Tarification : les modélisations de risques innovantes pour pérenniser la performance

22 mai 2013

Tarification :

Les modélisations de risques innovantes pour pérenniser la

performance

CONFIDENTIAL © 2013 MAIF & ACTUARIS 2

Sommaire

Introduction p 3

Exploiter de nouvelles données p 5 Segmentation : perspectives à court terme en assurance automobile Localisation : affiner la tarification Santé OBD : capture du comportement de conduite Difficultés identifiées de mise en œuvre et nécessaires mutations

Explorer et utiliser de nouveaux modèles p 19 Modélisation des frais Elasticité au prix de la demande et positionnement concurrentiel Gap actuel entre théorie et pratique Pourquoi surpasser ces obstacles

Conclusion p 34


Introduction

Actualité : Législation contre la discrimination :

Gender Directive : interdiction de l’usage de la variable sexeProchaine interdiction de l’usage de la variable âge ?

Remise en cause de la tacite reconductionLoi ChâtelProjet de Loi Hamon

CriseAssurés plus réceptif au message prix

Facilité d’accès à des offres alternatives : Comparateurs sur internet Diversité des réseaux de distribution

Incitation à innover pour pérenniser la performance : examinons deux pistes : Données : exploiter de nouvelles données pour mieux segmenter Modèles : explorer et utiliser de nouveaux modèles pour mieux positionner le tarif


Sommaire

Introduction p 3



Conclusion p 34

CONFIDENTIAL © 2013 MAIF & ACTUARIS

La segmentation du risque automobile est aujourd’hui dans une situation intermédiaire L’accès au comportement du conducteur au travers des variables en traduisant l’effet

est compromis par les évolutions réglementaires récentes et à venir. Les dispositifs de type OBD, permettant d’exploiter les données directement liées au

comportement, ne sont pas encore généralisés en France. En attendant, peut-on approcher le comportement par le véhicule ?

L’estimation du risque lié au couple [comportement, véhicule] L’objectif est de disposer de données indirectement liées au comportement au travers

des données liées au véhicule en affinant leur fiabilité et la maille d’analyse. Une piste possible : l’exploitation du Système d’Immatriculation des Véhicules

Segmentation

5

Données

Perspectives à court terme en assurance automobile


Localisation : affiner la tarification Santé

Les variables traditionnelles utilisées pour segmenter le tarif d’une garantie santé sont peu nombreuses : - le niveau de la garantie - l’âge - le régime de Sécurité Sociale - la localisation

=> Intérêt de bien mesurer l’influence de chaque variable sur la consommation en santé

Plusieurs questions : La consommation en santé diffère-t-elle en fonction des communes, des cantons, des

départements, des régions? Comment mesurer les écarts de consommation? Ces écarts de consommation sont-ils identiques quel que soit le niveau de la couverture?

Données6



Etape n°1 : L’influence de la localisation est-elle la même quel que soit le niveau de garantie ?

La localisation influe différemment sur la consommation des garanties entrée de gamme que sur les garanties moyennes ou haut de gamme

Données

Correctifs standards

7



Etape n°2 : La commune, le canton, le département, la région?

De nombreuses données externes, médicales et urbaines, sont disponibles (site INSEE) :

Le revenu moyen des habitants d’une commune, d’un canton (BDD INSEE « Revenus imposables et montant des impôts – Année 2006 à 2009 »)

La proportion de chômeurs au sein de la commune, du canton (BDD INSEE « Emploi et population active 1999 et 2009 »)

La proportion de dentistes, d’opticiens, de médecins généralistes ou spécialistes (BDD INSEE « Nombre de fonctions médicales et paramédicales en 2011 »)

La densité de pharmaciens (BDD INSEE « Nombre d’équipements et de services de santé en 2011 »)

La distance avec l’hôpital le plus proche (BDD INSEE « Nombre d’équipements et de services de santé en 2011 »)

Données8



Exemple n°1 : Impact de la densité de dentistes sur les remboursements moyens en dentaire

La densité de dentistes influe positivement sur la consommation de en dentaire des garanties entrée de gamme

9

Données

Densité de dentistes par département

Jusque 0,40 dentistes pour 1000 habitants

De 0,40 à 0,60 dentistes pour 1000 habitants



Plus de 0,80 dentistes pour 1000 habitants

Impact de la densité de dentistes par département sur le remboursement en dentaire



Exemple n°2 : Impact de la densité de médecins sur les remboursements moyens en actes courants

La densité de médecins influe positivement sur la consommation en actes courants des garanties entrée de gamme

Données

Densité de médecins par département

Jusque 1,20 médecins pour 1000 habitants

De 1,20 à 1,50 médecins pour 1000 habitants



Plus de 2,50 médecins pour 1000 habitants

Impact de la densité de médecins par département sur le remboursement des actes courants

10



Exemple n°3 : Impact de la densité d’établissements de soins sur les remboursements moyens en hospitalisation

La densité d’hôpitaux ne semble pas influer sur la sinistralité du poste hôpital des garanties entrée de gamme Données

Densité d’établissements de soins par département

Jusque 0,70 établissements de soins pour 1000 habitants

De 0,70 à 0,80 établissements de soins pour 1000 habitants

Plus de 0,80 établissements de soins pour 1000 habitants

Impact de la densité d'établissements de soin par département sur le remboursement en hospitalisation

11



Exemple n°4 : Impact de la densité de pharmacies su r les remboursements moyens en pharmacie

La densité de pharmacies influe positivement sur laconsommation en médicaments des garanties entrée de gamme

12

Données

Densité de pharmacies par département

Jusque 0,33 pharmacie pour 1000 habitants

De 0,33 à 0,36 pharmacies pour 1000 habitants



Plus de 0,41 pharmacies pour 1000 habitants

Impact de la densité de pharmacies par département sur le remboursement en pharmacie



Exemple n°5 : Impact de la proportion de chômeurs d ans la commune sur les remboursements moyens

La proportion de chômeurs influe différemment sur la consommation des grands postes des garanties entrée de gamme

Données13



Données

Difficultés de mise en œuvre :

Etape de lissage géospatial indispensable pour lisser les écarts : intensité du lissage à fixer pour limiter les écarts trop importants

Quelle adresse retenir : lieu de domicile / de travail ?

Comment expliquer les écarts au réseau ? au client ?

Suivi de l’équilibre plus complexe car moindre mutualisation


OBD : capture du comportement de conduite

Données

Chaque nouveau véhicule doit être équipé d’un outil de diagnostic OBD Directive européenne 98/69/EC Depuis 1/2002 pour les véhicules à essence et 1/2004 pour diesel

Il est possible d’enficher dans ce port un boitier Plug n’Playcapturant toutes les données du véhicule : vitesse, accélération…

Ce boitier couplé à des fonctions GPS et connecté via Smartphone permet de capturer des données sur le comportement de conduite à risques : Conduite nocturne sur voie rurale Coup de volant intempestif Freinage brusque

Couplé à un algorithme puissant il permetd’identifier ces situations : Etablissement d’un score sur le

comportement de conduite particulièrementprédictif

Avantage d’adresser directement et individuellement les comportements à risquesplutôt que de rechercher des variables explicatives

Port OBD-II Source : VAG

Boîtier « Snapshot »Source : Progressive


Difficultés identifiées de mise en œuvre

Données

D’une manière générale Difficultés liées au recueil et à l’exploitation de nouvelles données Rapport entre l’investissement que cela représente et les résultats obtenus

Le cas particulier des outils de diagnostic OBD Difficulté liée à l’hétérogénéité de la nature des données récupérées : les informations

transitant par les boîtiers peuvent différer d’un constructeur à l’autre. Comment exploiter ces nouveaux moyens de segmentation du tarif :

Face aux difficultés logistiques : stockage d’un nombre très élevé d’informations Face aux difficultés réglementaires : toutes les données collectées sont-elles

exploitables? Sous quels délais ? Face à la nécessité de développer de nouvelles compétences humaines dans les

méthodes d’analyse. Or, nous sommes confrontés à l’absence de développement de la théorie actuarielle

ou de formalisation de l’exploitation de ces données.

Pas de solution immédiate si ce n’est d’externaliser l’exploitation des boîtiers ?


Nécessaires mutations

Historiquement Le processus tarifaire était devenu un processus routinier avec peu d’innovation et avec des évolutions espacées

dans le temps Le recours aux données était limité et principalement focalisé sur des données internes

Les évolutions récentes montrent que ce schéma doit évoluer avec des conséquences Au niveau des données et process :

Conservation des données Accès à des données externes (connectivité / Big Data) Nouveaux algorithmes d’exploitation des données (PAYD) Adaptation des outils actuariels et des systèmes de cotation

Au niveau des actuaires : Expérimentations Utilisation de données et de modèles moins bien maitrisés Evolutions plus rapides et plus fréquentes des processus tarifaire Importance cruciale d’un suivi et d’une réactivité aux changements de tendances

Ces évolutions ont déjà été expérimentées dans d’autres pays La France est en retard dans la sophistication de son processus tarifaire Inconvénient : il y a du chemin à parcourir et il faut s’y mettre rapidement Avantage : ce qui marche / ne marche pas a déjà été expérimenté sur d’autres

marchés et on peut tirer avantage de cette expérimentation

Données

Triangulations de DelaunaySource : Wikipédia

Source : L’Argus de l’Assurance


Sommaire

Introduction p 3



Conclusion p 34


Panorama des modèles

Au-delà des données, il y a de nouveaux modèles à considérer…

19

Modèles

Sinistres Polices FNI

VEHICULIER

ZONIER

Base de travail

GLM

Insee

PRIME PURE ROBUSTE

CHARGEMENTSPRIME PURE PROJETEE

Inflation, IBNR

PRIME CHARGEE

PRIME CONTRAINTE

Cibles marketing

Tarif précédent

ELASTICITE AU PRIX POSITION CONCURRENTIELLE

Devis, résiliation

Webscraping

DECODAGE

PRIME OPTIMISEE

ALGORITHME VALEUR CLIENT

Flex. réseau

Actuaris

SELECTION ET DECOUPAGE

modèles étudiés dans la suite du document


Les évolutions législatives (lois Châtel, Hamon…), et comportementales (zapping), entraînent une baisse importante de la duration moyenne des contrats

Le poids du coût d’acquisition gagne en importance, tandis que la gestion du risque reste un enjeu majeur de la maîtrise des coûts

Nécessite de : Segmenter les modèles de tarification (par générations de contrats, par réseau de

distribution) avec des hypothèses de duration et de frais adaptées à chaque segment Projeter la rentabilité sur la duration moyenne des contrats pour évaluer la « vraie »

rentabilité

Modélisation des frais

20

Modèles

Nécessite une analyse fine des différents types de frais


Exemple sur les frais de structure et de gestion des sinistres :

Problématique sur les frais d’acquisition :

Les jeunes ont une duration inférieure et leur assiette de cotisations est plus faible Les frais d’acquisition sont plus difficiles à amortir et grèvent la rentabilité de ces segments

Modélisation des frais

21

Modèles

Prise en compte de la duration prévisionnelle des contrats


Exemple

Coût du risque chargé :

Marge :

Prime commerciale :

Modèles d’élasticité & positionnement concurrentiel

Modèles

Intérêt des modèles

100

85

15

N-1 N

?

80

?


Exemple : si connaissance de l’élasticité au prix


Marge :

Prime commerciale :


Modèles


inélastique

100

80

20

100

85

15

N-1 N

?

80

?

élastique

95

80

15


Exemple : si connaissance du positionnement de la concurrence


Marge :

Prime commerciale :


Modèles


compétitif

>100

80

>20

100

85

15

N-1 N

?

80

?

noncompétitif

<95

80

<15

concurrents concurrents

105110

120

9590

85


concurrents

105110

120

25

Exemple : si connaissance de l’élasticité au prix de la demande et du positionnement de la concurrence


Marge :

Prime commerciale :


Modèles


100

85

15

N-1 N

?

80

?

compétitif

80

inélastique élastique

>100

80

>20

100

20


Exemple : si connaissance de l’élasticité au prix de la demande et du positionnement de la concurrence


Marge :

Prime commerciale :


Modèles


100

85

15

N-1 N

?

80

?

non compétitif

80

concurrents

9590

85

inélastique élastique

100

80

20S’aligner ou sortir

100

20

85

5

95

15


Elasticité au prix de la demande Objectif

prédire le taux de résiliation en fonction du pourcentage d’augmentation tarifaire prédire le taux de conversion en affaires nouvelles

Moyens Trouver les variables explicatives des taux de résiliation / conversion Très gourmand en données

conserver les données des devis non transformés et des contrats non renouvelés conserver les données historiques : effet retard disposer d’une plage de variation tarifaire suffisante

Tirer partie des changements de zonier ou véhiculier Price testing

Positionnement concurrentiel Objectif

Positionner le prix commercial par rapport aux offres sur le marché Moyens

Webscraping des sites des concurrents Décodage des tarifs


Modèles

Objectifs & Moyens


Objectif Etablir un algorithme permettant d’allouer les rabais tarifaires

Moyens Modèles techniques robustes (pour éviter l’exploitation par l’algorithme de failles

techniques). Modèle d’élasticité au prix de la demande Modèle tarifaire des concurrents Algorithme pluriannuel de « valeur client »

Ecart entre le tarif théorique (prime pure) et tarif réel (prime commerciale) Projeté et actualisé sur plusieurs années en considérant les probabilités de

renouvellement qui sont fonction des modèles d’élasticité au prime de la demande et du positionnement par rapport à la concurrence

Allocation des rabais en fonction des objectifs à fixer de : Part de marché Rentabilité Eviter la surexploitation des profils inélastiques

Obtention d’une optimisation tarifaire: Optimisation de l’allocation des rabais tarifaires


Modèles

Utilisation : valeur client et optimisation tarifaire


Gap actuel entre théorie et pratique

Modèles

La mise en œuvre de ces nouveaux modèles exige de résoudre un certain nombre de problématiques pour que l’exercice d’optimisation tarifaire soit pertinent :

Le niveau de détail requis pour la connaissance du tarif appliquéLa prime pure doit être modélisée de manière exhaustive, sinon quel traitement réserver à

la partie non modélisée ? La modélisation des chargements n’est, en général, pas réalisée à un niveau de maille

aussi fin que la prime pure. Comment traiter l’approche multi-produits ?

La fiabilité et l’exhaustivité de la connaissance de l’élasticité au prixL’exploitation des devis non transformés sur Internet pose la question du traitement des

erreurs ou des tests réalisés plusieurs fois par les assurésComment repérer un devis non transformé ou un contrat non renouvelé au motif exclusif

du tarif ? Quelle plage de variation de prix tester ? Selon quelles modalités ?Quelle est la pertinence d’un price testing ?


Gap actuel entre théorie et pratique

Modèles

La mise en œuvre de ces nouveaux modèles exige de résoudre un certain nombre de problématiques pour que l’exercice d’optimisation tarifaire soit pertinent :

La fiabilité et l’exhaustivité de la connaissance du positionnement concurrentielLe décodage des tarifs en assurance automobile est rendu difficile par le fait que le zonier

et le véhiculier peuvent être activés sur des garanties différentes selon les acteurs.Comment identifier les rabais consentis par les concurrents et inclus dans leurs tarifs ?Comment distinguer les tarifs appliqués aux risques en portefeuille de ceux réservés aux

nouveaux risques ?Les prix récoltés sur Internet ne sont pas forcément ceux pratiqués dans les autres canaux

de distribution.La comparabilité des offres entre les différents acteurs est toujours approximative.

Ces nouveaux modèles ont une vocation descriptive tout en reposant sur un grand nombred’hypothèses, ce qui implique une longue phase d’apprentissage pour les rendrecomplètement opérationnels.


Pourquoi surpasser ces obstacles ?

Questions pratiques : Pourquoi offrir une couverture à 175€,

alors que toutes les autres offres sontsupérieures à 253€?Un positionnement juste en dessous

de 253€permettrait de toujours êtrele meilleur disant et générer plus de marge.

Pourquoi se positionner au même prix253€mais avec des garanties inférieures ?Un positionnement juste inférieur à

253€paraitrait plus « logique » à l’internaute.

A garantie comparable, la notoriété de la marque permet-elle de compenser la différence de prix ?

Les assurés ne prennent pas en compte les difficultés de mise en œuvre des assureurs pour pratiquer leur choix d’où la nécessité d’avoir un positionnement tarifaire

Modèles

Source : LesFurets.com

ABCD

E

A

C

E


Comment surpasser ces obstacles ?

Par où commencer : Commencer sur les affaires en renouvellement avant les affaires nouvelles Faire des tests sur des populations type aléatoire pour roder les modèles (par exemple

tous les clients né le 22 octobre de toutes les années) Valider fréquemment que les modèles sont robustes en comparant prédiction vs.

réalisation Réviser fréquemment les modèles

Pour cela, il y a néanmoins des prérequis à adresser de suite : Conservation des données historiques pour traitements ultérieurs Faire évoluer le système de cotation à destination du réseau afin qu’il puisse :

faire des calculs complexes (par exemple recours à des scores)conserver la trace des calculs pour être en mesure de simuler des re-tarificationêtre changé très rapidement

Modèles


Sommaire

Introduction p 3



Conclusion p 34


Conclusion

Le contexte actuel nécessite de mieux tarifer par : une meilleure exploitation des données :

Internes (nécessite de collecter plus de données auprès des assurés)Externes (Big Data)

une modélisation plus fine de la prime pure et des chargements :De nouveaux modèles mathématiquesDes outils de tarification plus puissantsModélisation des frais en réconciliant les approches actuarielles et de contrôle de gestion

une meilleure prise en compte du positionnement tarifaire:Développement des modèles d’élasticité au prix et de positionnement concurrentiel

Cette nouvelle approche de la tarification nécessite : des moyens importants, tant humains (dont actuariels !) qu’informatiques d’être mise à jour en permanence

Fin de la présentation

Data & Analytics

Tarification : les modélisations de risques innovantes pour pérenniser la performance