Leadership Interview Series: Charles Cowling - Part 1

Dans un contexte d’accroissement perpétuel de la concurrence et d’une pression réglementaire très forte, la justesse et la précision actuarielle du tarif sont des enjeux clefs pour le secteur de l’assurance non-vie. Les modèles linéaires généralisés traditionnellement utilisés donnent lieu à un tarif multiplicatif favorisant l’interprétabilité et l’applicabilité opérationnelle. D’autre part, les méthodes et algorithmes issus de l’Apprentissage Statistique, ou Machine Learning, se focalisent sur un objectif prédictif et permettent de construire des modèles ayant une précision accrue et une forte capacité à capturer des non-linéarités inhérentes à la donnée. La performance de ces modèles se heurte cependant à leur complexité et leur faible interprétabilité. Au-delà d’une analyse séparée des modèles linéaires généralisés et des modèles de Machine Learning, l’objectif de ce mémoire est de construire une méthode exploitant conjointement les avantages de ces deux approches, un modèle atteignant un fort pouvoir prédictif tout en conservant une interprétabilité intrinsèque. Partant des données d’un assureur, nous appliquons alors le modèle additif généralisé dont nous exploitons la structure additive combinant habituellement des fonctions splines pour introduire des fonctions composantes incorporant des modèles de Machine Learning. Au lieu d’interpréter un modèle de Machine Learning, nous construisons ainsi un modèle de Machine Learning intrinsèquement interprétable, un modèle Glass Box. Nous montrons l’intérêt de ce type de modélisation dans la tarification en assurance non-vie.