Mémoires d'Actuariat
Détection d'éventuelles dérives dans la sinistralité ( en fréquence d'entrée et en durée de maintien)
Auteur(s) M'SABOU A.
Société Allianz Vie
Année 2025
Confidentiel jusqu'au 18/06/2027
Résumé
Mots-clés : Arrêt de travail, prévoyance individuelle, Incapacité, Invalidité, Détection de Rupture, BCAC, taux d’incidence, loi de maintien, UNIM, GCP, modèle de COX, Modèles linéaires généralisés, Arbre de décision, CART, Random Forest, AUC, ROC, Modèles de régression, Lasso, Ridge, Elastic Net. Dans le domaine de la prévoyance et de la gestion des risques, la détection des dérives dans la sinistralité est essentielle pour assurer la stabilité financière des organismes assureurs et garantir une tarification équitable. Ce mémoire se concentre sur l’analyse de la fréquence d’entrée et de la durée de maintien des sinistres, deux indicateurs clés qui influencent la gestion du risque par les assureurs. Pour surveiller efficacement la sinistralité des contrats de prévoyance individuelle, des méthodes de contrôle de qualité, habituellement employées en biologie, ont été appliquées. Ces méthodes permettent de mieux comprendre les variations observées et d’ajuster les provisions en conséquence. Une attention particulière est portée à la gestion des délais de déclaration, de traitement, et de paiement des sinistres, qui peuvent introduire des incertitudes dans l’analyse. Les travaux s’articulent autour de deux grandes parties : la modélisation avec le modèle de Cox pour l’analyse du risque et la prédiction de l’incidence des sinistres, et l’évaluation de la loi de maintien pour détecter les dérives potentielles. Les modèles de Machine Learning développés se sont montrés performants pour prédire à la fois l’incidence et la durée de maintien des sinistres. Les résultats obtenus seront comparés à la table d’expérience d’Allianz France ainsi qu’aux données observées, afin de détecter toute dérive potentielle et d’ajuster les modèles en conséquence. Cette démarche vise à renforcer la robustesse des prédictions et à soutenir les décisions prises par l’assureur, garantissant ainsi une gestion plus précise et réactive de la sinistralité.
Abstract
Key-words: Work stoppage, individual provident insurance, incapacity, disability, break detection, BCAC, incidence rate, maintenance law, UNIM, GCP, Cox model, generalized linear models, decision tree, CART, random forest, AUC, ROC, regression models, Lasso, Ridge, Elastic Net. In the field of provident insurance and risk management, detecting deviations in claims frequency is essential to ensuring the financial stability of insurance organizations and guaranteeing fair pricing. This thesis focuses on analyzing the frequency of claims and their duration, two key indicators that influence risk management by insurers. To effectively monitor claims for individual provident insurance contracts, quality control methods, typically used in biology, have been applied. These methods help to better understand observed variations and adjust provisions accordingly. Special attention is given to managing the delays in claims reporting, processing, and payment, which can introduce uncertainties into the analysis. The work is structured around two main parts: modeling with the Cox model for risk analysis and predicting claims incidence, and evaluating the duration of claims to detect potential deviations. The Machine Learning models developed have proven effective in predicting both the incidence and duration of claims. The results obtained will be compared to Allianz France’s experience table as well as to observed data to detect any potential deviations and adjust the models accordingly. This approach aims to strengthen the robustness of predictions and support the insurer’s decision-making, thereby ensuring more precise and responsive claims management.
Auteur(s) M'SABOU A.
Société Allianz Vie
Année 2025
Confidentiel jusqu'au 18/06/2027
Résumé
Mots-clés : Arrêt de travail, prévoyance individuelle, Incapacité, Invalidité, Détection de Rupture, BCAC, taux d’incidence, loi de maintien, UNIM, GCP, modèle de COX, Modèles linéaires généralisés, Arbre de décision, CART, Random Forest, AUC, ROC, Modèles de régression, Lasso, Ridge, Elastic Net. Dans le domaine de la prévoyance et de la gestion des risques, la détection des dérives dans la sinistralité est essentielle pour assurer la stabilité financière des organismes assureurs et garantir une tarification équitable. Ce mémoire se concentre sur l’analyse de la fréquence d’entrée et de la durée de maintien des sinistres, deux indicateurs clés qui influencent la gestion du risque par les assureurs. Pour surveiller efficacement la sinistralité des contrats de prévoyance individuelle, des méthodes de contrôle de qualité, habituellement employées en biologie, ont été appliquées. Ces méthodes permettent de mieux comprendre les variations observées et d’ajuster les provisions en conséquence. Une attention particulière est portée à la gestion des délais de déclaration, de traitement, et de paiement des sinistres, qui peuvent introduire des incertitudes dans l’analyse. Les travaux s’articulent autour de deux grandes parties : la modélisation avec le modèle de Cox pour l’analyse du risque et la prédiction de l’incidence des sinistres, et l’évaluation de la loi de maintien pour détecter les dérives potentielles. Les modèles de Machine Learning développés se sont montrés performants pour prédire à la fois l’incidence et la durée de maintien des sinistres. Les résultats obtenus seront comparés à la table d’expérience d’Allianz France ainsi qu’aux données observées, afin de détecter toute dérive potentielle et d’ajuster les modèles en conséquence. Cette démarche vise à renforcer la robustesse des prédictions et à soutenir les décisions prises par l’assureur, garantissant ainsi une gestion plus précise et réactive de la sinistralité.
Abstract
Key-words: Work stoppage, individual provident insurance, incapacity, disability, break detection, BCAC, incidence rate, maintenance law, UNIM, GCP, Cox model, generalized linear models, decision tree, CART, random forest, AUC, ROC, regression models, Lasso, Ridge, Elastic Net. In the field of provident insurance and risk management, detecting deviations in claims frequency is essential to ensuring the financial stability of insurance organizations and guaranteeing fair pricing. This thesis focuses on analyzing the frequency of claims and their duration, two key indicators that influence risk management by insurers. To effectively monitor claims for individual provident insurance contracts, quality control methods, typically used in biology, have been applied. These methods help to better understand observed variations and adjust provisions accordingly. Special attention is given to managing the delays in claims reporting, processing, and payment, which can introduce uncertainties into the analysis. The work is structured around two main parts: modeling with the Cox model for risk analysis and predicting claims incidence, and evaluating the duration of claims to detect potential deviations. The Machine Learning models developed have proven effective in predicting both the incidence and duration of claims. The results obtained will be compared to Allianz France’s experience table as well as to observed data to detect any potential deviations and adjust the models accordingly. This approach aims to strengthen the robustness of predictions and support the insurer’s decision-making, thereby ensuring more precise and responsive claims management.
