Optimizing Pricing in the Insurance Industry : Towards transparent Machine Learning

Optimisation de la tarification dans l'industrie de l'assurance : vers un apprentissage machine transparent

Au cours des deux dernières décennies, le Big Data a révolutionné l’industrie de l’assurance et décuplé l’efficacité des approches traditionnelles. La disponibilité d'ensembles de données de grande échelle et l'avènement de l'intelligence artificielle (IA) et de l'apprentissage machine (AM) offrent une capacité plus puissante de classification des risques et de production de modèles de tarification prédictifs plus précis. Cependant, l'opacité des algorithmes d’apprentissage machine actuels, souvent décrits comme des "boîtes noires", constitue un véritable défi pour l'industrie. « Les techniques classiques d'apprentissage machine expliquent rarement pourquoi un client est considéré comme étant moins à risque qu'un autre, ce qui les rend moins fiables, moins flexibles et moins exploitables », explique Guillaume Beraud-Sudreau, responsable R&D chez AXA Global Direct et désormais à la tête de l’équipe actuarielle chez Akur8. Avec le Pr Alexandre d'Aspremont, de l'École Normale Supérieure, ils ont décidé de mener à bien un projet collaboratif pour concevoir des algorithmes fiables et "transparents" capables d'aborder le sujet complexe de la tarification des assurances.

La précédente initiative de recherche conjointe s'est concentrée sur les modèles de prévision concernant la probabilité qu'un visiteur de site web signe un contrat basé sur différents critères, à savoir le comportement sur le site, les réponses à un questionnaire, et le prix proposé. « Nous faisons ce genre de prédictions depuis longtemps. Mais dans notre cas, nous voulions voir quels étaient les moteurs de ces décisions. C'est crucial parce que nous voulions créer un système d'apprentissage machine dont la décision soit facile à comprendre, afin que les actuaires puissent l'utiliser et intégrer leur expertise dans le modèle », explique le Pr Alexandre d'Aspremont. « Un élément clé du projet était de tester et d'implémenter ces nouveaux algorithmes qui pourraient être intégrés dans une bibliothèque d'apprentissage machine “open source” de base appelée SCIKIT-LEARN. Il s'agit d'une importante contribution du point de vue académique. Ce projet a également des applications industrielles directes, car AXA utilise ce logiciel. » Ainsi, la nouvelle initiative de recherche conjointe vise à convertir les connaissances acquises à partir de ces nouveaux modèles de prévision dans la conception de nouveaux modèles de tarification.

Ce qu’il y a dans les boîtes noires

La recherche actuelle se concentre sur l'intégration de ces progrès dans une chaîne de valeur plus longue et opérationnelle afin de les exploiter dans le but d'établir de façon plus sûre les prix réels ainsi que les profits et pertes globaux. « Ce que nous avons fait au cours de la première initiative de recherche conjointe constituera un élément de ce que nous ferons dans la deuxième. Les algorithmes que nous avons développés jusqu'à présent sont intrinsèquement “locaux”, en ce sens qu'ils ne peuvent modéliser que la probabilité qu'un client potentiel signe le contrat. L'optimisation des prix en fonction des seules décisions individuelles n'est pas d'un grand intérêt pour un assureur. Notre objectif est maintenant de comprendre comment optimiser tous les prix proposés à un ensemble de prospects, tout en gérant d'autres aspects clés des contrats et en appliquant des contraintes avancées sur les ventes globales, le risque, le profit et l'interprétabilité ».

La valeur ajoutée par ce partenariat sera de tester la théorie sur des données réelles. « Chez AXA, nous avons beaucoup d'informations sur nos clients, ce qui nous permet d'avoir des prédictions précises. C'est vraiment gratifiant pour un actuaire comme moi d'avoir l'occasion de contribuer à la théorie actuarielle », commente Guillaume Beraud-Sudreau. Pour le Pr d'Aspremont aussi, l'approche bilatérale est d'une grande valeur : « Il est toujours d’un intérêt crucial de voir comment la recherche théorique se traduit en applications. »

Aujourd'hui, il est assez courant de faire des prédictions avec l'apprentissage automatique. Mais rendre les prédictions explicables est très novateur. La transparence offre intrinsèquement plus de fiabilité, de flexibilité et, donc, plus de possibilités d'action. En ce sens, les résultats cumulés des deux initiatives de recherche conjointe mentionnées ci-dessus contribueront à libérer le potentiel de l'apprentissage machine dans le secteur de l'assurance, ainsi que pour les assurés, avec la promesse de primes plus précises et plus justes.

* Kamet Ventures est un incubateur InsurTech de 100 M€ dédié à la conceptualisation, au lancement et à l'accompagnement de produits et services perturbateurs pour les clients d'assurance.

Optimisation de la tarification dans l'industrie de l'assurance : vers un apprentissage machine transparent

Publications associées

Vers des méthodes numériques simplifiées des éléments d’actif et de passif

École des Ponts ParisTech

Donner des moyens financiers aux agricultrices dans le Sud du Nigeria

University of Port Harcourt

Encourager l’intégration financière des petits exploitants au Nigéria

International Institute of Tropical Agriculture

Vous souhaitez contacter notre équipe ?