Une observation du marché montre que de plus en plus d'études actuarielles font appels à des outils de Machine Learning, et la tarification ne fait pas exception.

En effet, si les premiers travaux concernaient principalement l'assurance IARD et santé, aujourd'hui l'ensemble du spectre de l'actuariat semble couvert, tel que l'assurance vie (mortalité, l'arrêt de travail, la dépendance ...), les risques climatiques ...

Un des objectifs du recours aux outils de Machine Learning est l'utilisation de nouvelles sources de données (souvent plus volumineuses et/ou plus complexes) afin d'améliorer la précision et la segmentation (parfois de manière extrême) pour mener à des tarifs de plus en plus personnalisés.

Sur ce constat, la question se pose sur les conséquences pour l'assuré, positives ou négatives, du recours à ce niveau de segmentation de plus en plus fin tant au niveau individuel qu'au niveau collectif.

Au cours de cet atelier, nous vous proposons de présenter les travaux menés par notre groupe de travail à travers la construction de modèle de Machine Learning et la mise en place d’une méthodologie innovante pour confronter plusieurs acteurs avec des niveaux de segmentation différents dans un environnement concurrentiel.

La présentation se poursuivra avec la description des résultats obtenus, nos interprétations et les pistes de réflexion.