Management des données et interactions avec les modèles prédictifs et de simulations

Dans une logique de gestion des risques, de futurs modèles, qui auront plus d’aspects « boîte noire », qui seront plus sophistiqués, avec des aspects machine learning, sortiront pour faire la tarification, la souscription, la gestion des sinistres. L’Enterprise Risk Management donnera lieu à des contraintes sur ces nouveaux modèles : quels modèles analytics ne pourraient pas être utilisés sur tel ou tel sujet car cela créerait trop de risque ? Quelles bonnes pratiques pour l’utilisation de ces nouvelles techniques en assurance ? En termes de données, quelle stratégie data faut-il employer et comment transformer les systèmes existants pour s’adapter au big data tout en continuant à gérer les risques correctement ? Cela correspond aux problématiques de management de la modélisation pour l’Analytics.

Certaines questions d’accélération des temps de calcul pourraient être abordées sous l’angle de la modélisation prédictive, en lien avec les travaux précédents de la chaire sur les simulations dans les simulations pour Solvabilité II.

Le thème des attitudes face aux modèles pourrait également être étudié dans le cadre analytics. Comment les dirigeants réagiraient-ils face à un modèle peu interprétable, pour lequel l’actuaire analytics est dans l’incapacité de raconter une histoire pour en expliquer les résultats ? Quel est le coût technique de l’interprétabilité (combien perd-on en qualité si on requiert un degré minimum d’interprétabilité) ? Comment définir l’interprétabilité des résultats d’un modèle de type analytics précisément ? Comment les assurés réagiraient-ils face à un tarif potentiellement très variable au cours du temps, du fait d’une segmentation poussée à l’extrême ? Comment concilier segmentation, éthique et maîtrise de la stabilité du tarif dans le temps ? Quel est le coût en termes de performance d’une contrainte de stabilité moyenne du tarif dans le temps pour un assuré ?

Les questions sur les biais de sélection et sur le risque de fraude ou de manipulation des données par les assurés pourraient être abordées. Comment gérer ce risque, détecter les éventuelles manipulations et comment tenir compte des effets de sélection au cours du temps ?

Enfin il pourra être envisagé d’étudier les évolutions que peuvent permettre les approches associées à l’utilisation des données issues des objets connectés. Certaines équipes de BNP Paribas Cardif doivent suivre les évolutions digitales du monde de l’assurance, d’autres mettent en place des solutions connectées : par exemple des contrats assurance habitation (Habit@t, Italie) par l’intermédiaire d’une “box” qui veille sur l’habitation grâce à des capteurs, des contrats assurance automobile via l’application mobile « Pay how you drive » qui analyse la conduite au volant et récompense les conducteurs prudents (Royaume-Uni). Ces données peuvent-elles modifier le modèle classique de l’assurance en introduisant des incitations et de la prévention de manière beaucoup plus marquée qu’aujourd’hui?