Débloquer le pouvoir de l'apprentissage automatique automatisé dans le développement des sinistres d'assurance

Dans le monde de l'assurance, les réclamations sont le sang vital de l'industrie. Prédire avec précision l'évolution des pertes au fil du temps est crucial, car cela influence directement la provisionnement, la sélection des risques, la souscription, la tarification et la gestion des réclamations. Traditionnellement, les actuaires estimaient les besoins en provisions à l'aide de calculs au niveau du portefeuille, en s'appuyant sur des méthodes comme l'échelle de chaîne (Chain-Ladder) et la triangulation Bornhuetter-Ferguson. Ces approches fournissent une vue agrégée du développement des pertes sur un portefeuille, servant les objectifs de reporting financier et réglementaire. Bien que ces méthodes offrent transparence et facilité de mise en œuvre, elles comportent également certains risques et limites.

L'approche innovante du Développement Individuel des Pertes (Individual Loss Development - ILD), qui vise à prédire le développement de chaque réclamation individuelle en fonction de ses caractéristiques uniques. Cette approche est un changement de jeu, offrant une perspective plus individualisée sur le développement des pertes.

Défis des méthodes traditionnelles

Les méthodes traditionnelles excellent à fournir une vue d'ensemble du développement des pertes mais peuvent négliger des détails critiques. Estimer le développement des pertes uniquement par une lentille agrégée peut entraîner des inexactitudes dans le provisionnement des pertes pour des segments spécifiques si des caractéristiques essentielles sont négligées. De plus, ces méthodes offrent une vue statique, et l'analyse des changements de provisions et des modèles sous-jacents peut être chronophage. De plus, il peut être difficile de distinguer et de quantifier différentes tendances chevauchantes au sein des méthodes agrégées.

Introduction du Développement Individuel des Pertes (ILD)

L'ILD est conçu pour prédire le développement des pertes pour chaque réclamation individuelle, en tenant compte de ses attributs uniques. Cependant, la construction manuelle de modèles ILD peut être une tâche formidable, notamment en raison de la nature temporelle du développement des réclamations et de la complexité de l'ingénierie des fonctionnalités et de l'estimation des paramètres. De plus, travailler avec des fonctionnalités de texte libre, qui peuvent être hautement prédictives du développement futur des réclamations, pose des défis en raison de la disponibilité limitée de modèles de traitement du langage naturel.

L'Apprentissage Automatique (AutoML) au secours

L'Apprentissage Automatique (AutoML) émerge comme une solution aux complexités associées à la modélisation ILD. L'AutoML rationalise l'ingénierie des fonctionnalités, la sélection des variables et la construction de modèles, réduisant considérablement le temps requis pour l'expérimentation. L'AutoML facilite également le minage de texte automatisé, permettant l'extraction rapide d'informations prédictives à partir des documents de réclamation.

Variables prédictives pour le développement des pertes

Pour construire des variables prédictives pour le développement des pertes, les assureurs considèrent généralement cinq types d'informations :

1. Détails initiaux de la réclamation

2. Informations sur le développement de la réclamation

3. Détails de la police

4. Détails du client

5. Facteurs externes

Cependant, il est crucial d'éviter la fuite de cible (target leakage), qui se produit lorsque des informations qui ne seraient pas disponibles au moment de la prédiction sont utilisées dans l'entraînement du modèle. Pour prévenir cela, les variables sont limitées aux valeurs historiques pour chaque année de développement, en alignement avec le moment de la prédiction.

Les ensembles de fonctionnalités peuvent varier en fonction de l'objectif du modèle, certains se concentrant sur l'estimation précoce du développement des réclamations et d'autres sur les portefeuilles à longue traîne.

Défis de la préparation des données

La modélisation ILD peut conduire à de grands ensembles de données, en particulier pour les passifs à longue traîne. Les techniques de sous-échantillonnage peuvent aider à gérer la taille de l'ensemble de données, mais elles introduisent un biais vers les valeurs à courte distance. L'introduction de poids peut aider à atténuer ce biais, en fonction de l'objectif commercial.

Configuration du modèle

Plusieurs facteurs doivent être pris en compte lors de la configuration d'un modèle ILD, notamment s'il faut travailler avec des réclamations ouvertes et fermées, comment gérer les valeurs aberrantes, à quelles étapes des réclamations les prédictions sont effectuées et quelles techniques de post-traitement sont nécessaires.

Flux de travail de modélisation

L'AutoML permet une expérimentation rapide avec diverses familles de modèles et approches d'ingénierie des fonctionnalités. Il permet également la création de fonctionnalités cibles, en tenant compte de facteurs tels que le total des pertes et le delta des pertes. Le choix de la métrique d'optimisation dépend de l'objectif prévu du modèle.

Interprétation du modèle

Les modèles ILD fournissent des informations sur les fonctionnalités prédictives. Les trois fonctionnalités les plus prédictives incluent souvent la perte initiale, la perte encourue cumulative et l'année de développement. Les contraintes de monotonie sont cruciales, garantissant que le modèle s'aligne sur les hypothèses commerciales.

Application de l'approche ILD

Un portefeuille de pertes aériennes simulé avec 14 000 réclamations de différentes sous-lignes d'activité a été utilisé pour appliquer l'approche ILD. Le modèle a démontré une précision prometteuse, et les fonctionnalités les plus prédictives correspondaient aux attentes. De plus, les modèles ILD offrent des explications individuelles pour chaque prédiction, permettant aux assureurs de comprendre pourquoi une réclamation pourrait être considérée comme risquée.

Implications pour les assureurs

L'approche ILD offre une perspective granulaire sur l'inflation du portefeuille de réclamations, complétant les méthodes de provisionnement traditionnelles. L'apprentissage automatique, en particulier l'AutoML, fournit une solution aux défis associés à la construction manuelle de modèles ILD, économisant du temps et offrant des informations exploitables. Bien que l'ILD ne soit pas susceptible de remplacer entièrement les méthodes basées sur les triangles, elle peut améliorer divers aspects de l'assurance, de la tarification et de l'enquête sur les réclamations à la détection de fraude et à l'évaluation du portefeuille. En adoptant l'ILD et en restant à jour avec les avancées de l'apprentissage automatique, les assureurs peuvent obtenir un avantage concurrentiel dans l'industrie.

Dans le paysage en constante évolution de l'assurance, l'adoption de l'ILD et de l'apprentissage automatique promet de transformer l'industrie, permettant aux assureurs de prendre des décisions plus éclairées et de fournir de meilleurs services à leurs clients.