Pricing Game, c’est reparti

Pour la seconde année consécutive, on organise un pricing game dans le cadre de la formation Data Science pour l’Actuariat. Les instructions sont en ligne. Pour information, il y a trois bases en ligne

  • train_contrats:  87 228 observations, 22 variables. Base contenant les informations relatives aux polices d’assurance
  • train_sinistres:  4 568 observations, 9 variables. Base contenant les informations relatives aux sinistres observés
  • test_contrats32 772 observations, 21 variables. Base contenant les informations relatives aux polices d’assurance pour lesquelles il conviendra de proposer une prime

La première étape du jeu va durer 2 mois (entre le 15 juillet et le 15 septembre). Il s’agira de proposer 32 772 primes d’assurance. Il est impératif de proposer une prime pour tous les contrats. Autre information supplémentaire, pour tous les joueurs, la somme des primes sera égalisée à 2,5 millions d’euros.

Petite nouveauté, il y aura une seconde étape ensuite. Chaque participant recevra la prime de deux de ses concurrents, et aura la possibilité de mettre à jour ses primes, et de renvoyer des primes mises à jour d’ici le 20 septembre.

Les commentaires sont ouverts pour tout complément d’information ! J’essayerais de poster des informations complémentaires, en particulier sur la description des variables, au cours des vacances. L’analyse du jeu sera proposée lors de la journée 100% Data Science de l’Institut des Actuaires (qui aura lieu le 8 novembre 2016). Bon courage en attendant !

La tarification en assurance, et la sélection à l’université

En assurance, même si les primes sont calculées ex ante, on distingue la tarification a priori et a posteriori. Dans la tarification a priori on va utiliser des variables dites explicatives pour affecter dans une classe tarifaire. Par exemple en assurance automobile, on va utiliser l’âge, le genre, le lieu d’habitation, la puissance du véhicule pour prédire, a priori, la charge sinistre pour l’année à venir. Le principe de la tarification repose sur la loi des grands nombres qui consiste à faire demande un prime égale à ce que l’on pense payer – en moyenne – par classe de risque (la compagnie est alors – en moyenne – à l’équilibre financier). Mais on peut utiliser une tarification dite a posteriori où on utilise de l’information passé (par exemple le nombre de sinistres survenus les 3 dernières années, information que l’on peut retrouver, en France, dans le mécanisme bonus-malus). Si j’oppose ici les deux, on imagine que ces deux informations sont intéressantes, et peut être complémentaires. En revanche, il n’y a pas de tarification ex post avec ce mécanisme. Il y aura éventuellement un bonus qui sera offert l’année prochaine (et non pas de manière rétroactive), mais l’assureur ne peut pas rétropédaler en disant “finalement, vu la manière dont vous conduisez, la prime que vous nous devez pour l’année en cours n’est pas de 600 euros, mais de 900 euros“. La seule possibilité est de rediscuter, au moment du renouvellement, le montant de la prime, au vu de l’expérience.

Continue reading La tarification en assurance, et la sélection à l’université

Données et santé : valeurs, acteurs et enjeux

Ce billet a été rédigé avec Raphaël Suire.

Les données numériques nous concernent tous. En tant qu’usager d’objets connectés ou de services, nous laissons des traces à mesure que nous utilisons, consultons, notifions, commentons des contenus ou des services. D’ailleurs, même quand l’usager de fait rien, l’objet ou la plateforme qui propose du contenu sont en capacité de remonter cette inactivité, ce qui constitue bel et bien une information. En soit, chaque trace prise isolément donne peu d’information sur qui nous sommes. En outre, moins nous sommes routiniers dans l’usage de nos objets ou des services et moins il est simple d’identifier des régularités dans ce que nous faisons. Le caractère routinier peut être difficile à observer. Un horaire d’arrivée au bureau peut sembler complètement aléatoire, et pourtant, la personne prend régulièrement le premier bus qui passe devant chez lui, en sortant à 8 heures très précisément. Un comportement parfaitement déterminé et prévisible, qui se heurte à des obstacles aléatoires peut sembler aléatoire. Il n’en demeure moins que ces données numériques, pour qui sait les stocker et les croiser, constituent de l’or noir et un carburant d’une performance renouvelée pour de nombreuses organisations. Symétriquement, cette exploitation, constitue une source de tension entre des usagers sensibles à la protection de leur donnée personnelle (notion de « privacy concern ») et ces mêmes acteurs. Elle interroge également en profondeur le régulateur, car les réels gagnants seront peu nombreux. Il faut entendre ici, ceux qui au final vont posséder et capturer la valeur des données agrégées. Et enfin, c’est sans compter avec un nouveau terrain de jeu, aux promesses stratosphériques, celui de la santé connectée et un marché mondial estimé à 308 milliards de dollars (Grand View Research, 2015).

Continue reading Données et santé : valeurs, acteurs et enjeux