Construction de lois de rachat
Le problème
L'enjeu est de mieux comprendre le comportement de rachat des assurés et ses effets sur la gestion des risques et la rentabilité du portefeuille. Il fallait aussi analyser de manière critique la méthode existante, dont la segmentation par profil reposait sur un simple ratio rachats sur exposition, et en identifier les limites pour proposer une approche plus robuste.
Le résultat
J'ai proposé une approche plus robuste que le simple ratio rachats sur exposition. Un modèle additif généralisé de Poisson, construit sur plus de 100 millions de lignes et validé sur données réelles.
Les étapes
- Données partenaires
- Open data macro
- Segmentation
- GAM Poisson
- Validation du fit
Les outils
- Assurance emprunteur
- GAM
- Poisson
- R
- Python
Le contexte
Dans le cadre de mon mémoire d'actuariat ISFA, j'ai travaillé chez LinkPact sur une mission longue durée pour CNP Assurances autour de la construction de lois de rachat en assurance emprunteur.
Ce que j'ai fait
J'ai pris en main plusieurs scripts Python et notebooks Jupyter, exploité des bases partenaires volumineuses issues des partenaires de CNP Assurances (LBP, CE, CA, BPCE), collecté des données externes open data et étudié l'effet de variables macroéconomiques comme le PIB, les taux immobiliers et les taux de la concurrence.
L'approche s'appuie sur un modèle additif généralisé de type Poisson pour capturer des effets non linéaires. Le travail comprend l'analyse des valeurs aberrantes, la sélection parcimonieuse des variables, la validation des hypothèses et la qualité du fit sur données réelles.
Ce que ce projet dit de moi
- Analyse critique d'une méthode existante
- Travail sur plus de 100 millions de lignes
- Modélisation statistique appliquée à un enjeu portefeuille
- Communication régulière avec des équipes actuarielles
Cette mission renforce ma rigueur scientifique, mon esprit critique et ma capacité à présenter des résultats techniques à des équipes actuarielles en tenant compte de leurs enjeux métier.