• Clara ADICEOM

Tribune sur les impacts techniques et opérationnels de l’évolution de l’assurance auto

Il n’aura pas échappé aux acteurs du marché de l’assurance et de l’automobile la nouvelle ambition d’Elon Musk : développer une assurance « révolutionnaire » spécifique aux véhicules Tesla. Et de fait, on imagine facilement qu’il souhaite exploiter au maximum la mine d’or dont il dispose, à savoir la multitude d’informations sur l’état de la voiture et sur le comportement au volant des conducteurs de Tesla. Sa proposition : adapter le prix de l’assurance auto à la manière de conduire de l’assuré. Il s’agit d’un exemple typique de l’évolution de la tarification en assurance auto : le « Pay how you drive » ou « Payez à votre manière de conduire », où le tarif évolue au fur et à mesure de la conduite, et augmente lorsque celle-ci devient dangereuse.


Dans un contexte hyper concurrentiel, de plus en plus d’assureurs tendent à faire évoluer leurs méthodes et leurs modèles de tarification pour présenter des tarifs attractifs mais cohérents avec le risque assuré. Depuis quelques années déjà, l’émergence et l’utilisation décomplexée des algorithmes de machine learning, couplée à l’accès facilité à de nouvelles sources de données, ont permis de voir apparaitre de nouvelles offres : « Pay how you drive », « Pay how you will drive » ie « Payez comme vous allez conduire », ou encore le paiement à l’usage comme le « Pay as you drive » ie « Payez tant que vous conduisez » ou le « Pay when you drive » ie « Payer quand vous conduisez ».


Il s’agit là de nouvelles manières pour l’assureur (et plus précisément, pour l’actuaire) d’estimer et de segmenter les risques en fonction du profil du conducteur. Or, au-delà de la théorie qui a pu faire ses preuves, la mise en place d’une telle tarification engendre des transformations sur le plan opérationnel.


Ainsi, quels impacts techniques et opérationnels l’évolution de l’assurance automobile implique-t-elle ? Quels sont les leviers de réussite dont doivent disposer les acteurs de ce marché pour réussir leur nouvelle implémentation tarifaire ?


Etat de l’art des méthodes de tarification traditionnelles


La tarification repose sur l’estimation des risques (la prime pure), elle-même issue de l’exploitation de données mises à disposition par l’assuré. Traditionnellement, l’assureur recueille ces informations par le biais d’un questionnaire à l’occasion de la souscription du contrat : modèle et puissance du véhicule, âge du conducteur, statut de jeune conducteur, retrait de permis… Il complète ces renseignements par le niveau de bonus/malus du conducteur communiqué par l’assureur précédent le cas échéant. Durant toute la durée du contrat, l’assureur n’aura pas d’autres informations que celles communiquées au départ, mis à part l’observation d’éventuels sinistres.


L’ensemble des données recueillies à la souscription sur l’ensemble du portefeuille et l’observation des sinistres sur les véhicules assurés permettent de segmenter le risque, notamment sur la base de méthodes de classification non supervisées (ex : clusterisation hiérarchique, k-means, analyse en composantes principales…). C’est aussi l’occasion d’identifier les variables les plus discriminantes dans l’appréciation du risque, et en particulier, il apparait que le modèle et la puissance du véhicule sont très corrélées au niveau de risque (en fréquence et/ou en gravité). Les assureurs construisent de cette manière leur « véhiculier », par analogie au « zonier de risque » utilisé en multirisque habitation.


Il est ensuite possible d’entraîner le modèle de prime pure pour les affaires nouvelles, qui prend la forme d’un Modèle Linéaire Généralisé, sur la base du portefeuille assuré et des sinistres passés. Le recours à un tel modèle est commode pour le tarificateur car il a le mérite d’être facile à comprendre, transparent, auditable, et surtout permet une mise en production du tarif simplifiée : le tarif dérive d’une somme ou un produit de coefficients qui s’implémentent et se mettent à jour relativement aisément au niveau IT. A noter que l’estimation d’une prime pure individuelle associée à un véhicule peu répertorié dans le portefeuille de l’assureur (et dont les données à disposition sont rares) peut être ajustée selon la théorie de la crédibilité.


Opérationnellement parlant, la mise à jour des tarifs d’affaires nouvelles dépend de l’évolution de l’appétence au risque de l’assureur et de la capacité de ses équipes d’actuaires et IT à mettre à jour les modèles et les mettre en production. Aussi, la rapidité de mise à jour de ces tarifs repose sur les moyens et les ressources humaines et techniques mises à disposition des équipes.



Processus de tarification en assurance traditionnelle durant toute la durée de vie d’un contrat d’assurance auto. La revue du tarif se fait une fois par an, sur la base des sinistres observés sur l’année écoulée.


D’une manière générale, pour améliorer le niveau de rentabilité d’un portefeuille, il est nécessaire de mieux connaître le risque, et donc mieux connaître la population assurée. Or, les méthodes traditionnelles de collecte de données ne permettent pas de capturer de manière fidèle l’attitude et le comportement des assurés. Par ailleurs, la qualité de prédiction par le modèle linéaire généralisé peut être surpassée en ayant recours à d’autres algorithmes plus puissants, mais de type « boîtes noires » tels que les Forêts Aléatoires ou le Gradient Boosting Machine.


Machine learning et nouvelles sources de données : un terrain propice à l’évolution des pratiques de tarification en assurance auto


L’essor du big data et de « l’Internet of Things » (Objets connectés) étend le champ de collecte d’informations sur les assurés, ces informations jusqu’à lors inaccessibles aux assureurs. Avec l’accord préalable des assurés, l’assureur peut :


  • Etablir un profil psychologique de l’assuré via un questionnaire, suite à une étude menée au préalable sur un échantillon de personnes semblables à celles qui composent le portefeuille assuré. Cela permet d’affiner le profil de risque du conducteur assuré en prédisant son comportement au volant. C’est le « Pay how you will drive », où le tarif sera d’autant moins cher que le profil de l’assuré semblera sérieux et attentif, et c’est ce que propose d’ailleurs AssurOnline avec son produit auto jeune, en partenariat avec Road-b-score. A noter qu’il avait été imaginé par certains assureurs de dresser le profil psychologique à partir d’informations disponibles sur des réseaux sociaux tels que Facebook ou Instagram. Cependant, pour des raisons de confidentialité et de respect de la vie privée, ces projets ont été mis de côté.

  • Accéder aux données de conduite transmises directement par la voiture (exemple des voitures Tesla) ou au moyen d’un boîtier fourni par l’assureur à connecter (ou non) à la voiture. Un tel dispositif permet deux types d’assurances :

- Le paiement à l’usage, où la prime d’assurance se décompose en une partie fixe relative à la couverture du véhicule en stationnement, et une partie variable proportionnelle au niveau d’utilisation d’un véhicule. L’usage du véhicule se définit alors de plusieurs manières :

- Le « Pay as you drive » : la part variable de la prime d’assurance dépend du temps de conduite ou du nombre de kilomètres parcourus par l’assuré. L’assureur est ainsi informé en temps réel lorsque l’assuré prend la route et est au volant. A titre d’illustration, Altima et la France Mutualiste, ou encore Wakam (ex- La Parisienne Assurance) proposent ce type de produit.

- Le « Pay when you drive » : la part variable de la prime d’assurance dépend du nombre de jours où le véhicule est en circulation, sans limite de kilomètre ou de temps. C’est d’ailleurs sur ce concept que repose l’offre de Wilov.

- Le « Pay how you drive » : le prix de l’assurance est fonction de la conduite plus ou moins prudente de l’assuré, évaluée selon les données transmises par la voiture (ou le boîtier) telles que la vitesse moyenne, le freinage, les accélérations, les temps de conduite… Ce style d’offre est actuellement distribué par AcommeAssure, Direct Assurance et probablement bientôt Tesla.


Le « Pay how you will drive » fournit une information supplémentaire à la souscription du contrat et ne remet pas en cause la méthode de tarification : le score de conduite de l’assuré attribué après l’évaluation de son profil psychologique est une variable supplémentaire dans le modèle de prime pure, permettant d’ajuster plus précisément le tarif d’affaire nouvelle sans bouleverser les processus opérationnels de production. A noter que ce scoring n’a plus d’impact sur le calcul des majorations au terme de ces contrats.


Quant au paiement à l’usage, le tarif dépend de données fournies lors de la conduite de l’assuré, alors inconnues à date de souscription. Or, l’assureur devant atteindre un objectif de chiffre d’affaires et honorer des frais d’acquisition, de souscription et de gestion, la facturation dès la souscription du contrat peut s’avérer nécessaire. Ainsi, plusieurs possibilités s’offrent à l’assureur si ce dernier ne souhaite pas attendre le terme du contrat pour recevoir la prime :


  • Pour le « Pay as/when you drive » ou pour le « Pay how you drive » : réaliser une tarification d’affaire nouvelle selon la méthode traditionnelle et en estimant la durée d’usage du véhicule, les jours de conduite ou le nombre de kilomètres qui seront parcourus, puis ajuster à la fin de l’année ou du mois le tarif à la hausse ou la baisse (impliquant une majoration ou un remboursement in fine) en fonction des observations sur la période passée. Au niveau opérationnel, cela implique chaque mois un travail supplémentaire de collecte de données et d’ajustement de tarifs ligne à ligne pour les contrats concernés. La mise en place d’un canal de collecte automatique des données de conduite devient alors nécessaire pour faciliter et accélérer cette tâche.

  • Dans le cas particulier du paiement à l’usage, décomposer le tarif en une partie fixe et une partie variable dépendant du nombre de kilomètres, d’heures ou de jours de conduite, le niveau de la partie fixe et du coefficient de la partie variable étant ajusté selon la méthode traditionnelle. Le paiement de l’assurance s’effectue alors tous les mois, après calcul automatique de la cotisation sur la période. De façon opérationnelle à nouveau, un calcul ligne à ligne des cotisations devra être réalisé chaque mois par les équipes d’actuaires, ce qui suppose un afflux facilité des données issues des boîtiers ou des voitures connectées via un canal sécurisé.


Processus de tarification en assurance Pay as/when/how you drive durant toute la durée de vie d’un contrat d’assurance auto. La revue du tarif peut survenir plus d’une fois par an, sur la base des sinistres observés sur la période écoulée ainsi que sur l’ensemble des données de conduites récoltées par le boîtier développé en interne par l’assureur ou en externe par un prestataire en charge de la collecte et la gestion des données.


Il est bien entendu envisageable de combiner ces trois nouvelles approches de tarification, et il conviendra alors d’évaluer en amont la méthode la plus efficace au niveau opérationnel et rentable pour l’assureur en fonction des clients ciblés par la nouvelle offre :

Benchmark non exhaustif d’acteurs de l’assurance auto Pay as/Pay when/Pay how


Ces nouvelles sources de données permettent donc de proposer des offres inédites aux clients, parfois mieux adaptées à leurs besoins, et plus justes en terme de tarifs. Ces données sont également le moyen pour l’assureur d’accumuler de l’expérience sur le comportement de ses assurés en portefeuille et d’ajuster ses prédictions et sa segmentation du risque. Dans le cadre du RGPD, cela implique un travail d’anonymisation ou de pseudo-anonymisation des données avant de pouvoir les exploiter. Par ailleurs, en disposant de big data de plus en plus vaste, les assureurs devront faire preuve de parcimonie et identifier parmi les nouvelles variables celles qui sont les plus discriminantes. Cela peut se faire par exemple au moyen de Forêts aléatoires ou Gradient Boosting Machine qui indiquent quelles variables contribuent le plus à la prédiction du risque.

Enfin, l’emploi du Modèle Linéaire Généralisé peut s’avérer limitant : l’expérience des actuaires et des data scientists indique que les modèles de types « boîtes noires » tels que le Gradient Boosting Machine affichent de manière générale une meilleure qualité de prédiction (sous réserve qu’il n’y ait pas de sur-apprentissage). Or l’usage d’un tel algorithme peu poser problème au niveau opérationnel :

  • D’abord puisque le modèle est opaque : il n’est pas possible de visualiser directement les contributions de telle ou telle variable à une prédiction donnée. Il devient alors difficile de justifier le tarif à un assuré, ou de rendre des comptes aux autorités compétentes.

  • Ensuite parce qu’il est moins facile de mettre en production un tel tarif : à la différence du Modèle Linéaire Généralisé où une application successive de coefficients permet d’obtenir le tarif ligne à ligne, un Gradient Boosting Machine quant à lui fait office de « moulinette » prenant comme input les informations des contrats, et sortant en output « automatiquement » un tarif par contrat. L’actuaire n’a alors que peu de visibilité et de contrôle sur ce qui se passe lors du calcul du tarif.

Il existe néanmoins aujourd’hui des moyens pour gagner en transparence sur de tels modèles et espérer pouvoir les utiliser en production. La méthode de LIME ou la méthode des SHAP values permettent d’apporter une interprétation locale aux prédictions obtenues par des algorithmes « boîtes noires ». Concrètement, de telles méthodes indiquent, pour une prédiction donnée, le niveau de contribution de chaque variable pour atteindre la prédiction (et donc la prime pure). Toutefois, il n’est pas possible de faire une généralisation de ces contributions à l’ensemble des contrats. Ces algorithmes d’interprétation ont un intérêt seulement si l’actuaire souhaite analyser et expliquer une prime pure précise.

Bilan


L’accès aux nouvelles sources de données (profil psychologique et comportement de l’assuré au volant) ainsi que leur incorporation facilitée dans les outils de calculs et de production apparaissent comme des leviers de réussite pour les assureurs souhaitant s’aventurer sur ces nouveaux types d’offres.


La mise en place de partenariats avec des fournisseurs de boîtiers connectés déjà spécialistes du domaine peut permettre une mise en production plus rapide de l’offre et de déléguer à la fois la maintenance des boîtiers et le traitement des données en amont. Un canal de transfert d’informations sécurisé devra être instauré entre le fournisseur et l’assureur, mais devra être suffisamment flexible pour pouvoir s’adapter à d’éventuels ajustements futurs (notamment en terme de structure de la base de données transférée, pour faciliter la fusion avec les bases de données de l’assureur).


Se pose ensuite évidemment la question du délai nécessaire à la mise en production de ces nouveaux contrats, et du temps alloué à la gestion et au suivi du portefeuille. En première approximation et selon l’expertise de Périclès Actuarial, l’offre « Pay how you will drive » reste accessible en terme de charge de travail : un temps de modélisation du scoring de profil conducteur sera à prévoir, mais ne nécessitera pas plus de temps de production a priori. Cependant, une charge de travail plus conséquente serait à prévoir sur les modalités du type « Pay as you drive », d’autant plus si la fréquence de calcul des cotisations par an est grande.


En tout état de cause, la rapidité d’implémentation de la nouvelle offre et de la mise à jour des tarifs en accord avec l’appétence au risque de l’assureur sera un facteur discriminant de succès, et Elon Musk l’a bien compris, s’empressant de recruter des actuaires pour son nouveau projet : « surtout si vous [NDLR : les actuaires] voulez changer les choses et si vous êtes lassés de la lenteur de l’industrie. Tesla est l’endroit où il faut être ».


Sans surprise, ces problématiques de tarification poseront à terme des questions de mutualisation du risque puisque l’assurance auto va évoluer à deux vitesses : d’un côté, de nouveaux profils d’assurés acceptent une collecte de données plus intrusive en arbitrant entre liberté et économie d’argent, contribuant alors au développement d’offres innovantes et plus segmentées, de l’autre, des profils plus spécifiques fidèles à l’assurance traditionnelle. Convaincu des enjeux qu’impose une telle transformation du marché, Périclès Actuarial travaille sur ces sujets dans leur globalité et est en mesure de vous accompagner dans votre réflexion, vos projets, et le cas échéant expliquer les méthodologies ainsi que leurs applications aux lecteurs intéressés.

Posts récents

Voir tout

A PROPOS DE PERICLES ACTUARIAL

Portés par la diversité de nos compétences, par l’unicité de notre ambition et par notre énergie, nous accompagnons nos clients dans la résolution de problématiques actuarielles sur des projets stratégiques et techniques.

Portés par la diversité de nos compétences, par l’unicité de notre ambition et par notre énergie, nous accompagnons nos clients dans la résolution de problématiques actuarielles sur des projets stratégiques et techniques et nous créons des algorithmes performants, adaptés à vos données et cas d’usage.

RÉSEAUX SOCIAUX

  • LinkedIn Social Icône
  • Gazouillement

S'ABONNER

© 2020 par Périclès Actuarial. 

Périclès Actuarial - 10 rue Chauchat 75009 Paris

Email : blog@pericles-actuarial.com - Tél : + 33 1 42 94 04 01