérenniser la performance : examinons deux
pistes :
 Données : exploiter de nouvelles données pour mieux segmenter
 Modèles : explorer et utiliser de nouveaux modèles pour mieux positionner le tarif

Sommaire
 Conclusion p 34

CONFIDENTIAL © 2013 MAIF & ACTUARIS
 La segmentation du risque automobile est aujourd’hui dans une
situation intermédiaire
 L’accès au comportement du conducteur au travers des variables en traduisant l’effet
est compromis par les évolutions réglementaires récentes et à venir.
 Les dispositifs de type OBD, permettant d’exploiter les données directement liées au
comportement, ne sont pas encore généralisés en France.
 En attendant, peut-on approcher le comportement par le véhicule ?
 L’estimation du risque lié au couple [comportement, véhicule]
 L’objectif est de disposer de données indirectement liées au comportement au travers
des données liées au véhicule en affinant leur fiabilité et la maille d’analyse.
 Une piste possible : l’exploitation du Système d’Immatriculation des Véhicules
Segmentation
5
Données
Perspectives à court terme en assurance automobile

Localisation : affiner la tarification Santé
Les variables traditionnelles utilisées pour segmenter le tarif d’une garantie
santé sont peu nombreuses :
- le niveau de la garantie
- l’âge
- le régime de Sécurité Sociale
- la localisation
=> Intérêt de bien mesurer l’influence de chaque variable sur la consommation en santé
Plusieurs questions :
 La consommation en santé diffère-t-elle en fonction des communes, des cantons, des
départements, des régions?
 Comment mesurer les écarts de consommation?
 Ces écarts de consommation sont-ils identiques quel que soit le niveau de la couverture?
Données
6

Etape n°1 : L’influence de la localisation est-elle la même quel que soit le
niveau de garantie ?
La localisation influe différemment sur la consommation des garanties entrée de
gamme que sur les garanties moyennes ou haut de gamme
Données
Correctifs
standards
7

Etape n°2 : La commune, le canton, le département, la région?
De nombreuses données externes, médicales et urbaines, sont disponibles
(site INSEE) :
 Le revenu moyen des habitants d’une commune, d’un canton (BDD INSEE « Revenus imposables et
montant des impôts – Année 2006 à 2009 »)
 La proportion de chômeurs au sein de la commune, du canton (BDD INSEE « Emploi et population active
1999 et 2009 »)
 La proportion de dentistes, d’opticiens, de médecins généralistes ou spécialistes (BDD INSEE
« Nombre de fonctions médicales et paramédicales en 2011 »)
 La densité de pharmaciens (BDD INSEE « Nombre d’équipements et de services de santé en 2011 »)
 La distance avec l’hôpital le plus proche (BDD INSEE « Nombre d’équipements et de services de santé en 2011 »)
Données
8

Exemple n°1 : Impact de la densité de dentistes sur les remboursements
moyens en dentaire
La densité de dentistes influe positivement sur la consommation
de en dentaire des garanties entrée de gamme
9
Données
Densité de dentistes par département
Jusque 0,40 dentistes pour 1000 habitants
De 0,40 à 0,60 dentistes pour 1000 habitants
Plus de 0,80 dentistes pour 1000 habitants






  
Impact de la densité de dentistes par département sur le
remboursement en dentaire
 


Exemple n°2 : Impact de la densité de médecins sur les remboursements
moyens en actes courants
La densité de médecins influe positivement sur la consommation
en actes courants des garanties entrée de gamme
Données
Densité de médecins par département
Jusque 1,20 médecins pour 1000 habitants
De 1,20 à 1,50 médecins pour 1000 habitants
Plus de 2,50 médecins pour 1000 habitants








    
Impact de la densité de médecins par département sur le
remboursement des actes courants
 

10

Exemple n°3 : Impact de la densité d’établissements de soins sur les
remboursements moyens en hospitalisation
La densité d’hôpitaux ne semble pas influer sur la
sinistralité du poste hôpital des garanties entrée de
gamme
Données
Densité d’établissements de soins par département
Jusque 0,70 établissements de soins pour 1000 habitants
De 0,70 à 0,80 établissements de soins pour 1000 habitants
Plus de 0,80 établissements de soins pour 1000 habitants








  
Impact de la densité d'établissements de soin par département sur le
remboursement en hospitalisation
 

11

Exemple n°4 : Impact de la densité de pharmacies su r les remboursements
moyens en pharmacie
La densité de pharmacies influe positivement sur la
consommation en médicaments des garanties entrée de gamme
12
Données
Densité de pharmacies par département
Jusque 0,33 pharmacie pour 1000 habitants
De 0,33 à 0,36 pharmacies pour 1000 habitants
Plus de 0,41 pharmacies pour 1000 habitants









    
Impact de la densité de pharmacies par département sur le
remboursement en pharmacie
 


Exemple n°5 : Impact de la proportion de chômeurs d ans la commune sur
les remboursements moyens
La proportion de chômeurs influe différemment sur la consommation
des grands postes des garanties entrée de gamme
Données
13

Données
 Difficultés de mise en œuvre :
 Etape de lissage géospatial indispensable pour lisser les écarts :
 intensité du lissage à fixer pour limiter les écarts trop importants
 Quelle adresse retenir : lieu de domicile / de travail ?
 Comment expliquer les écarts au réseau ? au client ?
 Suivi de l’équilibre plus complexe car moindre mutualisation

OBD : capture du comportement de conduite
Données
 Chaque nouveau véhicule doit être équipé d’un outil de diagnostic OBD
 Directive européenne 98/69/EC
 Depuis 1/2002 pour les véhicules à essence et 1/2004 pour diesel
 Il est possible d’enficher dans ce port un boitier Plug n’Play
capturant toutes les données du véhicule :
 vitesse, accélération…
 Ce boitier couplé à des fonctions GPS et connecté via Smartphone
permet de capturer des données sur le comportement de conduite
à risques :
 Conduite nocturne sur voie rurale
 Coup de volant intempestif
 Freinage brusque
 Couplé à un algorithme puissant il permet
d’identifier ces situations :
 Etablissement d’un score sur le
comportement de conduite particulièrement
prédictif
 Avantage d’adresser directement et
individuellement les comportements à risques
plutôt que de rechercher des variables explicatives
Port OBD-II Source : VAG
Boîtier « Snapshot »
Source : Progressive

Difficultés identifiées de mise en œuvre
Données
 D’une manière générale
 Difficultés liées au recueil et à l’exploitation de nouvelles données
 Rapport entre l’investissement que cela représente et les résultats obtenus
 Le cas particulier des outils de diagnostic OBD
 Difficulté liée à l’hétérogénéité de la nature des données récupérées : les informations
transitant par les boîtiers peuvent différer d’un constructeur à l’autre.
 Comment exploiter ces nouveaux moyens de segmentation du tarif :
 Face aux difficultés logistiques : stockage d’un nombre très élevé d’informations
 Face aux difficultés réglementaires : toutes les données collectées sont-elles
exploitables? Sous quels délais ?
 Face à la nécessité de développer de nouvelles compétences humaines dans les
méthodes d’analyse.
Or, nous sommes confrontés à l’absence de développement de la théorie actuarielle
ou de formalisation de l’exploitation de ces données.
 Pas de solution immédiate si ce n’est d’externaliser l’exploitation des boîtiers ?

Nécessaires mutations
 Historiquement
 Le processus tarifaire était devenu un processus routinier avec peu d’innovation et avec des évolutions espacées
dans le temps
 Le recours aux données était limité et principalement focalisé sur des données internes
 Les évolutions récentes montrent que ce schéma doit évoluer avec des conséquences
 Au niveau des données et process :
 Conservation des données
 Accès à des données externes (connectivité / Big Data)
 Nouveaux algorithmes d’exploitation des données (PAYD)
 Adaptation des outils actuariels et des systèmes de cotation
 Au niveau des actuaires :
 Expérimentations
 Utilisation de données et de modèles moins bien maitrisés
 Evolutions plus rapides et plus fréquentes des processus tarifaire
 Importance cruciale d’un suivi et d’une réactivité aux changements de tendances
 Ces évolutions ont déjà été expérimentées dans d’autres pays
 La France est en retard dans la sophistication de son processus tarifaire
 Inconvénient : il y a du chemin à parcourir et il faut s’y mettre rapidement
 Avantage : ce qui marche / ne marche pas a déjà été expérimenté sur d’autres
marchés et on peut tirer avantage de cette expérimentation
Données
Triangulations de Delaunay
Source : Wikipédia
Source : L’Argus de l’Assurance

Sommaire
 Conclusion p 34

Panorama des modèles
Au-delà des données, il y a de nouveaux modèles à considérer…
19
Modèles
Sinistres Polices FNI
VEHICULIER
ZONIER
Base de travail
GLM
Insee
PRIME PURE ROBUSTE
CHARGEMENTSPRIME PURE PROJETEE
Inflation, IBNR
PRIME CHARGEE
PRIME CONTRAINTE
Cibles marketing
Tarif précédent
ELASTICITE AU PRIX POSITION CONCURRENTIELLE
Devis, résiliation
Webscraping
DECODAGE
PRIME OPTIMISEE
ALGORITHME VALEUR CLIENT
Flex. réseau
Actuaris
SELECTION ET DECOUPAGE
modèles étudiés dans la suite du document

 Les évolutions législatives (lois Châtel, Hamon…), et comportementales (zapping), entraînent une
baisse importante de la duration moyenne des contrats
 Le poids du coût d’acquisition gagne en importance, tandis que la gestion du risque reste un
enjeu majeur de la maîtrise des coûts
 Nécessite de :
 Segmenter les modèles de tarification (par générations de contrats, par réseau de
distribution) avec des hypothèses de duration et de frais adaptées à chaque segment
 Projeter la rentabilité sur la duration moyenne des contrats pour évaluer la « vraie »
rentabilité
Modélisation des frais
20
Modèles
Nécessite une analyse fine des différents types de frais

 Exemple sur les frais de structure et de gestion des sinistres :
 Problématique sur les frais d’acquisition :
 Les jeunes ont une duration inférieure et leur assiette de cotisations est plus faible
 Les frais d’acquisition sont plus difficiles à amortir et grèvent la rentabilité de ces segments
Modélisation des frais
21
Modèles
Prise en compte de la duration prévisionnelle des contrats











   


   








  


  

 Exemple
 Coût du risque chargé :
 Marge :
 Prime commerciale :
Modèles d’élasticité & positionnement concurrentiel
Modèles
Intérêt des modèles
100
85
15
N-1 N
?
80
?

 Exemple : si connaissance de l’élasticité au prix
 Marge :
Modèles
inélastique
100
80
20
100
85
15
N-1 N
?
80
?
élastique
95
80
15

 Exemple : si connaissance du positionnement de la concurrence
 Marge :
Modèles
compétitif
>100
80
>20
100
85
15
N-1 N
?
80
?
non
compétitif
<95
80
<15
concurrents concurrents
105
110
120
95
90
85

concurrents
105
110
120
25
 Exemple : si connaissance de l’élasticité au prix de la demande et
du positionnement de la concurrence
 Marge :
Modèles
100
85
15
N-1 N
?
80
?
compétitif
80
inélastique élastique
>100
80
>20
100
20

 Exemple : si connaissance de l’élasticité au prix de la demande et
du positionnement de la concurrence
 Marge :
Modèles
100
85
15
N-1 N
?
80
?
non compétitif
80
concurrents
95
90
85
inélastique élastique
100
80
20
S’aligner
ou sortir
100
20
85
5
95
15

Elasticité au prix de la demande
 Objectif
 prédire le taux de résiliation en fonction du pourcentage d’augmentation tarifaire
 prédire le taux de conversion en affaires nouvelles
 Moyens
 Trouver les variables explicatives des taux de résiliation / conversion
 Très gourmand en données
 conserver les données des devis non transformés et des contrats non renouvelés
 conserver les données historiques : effet retard
 disposer d’une plage de variation tarifaire suffisante
 Tirer partie des changements de zonier ou véhiculier
 Price testing
Positionnement concurrentiel
 Objectif
 Positionner le prix commercial par rapport aux offres sur le marché
 Moyens
 Webscraping des sites des concurrents
 Décodage des tarifs
Modèles
Objectifs & Moyens

 Objectif
 Etablir un algorithme permettant d’allouer les rabais tarifaires
 Moyens
 Modèles techniques robustes (pour éviter l’exploitation par l’algorithme de failles
techniques).
 Modèle d’élasticité au prix de la demande
 Modèle tarifaire des concurrents
 Algorithme pluriannuel de « valeur client »
 Ecart entre le tarif théorique (prime pure) et tarif réel (prime commerciale)
 Projeté et actualisé sur plusieurs années en considérant les probabilités de
renouvellement qui sont fonction des modèles d’élasticité au prime de la demande et du
positionnement par rapport à la concurrence
 Allocation des rabais en fonction des objectifs à fixer de :
 Part de marché
 Rentabilité
 Eviter la surexploitation des profils inélastiques
 Obtention d’une optimisation tarifaire:
 Optimisation de l’allocation des rabais tarifaires
Modèles
Utilisation : valeur client et optimisation tarifaire

Gap actuel entre théorie et pratique
Modèles
 La mise en œuvre de ces nouveaux modèles exige de résoudre un certain nombre de
problématiques pour que l’exercice d’optimisation tarifaire soit pertinent :
 Le niveau de détail requis pour la connaissance du tarif appliqué
La prime pure doit être modélisée de manière exhaustive, sinon quel traitement réserver à
la partie non modélisée ?
La modélisation des chargements n’est, en général, pas réalisée à un niveau de maille
aussi fin que la prime pure.
Comment traiter l’approche multi-produits ?
 La fiabilité et l’exhaustivité de la connaissance de l’élasticité au prix
L’exploitation des devis non transformés sur Internet pose la question du traitement des
erreurs ou des tests réalisés plusieurs fois par les assurés
Comment repérer un devis non transformé ou un contrat non renouvelé au motif exclusif
du tarif ?
Quelle plage de variation de prix tester ? Selon quelles modalités ?
Quelle est la pertinence d’un price testing ?

Gap actuel entre théorie et pratique
Modèles
 La mise en œuvre de ces nouveaux modèles exige de résoudre un certain nombre
de problématiques pour que l’exercice d’optimisation tarifaire soit pertinent :
 La fiabilité et l’exhaustivité de la connaissance du positionnement concurrentiel
Le décodage des tarifs en assurance automobile est rendu difficile par le fait que le zonier
et le véhiculier peuvent être activés sur des garanties différentes selon les acteurs.
Comment identifier les rabais consentis par les concurrents et inclus dans leurs tarifs ?
Comment distinguer les tarifs appliqués aux risques en portefeuille de ceux réservés aux
nouveaux risques ?
Les prix récoltés sur Internet ne sont pas forcément ceux pratiqués dans les autres canaux
de distribution.
La comparabilité des offres entre les différents acteurs est toujours approximative.
Ces nouveaux modèles ont une vocation descriptive tout en reposant sur un grand nombre
d’hypothèses, ce qui implique une longue phase d’apprentissage pour les rendre
complètement opérationnels.

Pourquoi surpasser ces obstacles ?
 Questions pratiques :
 Pourquoi offrir une couverture à 175€,
alors que toutes les autres offres sont
supérieures à 253€?
Un positionnement juste en dessous
de 253€permettrait de toujours être
le meilleur disant et générer plus de
marge.
 Pourquoi se positionner au même prix
253€mais avec des garanties
inférieures ?
Un positionnement juste inférieur à
253€paraitrait plus « logique » à
l’internaute.
 A garantie comparable, la notoriété de la marque permet-elle de compenser la
différence de prix ?
 Les assurés ne prennent pas en compte les difficultés de mise en œuvre des assureurs
pour pratiquer leur choix  d’où la nécessité d’avoir un positionnement tarifaire
Modèles
Source : LesFurets.com
A
B
C
D
E
A
C
E

Comment surpasser ces obstacles ?
 Par où commencer :
 Commencer sur les affaires en renouvellement avant les affaires nouvelles
 Faire des tests sur des populations type aléatoire pour roder les modèles (par exemple
tous les clients né le 22 octobre de toutes les années)
 Valider fréquemment que les modèles sont robustes en comparant prédiction vs.
réalisation
 Réviser fréquemment les modèles
 Pour cela, il y a néanmoins des prérequis à adresser de suite :
 Conservation des données historiques pour traitements ultérieurs
 Faire évoluer le système de cotation à destination du réseau afin qu’il puisse :
faire des calculs complexes (par exemple recours à des scores)
conserver la trace des calculs pour être en mesure de simuler des re-tarification
être changé très rapidement
Modèles

Sommaire
 Conclusion p 34

Conclusion
 Le contexte actuel nécessite de mieux tarifer par :
 une meilleure exploitation des données :
Internes (nécessite de collecter plus de données auprès des assurés)
Externes (Big Data)
 une modélisation plus fine de la prime pure et des chargements :
De nouveaux modèles mathématiques
Des outils de tarification plus puissants
Modélisation des frais en réconciliant les approches actuarielles et de contrôle de gestion
 une meilleure prise en compte du positionnement tarifaire:
Développement des modèles d’élasticité au prix et de positionnement concurrentiel
 Cette nouvelle approche de la tarification nécessite :
 des moyens importants, tant humains (dont actuariels !) qu’informatiques
 d’être mise à jour en permanence

Tarification : les modélisations de risques innovantes pour pérenniser la performance

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Was ist angesagt?

Was ist angesagt? (20)

Ähnlich wie Tarification : les modélisations de risques innovantes pour pérenniser la performance

Ähnlich wie Tarification : les modélisations de risques innovantes pour pérenniser la performance (20)

Tarification : les modélisations de risques innovantes pour pérenniser la performance