ISFA AXA /

Predictive Underwriting vs Traditional Underwriting with Data Science approach

Domaine(s)	Mémoire
formation(s)	ISFA () / resp.: / intervenant:

Informations sur les documents

Type de document	Mémoires
société	AXA
Auteur(s)	DO X.Q.
Numéro
Date de référence	06/29/2017

Résumé

Dans un monde moderne, les assureurs font face à de nombreuses compétitions intenses sur toutes les chaînes de valeur de l'entreprise, non seulement sur le prix mais aussi sur l'acceptation du risque. Le secteur de la prévoyance individuelle n'est pas hors compétition. Pour devenir et maintenir un acteur concurrentiel sur le marché, les assureurs doivent attirer plus de clients moins risqué avec un prix rentable. L'une des possibilités est de proposer le processus de souscription moins complexe et éventuellement une segmentation de risque plus profonde. En effet, sur une garantie aussi complexe que la prévoyance individuelle, plus le processus de souscription est rapide, plus nous avons de clients dans notre portefeuille. Parce qu'avec le même niveau de garanties, un client préfère l'assureur avec lequel il peut acheter le produit en un seul entretien (idéalement sur Internet) plutôt que l'assureur qui demande une analyse de sang supplémentaire, même si le prix est un peu plus cher. Avec ce motif, et dans le cadre du développement de la Data Science, les assureurs ont deux alternatives. Le premier consiste à adapter le processus de souscription traditionnel afin d'avoir une meilleure évaluation des risques grâce à un processus simplifié de souscription. Cette alternative semble difficile, et encore, le coût payé pour les souscripteurs reste important. La deuxième alternative est de développer des algorithmes mathématiques appelés souscription prédictive, une manière intelligente de faire la souscription. Ce n'est pas seulement un outil pour faire plus de business, mais aussi un outil de contrôle des risques. L'avantage de la souscription prédictive est qu'elle peut produire plus ou moins la même décision que la souscription traditionnelle avec moins de souscripteurs, moins de questions, donc un processus de souscription moins compliqué et plus convivial pour les clients. Mais la conséquence est que la souscription prédictive à la première étape présente des erreurs de prédiction. C'est-à-dire que nous acceptons les clients associés (par la souscription traditionnelle) à un risque élevé que nous ne devrions pas prendre dans notre portefeuille. Pour atténuer ce type de risque, nous devons appliquer un chargement supplémentaire sur la prime. Comment développer le modèle de souscription prédictive? Combien coûtent les erreurs de prédiction? Comment le prix peut-il être ajusté pour mutualiser le nouveau risque entrant dans le portefeuille? Ce mémoire répondra à ces 3 questions en détail, non seulement sur la partie technique, mais aussi sur le point de vue commercial. La structure de ce mémoire contient trois parties principales:
• Contexte, motivation de l'étude: discuter du besoin de la souscription dans le business de la prévoyance individuelle et expliquer comment la Data Science peut être appliquée pour améliorer ce processus.
• Machine Learning, souscription prédictive: développer en détail deux modèles de souscription prédictive: Logistic Regression et Random Forest. Après avoir construit le modèle, nous discutons de leurs applications potentielles dans les différentes chaînes de valeur de l'entreprise telles que: la réduction du cercle de souscription, l'amélioration de l'approche de télémarketing, ...
• Quelles sont les conséquences de la souscription prédictive? Comment la structure de notre portefeuille assuré change-t-elle? Combien devrions-nous ajuster le prix afin de mutualiser le nouveau risque de déformation du portefeuille?

Abstract

Predictive modeling is poised to alter how the industry rates and underwrites Nowadays, insurers face many intense competitions on all the value chains of the business, no only on the pricing but also on the risk acceptance. The Individual Protection sector is not out of the competition. To become and remain as a competitive actor on the market, insurers must attract more clients, constructing less risky insured portfolio associated with a profitable price. One of the possibilities is to propose the less complex underwriting process, and eventually more segmentation. Indeed, on such a complicated guarantee like protection, the faster the underwriting process is, the more clients we have in our portfolio. Because with the same level of guarantees, a particular client will move more readily towards the insurer that he/she can buy the product within only one interview (ideally on the internet) rather than the insurer requesting additional laboratory analysis, even if the price is a little bit higher. With this motivation, under the development of Data Science framework, insurers have two alternatives. The first one is to adapt the traditional underwriting process in order to have the better risk assessment with simplified underwriting process. This alternative seems challenging, and still, the cost paid to the underwriters remains important. The second alternative is to develop mathematical algorithms called predictive underwriting, an intelligent way to do the underwriting. It is not just a tool to do more business, but also a tool for the risk control. The advantage of the predictive underwriting is that it can produce more or less the same decision as the traditional underwriting with less underwriters, fewer questions, hence less complicated underwriting process, and more customer friendly. But the consequence is that the predictive underwriting at the first stage still has some (even little) prediction errors. That is to say, we accept the clients associated (by the traditional underwriting) with high level of risk that we shouldn’t take into our portfolio. To mitigate this type of risk, we have to apply some extra loading on the premium. How to develop the predictive underwriting model? How much is the prediction errors? How can the price be adjusted in order to capture the new risk entering into the portfolio? This thesis will answer this 3 questions in detail, not only on the technical perspective, but also on the business point of view. The structure of this thesis is divided into three main parts:
1. Context, motivation of the study: talk about the need of underwriting in protection business, and explain how can Data Science be involved to improve this process.
2. Machine Learning, Predictive Underwriting: develop in details two models for predictive underwriting: the first one is Logistic Regression; and the second one is Random Forest. After building the model, we discuss about their potential applications in different value chains of the business such as: reduction of the underwriting circle, improvement of telemarketing approach, etc.
3. What are the consequences of Predictive Underwriting? How does the structure of our insured portfolio change? How much should we adjust the price in order to mitigate the risk of portfolio deformation?

Mémoire complet

>

Memoire.pdf

Lien permament : https://www.ressources-actuarielles.net/C12574E200674F5B/0/B2292F4EF2F17B69C12580F9001C7803