Accélération et sécurisation du processus de tarification sur-mesure : comment limiter les variables tarifaires

Page précédente
Faire suivre ce document

Domaine(s)Mémoire
formation(s)ISFA () / resp.: / intervenant:
Show details for Informations sur les documentsInformations sur les documents
Hide details for Informations sur les documentsInformations sur les documents

Type de document Mémoires
sociétéACTUARIS
Auteur(s) BRAS G.
Numéro
Date de référence 04/26/2016


Résumé

La tarification de contrats complémentaires sur-mesure en santé collective s’avère de plus en plus complexe et chronophage. En effet, les récents bouleversements législatifs du secteur ont accru le nombre d’études soumises ainsi que leur complexité. La question du respect des dates de réponse pour les appels d’offre ainsi que celle de la qualité des tarifs est alors posée. Comment, dans ce contexte, optimiser les temps de tarification des dossiers et obtenir rapidement une estimation du tarif ? Dans ce mémoire nous tentons de répondre à cette question en nous intéressant à la réduction du nombre de variables à retenir dans les modèles tarifaires. Pour mener à bien cette étude, nous utilisons les tarifications sur-mesure effectuées par le cabinet ACTUARIS depuis 2009. Dans cette base de données sont disponibles : les données démographiques des salariés couverts, le détail des garanties santé ainsi que le tarif technique associé. La première étape de ce mémoire a été d’uniformiser l’ensemble de ces études et de les placer dans un référentiel commun. Pour pouvoir comparer facilement les garanties entre-elles, elles ont toutes été remplacées par leurs équivalents euro. L’algorithme CART a ensuite été utilisé pour déterminer les variables les plus importantes dans les processus tarifaires actuels. Les résultats de cet algorithme, confirmés par l’utilisation de modèles linéaires généralisés, ont permis de réduire de près de 90% la dimensionnalité du modèle. Dès lors qu’il ne reste plus que les variables apportant le plus d’information (10%), il a ensuite fallu calibrer un modèle permettant d’obtenir une estimation du tarif. Pour cela, nous avons utilisé les réseaux de neurones. L’utilisation de cette méthode nous a permis d’approcher le tarif à plus ou moins 9%. Pour réduire encore l’erreur d’estimation, la méthode dite du gradient boosté a été appliquée à des arbres de régression. Son application a permis de réduire la fonction d’erreur par rapport aux réseaux de neurones. Grâce à cet algorithme, nous avons obtenu de meilleures estimations des tarifs à partir d’un nombre réduit de variables. De plus, la simplicité d’utilisation des arbres de régression permet de créer facilement des maquettes de calculs pour comparer ou estimer les tarifs. On démontre ainsi qu’il est possible d’obtenir une estimation tarifaire à partir d’un nombre réduit de variables pour permettre d’optimiser et de sécuriser le processus de tarification sur-mesure.

Abstract

pricing of a custom employer complementary health insurance is more and more difficult and time-consuming. Indeed, recent legislative changes in this sector increase the number of studies and their complexity. We can question on the ability of respecting deadlines for proposals and on the quality of the pricing. How, in this context, to optimize the time for pricing a product and to obtain an estimation of the price? In this work, we will try to answer this question by reducing the number of variables used in pricing models. In order to do this study, we use all custom employer sponsored complementary health insurance priced by ACTUARIS since 2009. In this database we have: demographic data about insured employees, all health policies and the technical price. The first step of this work was to standardize all studies and to use a common base. In order to be able to compare all warranties, we calculated their costs in euros. CART algorithm was used to determine the most important variables in the actual model. The result of this algorithm was confirmed by GLM. This reduces the size of the model by 90%. Now that we have only few variables, we have to obtain an estimation of the price using only this information. We used neural networks in order to have an evaluation of the price. Using this method, we can predict the real price with more or less 9%. After, a gradient boosting method used on trees was chosen in order to reduce the error in estimates. Its application reduces the error compared to neural networks. This algorithm permits to obtain a best estimation of all prices using a smaller number of variables. Moreover, the simplicity of regression trees allows to create a model to compare easily or to estimate prices. As a conclusion, it is possible to obtain an estimation of the price using just a few numbers of variables in order to optimize and to secure the pricing process.

Mémoire complet

>Guerric_BRAS_Mémoire_ISFA.pdf


Lien permament : http://www.ressources-actuarielles.net/C12574E200674F5B/0/56D12330944D14BCC1257F3800307BD4