La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

1 1 Modèle de correction de données en assurance vie Mohamed BACCOUCHE Actuariat assurances de Personnes - Axa France 12 septembre 2013.

Présentations similaires


Présentation au sujet: "1 1 Modèle de correction de données en assurance vie Mohamed BACCOUCHE Actuariat assurances de Personnes - Axa France 12 septembre 2013."— Transcription de la présentation:

1 1 1 Modèle de correction de données en assurance vie Mohamed BACCOUCHE Actuariat assurances de Personnes - Axa France 12 septembre 2013

2 2Modèle de correction de données en assurance vie \ Mohamed BACCOUCHE – AXA France On dit souvent que « les assureurs ne savent pas ce quils savent » en référence à une exploitation présumée faible de leur données Dun autre coté, Ces bases de données sont la principale richesse dun assureur en raison de de linversion du cycle de production en assurance Objectif de Cette présentation: une illustration de ce que font les assureurs en matière dexploitation des données Contexte

3 3Modèle de correction de données en assurance vie \ Mohamed BACCOUCHE – AXA France Pourquoi cest un sujet difficile? Les bases de données peuvent contenir des données qui ne correspondent pas totalement aux besoins dune étude Les portefeuilles vie peuvent sétaler sur 40 voire 80 ans Modifications règlementaires et/ou Nouveaux produits cout informatiques significatif dadaptation des bases Données conçues pour un autre besoin Erreurs de conception dans les bases de données en raison de la complexité des situations Dysfonctionnements informatiques ponctuels ou structurels Défi Corrections manuelles couteuses et fastidieuses Innovation Idée: un modèle de correction basé sur un modèle statistique Application: compte de résultat dun portefeuille Vie Exploitation optimale des données

4 4Modèle de correction de données en assurance vie \ Mohamed BACCOUCHE – AXA France Portefeuille dassurance vie mature PM: 30 G Chiffre daffaires: 3G Prestations: 3G Portefeuille complexe Plusieurs générations de produits Produits transférés plusieurs fois dun système informatique à un autre Plusieurs modifications réglementaires Contribution significative aux résultats dAxa France Contrainte réglementaire Garder la même fiabilité du compte de résultats et de lanalyse de marge de notre activité Indicateurs des comptes La marge relative non expliquée: impact direct sur le résultat annoncé La marge absolue non expliquée: mesure le risque sur le compte de résultat Exemple dapplication

5 5Modèle de correction de données en assurance vie \ Mohamed BACCOUCHE – AXA France Nature de portefeuille Assurance vie avec des garanties en cas de vie et/ou en cas de décès Des primes régulières ou libres Possibilité darrêter, daugmenter, de baisser et de reprendre des paiements même pour les primes périodiques Possibilité de rachat partiel, programmé ou total Plusieurs supports dinvestissements Des réorientations au choix ou automatiques Les règles fiscales dépendent des générations Plusieurs génération de Contributions sociales Fiscalité en cas de rachat ou de succession Règle complexes de participations aux bénéfices financier et/ou techniques Plusieurs générations de garantie de taux Taux garantie à durée fixe ou viagère TMGA Structure des bases de données: les données qui permettent de calculer le résultat Stock: PM, Flux: Chiffre daffaires, prestations, réorientations, intérêts Caractéristiques des produits, assurés, souscripteurs et distributeurs Caractéristiques des bases de données Plusieurs sources de données Exemple dapplication

6 6Modèle de correction de données en assurance vie \ Mohamed BACCOUCHE – AXA France Principe de la méthode Tester une analyse statistique à partir de lhistorique des analyses manuelles: correction de plus de 14 M avec un taux de succès de plus de 91% (en montant) 1 ère Application industrielle : correction de 13.5 M avec 7148 contrats- supports dont lécart après correction est inférieur à 2 Conclusion Il existe des « régularités » dans les dysfonctionnements des bases de données quon peut donc capturer avec des modèles statistiques Ces techniques de type « BIG DATA » est une opportunité pour les assureurs dans les prochaines années Exemple dapplication

7 7Modèle de correction de données en assurance vie \ Mohamed BACCOUCHE – AXA France Statistiques descriptives sur les anomalies : base des contrats-supports corrigés manuellement sur les exercices précédents ; contrats-supports avec un écart en relatif de -24M; les libellés des anomalies sont regroupés selon une syntaxe qui permet lidentification. Statistiques descriptives sur les anomalies

8 8Modèle de correction de données en assurance vie \ Mohamed BACCOUCHE – AXA France Tableau I : Nombre des postes corrigés Tableau II : Nombre des postes corrigés par contrat Tableau III : Cas d'une seule correction Statistiques descriptives sur les anomalies - support

9 9Modèle de correction de données en assurance vie \ Mohamed BACCOUCHE – AXA France Tableau IV : Cas de deux corrections par contrats-supports en UC Tableau V : Cas de deux corrections par contrats-supports en EURO Les postes les plus corrigés sont : ajustement/IND (UC/Euro) + poste de stock/flux Statistiques descriptives sur les anomalies

10 10Modèle de correction de données en assurance vie \ Mohamed BACCOUCHE – AXA France Méthode de correction : Régression logistique multinomiale Principe de fonctionnement de la régression logistique Modalités Stock; Prestation; Chiffre daffaire; Ajustement; Autre.. Choix des variables discriminantes écart flux (plusieurs sources); écart stock (plusieurs sources); indicateur1 (PMC=0 & prestation=0, variable binaire) ; indicateur2 (PMO=PMC=0, variable binaire) ; indicateur3 (PMC>>PMO et CA = 0 & arbitrage =0); signe de lécart résiduel … Test dANOVA Test de Ki² Stepwise Selection Le poste de Compte de résultat en anomalie

11 11Modèle de correction de données en assurance vie \ Mohamed BACCOUCHE – AXA France Natures des Variables testées Ecarts éventuels entres plusieurs sources de données Utilisation des sources indépendantes Ecarts entre deux calculs indépendants de la PM fin dexercice de chaque contrat Détection des données incohérentes Libellé de lanomalie dans la correction manuelle sensibilité Seuil de correction: en valeur absolue et en valeur relatives Stabilité dans le temps Choix des variables

12 12Modèle de correction de données en assurance vie \ Mohamed BACCOUCHE – AXA France Résultats de la régression logistique multinomiale Un taux de succès significatif sur le nombre des contrats supports corrigés (93%) et sur les montants (92% pour un total de correction de 9.7M); Modèle robuste sur le panier « Out Of Sample »; Anomalie modèle Anomalie correction manuelle Tableau VII : Répartition des bonnes corrections

13 13Modèle de correction de données en assurance vie \ Mohamed BACCOUCHE – AXA France Correction de contrats-supports avec un écart résiduel absolu égal à 13.5M contrats-supports dont lécart après correction est égal à contrats-supports dont lécart après correction est inférieur à contrats-supports dont lécart après correction est inférieur à 5 X = 5, Y = 98% Un taux de bon classement de 92% sur le nombre des contrats supports Un taux de bon classement de 95% sur le montant des écarts corrigés Echantillon de 63 contrats supports choisis pour tester la robustesse du modèle (1,5M) Résultat : application sur tous les contrats en anomalies

14 14Modèle de correction de données en assurance vie \ Mohamed BACCOUCHE – AXA France Fig 1 : Distribution des écarts résiduels des contrats-supports après correction Tableau VIII : Répartition des contrats supports corrigés (écart après correction < 1) Résultat : application sur tous les contrats en anomalies

15 15Modèle de correction de données en assurance vie \ Mohamed BACCOUCHE – AXA France Conclusion et perspective Modèle robuste et stable en termes de taux de bon classement sur les contrats et sur le montant des écarts (plus que 90%) Il faut le maintenir dans le temps: Ré-estimer ces paramètres à partir des erreurs de second espèces détectées Développer des nouveaux modèles de détection des anomalies en fonction de chaque situation

16 16Modèle de correction de données en assurance vie \ Mohamed BACCOUCHE – AXA France Merci pour votre attention


Télécharger ppt "1 1 Modèle de correction de données en assurance vie Mohamed BACCOUCHE Actuariat assurances de Personnes - Axa France 12 septembre 2013."

Présentations similaires


Annonces Google