« L’information publique est comme du dentifrice ; une fois sortie du tube, impossible de la faire rentrer » (Doyle, 2010). À l’ère des mégadonnées, chaque action laisse une trace qui s’agrège aux autres pour bâtir des profils de risque, des scores de crédit ou des prédictions médicales. Pourtant, la sagesse japonaise nous dit qu’« on tombe sept fois, on se relève huit » (七転び八起き), rappelant qu’on apprend de ses erreurs. Mais ceci n’est possible que si ces dernières ne définissent pas irréversiblement l’individu.
Une étape essentielle du processus de tarification est le choix de l’algorithme qui permettra de calculer la prime à partir de données passées. En assurance, les modèles prédictifs sont partout : il peut s’agir de calculer la prime demandée pour couvrir les dommages causés à un bien, ou encore d’un score interne de suspicion de fraude sur un sinistre. Ce papier discute des limites de l’application des algorithmes prédictifs en assurance en revenant sur les notions de segmentation des risques et d’hétérogénéité.
"sendo l'intento mio scrivere cosa utile a chi la intende…"