Julie

Lavenu

Actuaire

  • Présentation
  • Mémoire
  • Choisir une information

Julie est diplômée de l’ISFA, elle est reconnue par l’équipe comme un membre passionné et impliqué. Sa détermination et sa générosité naturelle l’amènent à une magnificence du détail pour offrir aux clients la plus complète des études.
Elle a particulièrement à coeur l’exploitation du Machine Learning dans la richesse du monde de l’actuariat, à l’image de son mémoire.
De nature positive, et adepte du « think out of the box », Julie trouve toujours le moyen original enthousiasmant pour fédérer des propositions pertinentes.
Cette devise d’Einstein trouve tout son sens quand on a la chance de travailler avec elle. « Learn from yesterday, live for today, hope for tomorrow. The important thing is not to stop questioning » A. Einstein

Titre
Les méthodes de Machine Learning peuvent-elles être plus performantes que l’avis d’experts pour classer les véhicules par risque homogène ?

Résumé
Le marché IARD a subi ces dernières années de nombreuses transformations. Les changements réglementaires au travers de la loi Hamon et le développement de comparateur sur internet exacerbent la concurrence entre assureurs. Dans un marché qui devient de plus en plus arbitré par les prix, ces derniers doivent s’adapter en segmentant leur tarif. Pour autant, une segmentation trop fine pourrait remettre en cause le principe de mutualisation des risques et donc la notion même d’assurance. La question étant ainsi de définir le niveau de segmentation le plus adapté. En assurance automobile, les acteurs du marché ont recours à un principe de regroupement de véhicules en risques homogènes nommé véhiculier. Le véhiculier constitue aujourd’hui l’un des fondements de la tarification a priori. Pourtant, sa théorie a été peu développée dans la littérature actuarielle, tout particulièrement pour les véhicules de type « motos », qui constituent le périmètre de ce mémoire. Ceci s’explique en partie par le fait que les véhiculiers sont aujourd’hui souvent construits sur l’avis d’experts pour ce type de véhicules. De manière à anticiper le développement du Big Data, et dans la perspective d’identifier une segmentation au plus juste, sur la base de données que l’expert ne saurait, à lui seul, exploiter, ce mémoire a pour objectif d’élaborer un véhiculier non pas à dire d’experts mais à dire de machines. Dans un premier temps, deux approches pour établir un véhiculier à dire de machines sont développées en s’appuyant sur des travaux initiateurs existants. La première approche consiste à construire un arbre CART à l’appui d’une utilisation singulière de la théorie de la crédibilité. La seconde approche associe un autre algorithme de Machine, le Randon Forest, à un lissage spatial. Ensuite, les données utilisées sont présentées et fiabilisées. A partir de celles-ci des modèles GLM sont construits en extrayant la part du risque liée au véhicule. Enfin, à partir de l’effet véhicule extrait, des véhiculiers à dire de machines issus des deux approches sont construits puis comparés aux véhiculiers à dire d’experts, nous permettant alors de conclure quant au degré d’intervention pertinent des experts dans l’élaboration d’un véhiculier et donc d’une segmentation au plus juste du risque.

navigation

Pour partager cette fiche, entrez une adresse mail valide :

Envoyer