Optimisation tarification ML

Contexte

Assureur (auto, MRH, santé) avec une tarification reposant sur des modèles GLM (Generalized Linear Models) développés il y a 8 ans par l'actuariat. Les modèles utilisent 15 variables tarifaires classiques (âge, zone, ancienneté, bonus-malus). La concurrence a adopté le ML depuis 3 ans et propose des tarifs plus compétitifs sur les bons risques, entraînant une anti-sélection progressive du portefeuille.

Problème & Défi

Anti-sélection croissante : les bons risques partent vers les concurrents qui ont des tarifs ML plus fins. Perte de parts de marché de 3% en 2 ans sur le segment auto, principalement sur les profils rentables. Modèles GLM à 15 variables vs 200+ variables utilisées par les concurrents ML. Ratio sinistres/primes (S/P) en dégradation de 2 points par an. Temps de mise à jour d'un modèle tarifaire : 6 mois (trop lent vs la concurrence qui itère trimestriellement).

Solution & Livrables

Modèles ML de tarification (GBM, XGBoost) utilisant 200+ variables avec contraintes actuarielles intégrées (monotonie, lissage). Simulation de portefeuille : impact du nouveau tarif sur le mix client, la sinistralité et le P&L avant déploiement. Explicabilité SHAP intégrée pour conformité réglementaire (ACPR) et compréhension par les actuaires. A/B testing en production : déploiement progressif nouveau vs ancien tarif avec mesure d'impact. Pipeline de ré-entraînement trimestriel automatisé avec monitoring de dérive. Système opéré et monitoré en continu par l'équipe Bomzai.

Technologies