id string | embedding list | metadata dict | document string |
|---|---|---|---|
100626 | [
0.3011252284049988,
0.5320321917533875,
0.6361704468727112,
0.40636566281318665,
0.04102694243192673,
-0.6260576248168945,
-0.016102856025099754,
-0.4679155945777893,
-0.6815738677978516,
1.0113959312438965,
0.4100249409675598,
0.08507239073514938,
-0.07946866750717163,
0.19698017835617065... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | Sensibilité = ∆ Nombre d′Affaires Nouvelles
∆ Prix
Dans cet exemple, la sensibilité, que nous notons ρ, est le coefficient directeur de notre
droite. S’il reste linéaire sur chaque sous-population, il y aura un facteur à appliquer par
segment. En cas de complication avec une allure de courbe différente, il faut e... |
100627 | [
0.45813560485839844,
0.4106484055519104,
0.42624998092651367,
0.18236684799194336,
-0.5703830718994141,
-0.7885742783546448,
0.28486499190330505,
-0.33166804909706116,
-0.6448652148246765,
0.5778034925460815,
0.23618930578231812,
0.19665639102458954,
-0.15820002555847168,
0.078220836818218... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | Prixt
) + 1] ∗ NbAFNt
Nous allons utiliser cette formule pour déterminer à la place de « t+1 », le nouveau
produit/la nouvelle gamme (NG), et en « t », le tarif actuellement mis en
production/l’ancienne gamme (AG). Ainsi, en reprenant la production de 2015, nous
pourrons déterminer la marge avec la nouvelle gamme... |
100628 | [
-0.29521507024765015,
0.6682636141777039,
0.2533632218837738,
-0.35228097438812256,
-1.0103745460510254,
-0.6685020923614502,
-0.23482614755630493,
-0.06469102948904037,
-0.38326361775398254,
1.1177257299423218,
-0.0029766822699457407,
0.08287807554006577,
-0.03464478626847267,
-0.32482650... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | variation tarifaire sur l’ancien produit. En 2014, un nouveau zonier entraîna un changement
de coefficients multiplicatifs.
Auparavant un contrat pouvait se voir attribuer un coefficient de 0,95 qu’importe s’il s’agisse
d’une maison ou d’un appartement. Le nouveau zonier corrige cette différence en attribuant
de... |
100629 | [
0.36953312158584595,
0.5129973292350769,
0.4681181013584137,
0.3263651132583618,
-0.32686111330986023,
-0.4949409067630768,
-0.08801965415477753,
-0.31374552845954895,
-0.24244293570518494,
0.8488500118255615,
-0.24662670493125916,
0.3015070855617523,
0.028885796666145325,
0.11978019028902... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | sensibilités qu’elle a dégagées. Nous verrons donc s’il est intéressant de segmenter cet
indicateur selon une ou plusieurs de variables.22
Partie II – Mesure de la Sensibilité à l’affaire
nouvelle
Dans cette seconde partie, nous mesurons et modélisons notre sensibilité : le but sera
ensuite de l’utiliser pour ... |
10063 | [
0.6355262398719788,
-0.13313136994838715,
0.06556576490402222,
-0.08599547296762466,
0.2279931604862213,
-0.25243455171585083,
-0.008978189900517464,
-0.4705389142036438,
0.04577924311161041,
0.9484144449234009,
0.3351839482784271,
0.17352516949176788,
0.057973697781562805,
0.4781427085399... | {
"title": "2016_3090fc160532a2ee243c3ca4be83d406.pdf"
} | par l’approche SMR, alors que celle évaluée à partir de la table de mortalité utilisée dans les
tarifications dans le cas d’étude donne 28,75 ans : on s’attend donc à des pertes techniques au
niveau du fonds de rente total.
Pour la modélisation du choix de prorogation, en s’inspirant de l’analyse graphique des actif... |
100630 | [
-0.4000492990016937,
0.3958359956741333,
-0.24536432325839996,
-0.29920369386672974,
-0.22719186544418335,
-0.4921795427799225,
-0.43581581115722656,
-0.3611324727535248,
-0.6001567244529724,
0.8904501795768738,
0.2441839724779129,
0.617851972579956,
0.5458775162696838,
0.16471423208713531... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | années, nous pouvons calculer une évolution tarifaire. En étudiant les distributions de ces
évolutions en 2013 et en 2015, nous pouvons observer des différences : il s’agit de la
variation de production. Nous allons en donner un exemple :
Nous regardons d’un côté les contrats qui ont été vendus à 100 euros en 2013... |
100631 | [
-0.07470417022705078,
0.4905637502670288,
0.25287148356437683,
-0.5280352830886841,
-0.10493414103984833,
-0.49180495738983154,
-0.8983779549598694,
0.09166641533374786,
-0.06123487651348114,
0.49185314774513245,
0.3986828625202179,
0.6345897912979126,
0.07728496193885803,
-0.0157927740365... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | associée à ce changement tarifaire.
En analysant l’ensemble des cas, nous pourrons ainsi mettre en exergue l’impact de
l’évolution tarifaire sur la production, puis analyser s’il a été différent sur certaines sous-
populations. Nous aurons ainsi la possibilité d’avoir des contrats aux caractéristiques
différentes ... |
100632 | [
-0.3322892487049103,
-0.022438712418079376,
-0.11687657237052917,
0.6189509034156799,
0.27292585372924805,
0.11393629014492035,
-0.26084524393081665,
-0.6776450276374817,
-0.2634376585483551,
0.9211233258247375,
-0.11540539562702179,
0.8823671340942383,
0.4325123429298401,
-0.1525164544582... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | globalement ils sembleraient plus élastiques au prix au détriment de la couverture. Ceci peut
se justifier du fait qu’il ne s’agit pas de leurs biens ou encore parce que leurs durations sont
moindres dans les logements. Ensuite concernant le réseau, nous optons uniquement pour
les agences, car c’est le réseau privil... |
100633 | [
-0.05935268849134445,
0.3517161011695862,
0.4498003423213959,
-0.16270965337753296,
-0.769513726234436,
-0.500862181186676,
-0.5965134501457214,
-0.10580670833587646,
-0.4642680883407593,
0.4111526906490326,
-0.0017823302187025547,
0.29592087864875793,
-0.06131370738148689,
0.0993008986115... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | périmètre que nous venons de définir. Comme nous l’avons énoncé plus tôt, notre sensibilité
est calculée en fonction de deux variations : l’évolution tarifaire et l’évolution de production.
Pour chaque situation d’évolution tarifaire, nous devons visualiser l’impact qu’il génère sur
la venue ou non des clients.
Po... |
100634 | [
-0.03446317836642265,
-0.07553354650735855,
0.568128764629364,
-0.009910326451063156,
-0.713636040687561,
-0.2838085889816284,
-0.5003194212913513,
-0.3285956382751465,
-0.2995162904262543,
0.8751817941665649,
0.7982292175292969,
0.7033601999282837,
0.0010299703571945429,
-0.10045912861824... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | Table Affaires
Nouvelles 2013
Table Affaires
Nouvelles 2015
Tarif 2013
Tarif 2015
EvolTarif AFN 15 = Tarif 15 − Tarif 13
Tarif 13
EvolTarif AFN 13 = Tarif 15 − Tarif 13
Tarif 13
-Analyse et création de classes d’évolution tarifaire
-Visualisation du nombre d’affaires nouvelles dans
chaque classe pour les de... |
100635 | [
0.15761318802833557,
0.22974717617034912,
0.1622304767370224,
0.2710197865962982,
-0.31619521975517273,
-0.696381688117981,
-0.13588714599609375,
-0.05811711400747299,
-0.032960742712020874,
0.9900164008140564,
0.3832398056983948,
0.47921910881996155,
0.11125870794057846,
0.435866385698318... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | pour celles de 2015, nous n’avons que les prix de 2015. Nous complétons en simulant les
tarifs manquants :
Un biais est ensuite observable dans cette simulation : le rabais réellement appliqué n’est
pas simulable. En effet, l’agent se voit accorder une somme d’argent qu’il peut se permettr... |
100636 | [
0.06137774884700775,
-0.2402591109275818,
0.05397301912307739,
0.16782039403915405,
-0.8707101345062256,
-0.8476508855819702,
-0.13539202511310577,
0.13893254101276398,
-0.5706716775894165,
0.8574905395507812,
0.17504894733428955,
0.8532382249832153,
0.3032008409500122,
0.13180628418922424... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | Base d’Affaires Nouvelles 2013 :
Prix 2013 : Disponibles
Prix 2015 : Manquants
Base d’Affaires Nouvelles 2015 :
Prix 2013 : Manquants
Prix 2015 : Disponibles
Base d’Affaires Nouvelles 2013 :
Prix 2013 : Disponibles
Prix 2015 : Simulés
Simulation
Tarifs 2015
Simulation
Tarifs 2013
Base d’Affaires Nouv... |
100637 | [
-0.03390591964125633,
0.48047494888305664,
0.2644135653972626,
-0.2761993706226349,
-0.5940023064613342,
-0.4489041268825531,
-0.5539920926094055,
-0.016673889011144638,
-0.0009355758083984256,
1.0228290557861328,
0.22080296277999878,
0.7491575479507446,
-0.2099038064479828,
0.063866555690... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | les deux années, et sur les différents niveaux d’évolutions tarifaires.
Nous allons commencer à étudier nos évolutions tarifaires avec ces tarifs sans rabais et sans
option sur nos deux bases. Nous en profiterons pour tester par la même occasion ces
hypothèses.
II.2.a. Approche sans rabais
Après avoir sim... |
100638 | [
-0.025741571560502052,
0.5644062757492065,
0.16577906906604767,
0.43983957171440125,
-0.09516578167676926,
-0.6725092530250549,
-0.11276527494192123,
-0.26008880138397217,
-0.2712823450565338,
1.0740400552749634,
0.04696519672870636,
0.6278557777404785,
0.1447429358959198,
0.15163820981979... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | Sur ces deux graphiques, nous voyons que l’allure globale des distributions des affaires
nouvelles est relativement la même. Nous allons analyser les indicateurs de distribution pour
se faire une idée plus précise :
Indicateurs de
Distribution de
l’évolution tarifaire
5%
Q1
Médiane
Q3
95%
Moyenne
Table A... |
100639 | [
-0.20620939135551453,
-0.09209965914487839,
-0.1276247799396515,
0.3492462933063507,
-0.16196873784065247,
-0.22349663078784943,
-0.27969226241111755,
-0.43758103251457214,
-0.11866424232721329,
0.9193868637084961,
0.20514826476573944,
0.7586135864257812,
0.30724409222602844,
0.31176307797... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | à celle de 2013.
En effet :
- Environ 19% des contrats souscrits en 2013 ont subi une évolution tarifaire à la baisse,
contre 21% en 2015.
- Toutes choses égales par ailleurs, le prix des affaires nouvelles 2015 aurait dû évoluer en
moyenne de 8,3% comme en 2013. Or leur valeur moyenne est de 7,6%.
- Il est no... |
10064 | [
0.19132204353809357,
-0.02501661702990532,
0.32041099667549133,
0.5695513486862183,
0.1278184950351715,
-0.6969854831695557,
0.379020094871521,
-0.5178933143615723,
-0.11805321276187897,
1.2631889581680298,
0.22468803822994232,
0.4394625723361969,
0.32078856229782104,
0.346873939037323,
... | {
"title": "2016_3090fc160532a2ee243c3ca4be83d406.pdf"
} | 1%
Age de liquidation contractuelle
65 ans
Age de Prorogation
70 ans
Modélisation de la prorogation
Loi de Bernoulli, réussite impliquant la prorogation de l’adhérent
Cotisation payée
14.64 (équivaut à 1 € de RVD à terme échu)
Coefficient de prorogation à 70 ans
1.3
b. Résultats et analyses
De même, on ... |
100640 | [
0.1261245608329773,
0.8012385964393616,
0.4203210771083832,
-0.2190258949995041,
-0.5543304681777954,
-0.15499824285507202,
-0.4983072876930237,
0.1287604421377182,
-0.1515606939792633,
0.5776857733726501,
0.3576914966106415,
0.5245270729064941,
0.11210448294878006,
-0.09914902597665787,
... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | Classes
1
2
3
4
5
6
7
Evolution Tarifaire
≤ -5%
]-5;0]%
]0;5]%
]5;10]% ]10;15]% ]15;20]%
>20%
Figure 12 : Classes d’évolutions tarifaires
Nous décidons à ce moment-là de tester notre hypothèse 3. Pour rappel cette dernière
concerne une application stable du rabais à différents niveaux d’évolutions ... |
100641 | [
0.28190878033638,
0.378027081489563,
0.21393781900405884,
-0.2905203104019165,
-0.22420960664749146,
-0.4438420534133911,
0.3221132755279541,
-0.22950686514377594,
-0.18808497488498688,
1.0072458982467651,
0.22115378081798553,
0.7063665986061096,
-0.22419847548007965,
-0.4894552528858185,
... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | Nous allons tout d’abord voir sur ce graphique quelle est la part du rabais en moyenne sur
chacune de nos classes pour les deux années :
Figure 13 : Part moyenne de rabais appliqués (base 100) sur chaque classe d’évolutions tarifaires – 2013 et 2015
0
20
40
60
80
100
120
140
160
<=-5%
]-5%;0%]
]0%;5%]
]5%;10%]... |
100642 | [
0.2236567884683609,
0.2515542507171631,
-0.266220360994339,
0.18705539405345917,
-0.22563131153583527,
-0.8386049270629883,
-0.3224171996116638,
-0.24398735165596008,
0.09037323296070099,
0.18899425864219666,
-0.060113295912742615,
0.5279908180236816,
0.009604645892977715,
-0.0766332447528... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | avec un écart plus important : les parts de rabais appliquées en 2015 sur les baisses et
légères augmentations tarifaires sont plus faibles que deux ans auparavant.
Nous pouvons supposer que pour « compenser » l’augmentation tarifaire de certains clients,
les agents ont dû appliquer un rabais plus important sur cer... |
100643 | [
0.01833687350153923,
0.44087842106819153,
-0.2957525849342346,
0.2946970462799072,
-1.2304598093032837,
-0.8183868527412415,
0.5182942748069763,
0.3454844057559967,
-0.1814686357975006,
1.4733524322509766,
0.8416167497634888,
0.7956286668777466,
-0.388075590133667,
0.4176586866378784,
-0... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | contrats avec et sans options pour confirmer le lien entre le rabais et les options. Nous
prenons l’exemple de 2015 :
Figure 14 : Distribution de la part de rabais (base 100) des contrats sans options en 2015 (hors rabais égal à 0)
Figure 15 : Distribution de la part de rabais (base 100) des contrats avec opti... |
100644 | [
0.2818733751773834,
0.33812135457992554,
-0.326183021068573,
0.1169956848025322,
0.060704924166202545,
-0.9165076017379761,
-0.040556956082582474,
0.26718053221702576,
-0.18968844413757324,
0.6030440330505371,
0.44040846824645996,
0.615548312664032,
-0.15736252069473267,
0.1388043016195297... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | Les agents n’ont donc pas distribué de la même façon ce rabais, selon si le client prend des
options ou non.
Sachant que le rabais n’est pas stable sur les deux années, et que ce dernier est lié aux
options, nous allons devoir rejeter notre hypothèse 2 : nous allons devoir inclure les options
et le rabais pour dé... |
100645 | [
0.1592199057340622,
-0.4800335168838501,
0.19019083678722382,
-0.08557971566915512,
-0.2132864147424698,
-0.11362694948911667,
-0.3571763038635254,
-0.009871036745607853,
-0.13117286562919617,
1.1425213813781738,
0.3223513960838318,
0.36569565534591675,
-0.4667847454547882,
-0.462862282991... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | Rabais 2013 : Disponibles
Rabais 2015 : Manquants
Base d’Affaires Nouvelles 2015 :
Rabais 2013 : Manquants
Rabais 2015 : Disponibles
Base d’Affaires Nouvelles 2013 :
Rabais 2013 : Disponibles
Rabais 2015 : ???
Base d’Affaires Nouvelles 2015 :
Rabais 2013 : ???
Rabais 2015 : Disponibles
Modélisation
Ra... |
100646 | [
0.20937268435955048,
-0.11533297598361969,
0.04409145936369896,
-0.030372193083167076,
0.0011430643498897552,
-0.46101704239845276,
-0.14372099936008453,
-0.034766290336847305,
-0.47579437494277954,
1.098130226135254,
0.8925402760505676,
0.5931379795074463,
-0.7154226303100586,
-0.01159312... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | R ∗ Prix15,i − R ∗ Prix13,i
R ∗ Prix13,i
= R ∗ (Prix15,i − Prix13,i)
R ∗ (Prix13,i)
= Prix15,i − Prix13,i
Prix13,i
Nous allons voir s’il est possible de modéliser par plusieurs méthodes cette absence
d’information sur le rabais, pour appliquer la démarche suivante :
Sachant qu’il y a u... |
100647 | [
0.3915117084980011,
0.22697480022907257,
0.5016416907310486,
-0.35188794136047363,
0.2965794801712036,
-0.049490172415971756,
-0.4350240230560303,
-0.1838604360818863,
-0.015290717594325542,
1.0891767740249634,
0.4501838684082031,
0.30094820261001587,
-0.1371404379606247,
0.090685732662677... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | Méthodologie CART (Classification And Regression Trees) :
La méthode CART est une méthode utilisant des données historiques pour créer des « arbres
de décisions » qui sont ensuite utilisés pour classer ou prédire de nouvelles données. Elle a
été introduite par Breiman et al. (1984). Les arbres de décision peuvent êt... |
100648 | [
0.12203507870435715,
0.6507706046104431,
0.0963606908917427,
0.3333139419555664,
-0.36197084188461304,
-0.9581321477890015,
-0.3499118387699127,
-0.18719270825386047,
-0.5916934609413147,
1.0607436895370483,
0.7675427198410034,
-0.32871025800704956,
0.33527570962905884,
0.23024214804172516... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | individus possédant K prévisions (K est confondu avec N si pour chaque individu il y a une
valeur différente). Nous cherchons à déterminer xj
C, pour j ∈ 1 … M la valeur optimale à
laquelle couper la variable xj pour créer un nouveau nœud dont les deux fils sont le plus
homogène possible. Pour cela nous introduisons... |
100649 | [
0.5755007266998291,
0.7689675688743591,
0.29840466380119324,
0.31211966276168823,
-0.009165357798337936,
-1.2204704284667969,
-0.04943610355257988,
0.4304979145526886,
-0.21834246814250946,
0.9782220125198364,
0.7491210103034973,
0.5949282646179199,
0.02197430469095707,
-0.1814339011907577... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | arg
max
𝑥𝑗≤𝑥𝑗
𝑐,𝑗=1…𝑀 𝑖(𝑡𝑝) − 𝑝𝑔𝑖(𝑡𝑔) − 𝑝𝑑𝑖(𝑡𝑑)33
Il existe plusieurs définitions possibles de la fonction d’impureté. Nous avons pris celle-ci :
𝑖(𝑡) = ∑ 𝑝(𝑘|𝑡)𝑝(𝑙|𝑡)
𝑘≠𝑙
Ce qui donne :
∆𝑖(𝑡) = − ∑ 𝑝2(𝑘|𝑡𝑝)
𝐾
𝑘=1
+ [𝑝𝑔 ∑ 𝑝2(𝑘|𝑡𝑔)
𝐾
𝑘=1
+ 𝑝𝑑 ∑ 𝑝2(𝑘|𝑡𝑑)
𝐾
... |
10065 | [
-0.0019679530523717403,
0.6644154787063599,
-0.18613654375076294,
0.19536052644252777,
0.2489720582962036,
-0.812626838684082,
-0.05641382932662964,
-0.29848387837409973,
0.015186524018645287,
0.6791031956672668,
0.391946405172348,
-0.14188598096370697,
0.4089023172855377,
0.33003625273704... | {
"title": "2016_3090fc160532a2ee243c3ca4be83d406.pdf"
} | Par ailleurs, on constate que le fonds de rente a tendance à produire des pertes, alors que le fonds
de rente RVP a lui tendance a généré des gains: il semble que la population des prorogés définis par
les simulations aient une espérance de vie effective inférieure à celle anticipée par l’assuré.
Cependant, les gain... |
100650 | [
0.09248187392950058,
0.5785129070281982,
0.6761298179626465,
-0.33049413561820984,
-0.5719249248504639,
-0.6175787448883057,
-0.044394783675670624,
0.06265763193368912,
-0.3694015443325043,
0.9280996918678284,
-0.03703068569302559,
-0.10193579643964767,
0.09055649489164352,
-0.024513872340... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | La courbe de Lorenz (ou courbe de gain) est une méthode établie sur la publication
« Methods of Measuring the Concentration of Wealth ». Elle permettait dans un premier
temps de mesurer la disparité des revenus d’une population, en prenant en abscisse les
proportions cumulées de l’effectif, et en ordonnée les pource... |
100651 | [
0.26838260889053345,
0.16204462945461273,
-0.017457226291298866,
-0.20116224884986877,
-0.24882705509662628,
-0.7024060487747192,
0.10479386150836945,
0.23702014982700348,
-0.163175567984581,
0.9461442828178406,
0.4650788903236389,
0.2457190304994583,
-0.5452422499656677,
0.132910132408142... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | appliquant un rabais identique à tous donnerait donc un Gini de 0. Un autre prédisant
parfaitement chaque individu aurait lui un indicateur égal à 1. Comme nous cherchons le
modèle offrant les estimations les plus proches des valeurs réelles, ce sera celui avec l’indice
de Gini le plus élevé, mais évitant le sur-app... |
100652 | [
0.08711136877536774,
0.7570496797561646,
-0.11156213283538818,
-0.10581471025943756,
-0.37624382972717285,
-0.4324866235256195,
-0.1981496661901474,
-0.10418695211410522,
0.019593926146626472,
0.7256301045417786,
0.34191668033599854,
0.6275303959846497,
-0.4272713363170624,
0.0703585594892... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | suivantes :
❖ La variable que nous cherchons à modéliser, le rabais de l’année.
❖ Un ensemble de caractéristiques sur chacun de contrat : informations
logements (nombre de pièces, ancienneté …), clients (situation familiale,
nombre d’enfants …) ou encore géographiques (région de commercialisation
et zoniers de... |
100653 | [
0.24881967902183533,
0.2595999538898468,
-0.11924795061349869,
-0.3275876045227051,
-0.2442167103290558,
-0.6731475591659546,
-0.166473850607872,
-0.5179967880249023,
-0.16571149230003357,
0.604810893535614,
0.16036002337932587,
0.8614320755004883,
0.13302558660507202,
-0.1898515224456787,... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | commerciale (sous une forme forfaitaire), caractéristique propre au contrat. Nous décidons
donc d’identifier en créant une indicatrice, les contrats subissant ces rabais « particuliers »,
comme deux variables supplémentaires dans nos modèles.
Nous créerons nos modèles sur des bases d’apprentissage représentant 75% d... |
100654 | [
0.10274679958820343,
-0.3750753402709961,
0.32595646381378174,
0.32885971665382385,
-0.20753157138824463,
-0.6547644734382629,
-0.35987991094589233,
-0.5074591636657715,
-0.607745885848999,
0.9741417765617371,
0.4761708974838257,
-0.067176952958107,
-0.1497792750597,
-0.36433956027030945,
... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | affaires nouvelles 2013, soit 25 000 contrats. Nous décidons de fixer notre premier
paramètre, le nombre minimum de contrats qu’il faut dans chaque feuille (ou « nœud
final »). Le but étant d’imposer une contrainte de consistance à l’algorithme :
représentativité pour chaque prédiction. Nous décidons ensuite d’optim... |
100655 | [
0.15962187945842743,
0.1451198160648346,
0.33266541361808777,
-0.060168247669935226,
-0.2121652364730835,
-0.5944736003875732,
0.2356971800327301,
0.2607603669166565,
-0.5312591195106506,
0.606073260307312,
0.673610508441925,
0.26692649722099304,
-0.04318980500102043,
0.4204580783843994,
... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | donc le développement de notre arbre.
Pour une valeur de cp à 0,002, nous obtenons par exemple l’arbre suivant :
75% : Base
d’Apprentissage
25% : Base
de Test
Modèle
Validation ?
Base de
Contrats36
Figure 18 : Arbre de régression du rabais (base 100) en 2013 sur les contrats 2013 sans options ... |
100656 | [
-0.061551567167043686,
0.27061909437179565,
0.2732275724411011,
-0.07812109589576721,
-0.8317999839782715,
-0.7355874180793762,
0.15778857469558716,
0.0104227215051651,
-0.4042491018772125,
0.8436779379844666,
0.2608557641506195,
0.7780234217643738,
-0.14030952751636505,
-0.642835199832916... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | 165,50
Cp
Indice de Gini
Ecart Moyen (base 100)
Train
Test
Train
Test
0,0005
52,60
49,60
29,60
30,00
Figure 19 : Résultats de l’arbre de régression optimal du rabais en 2013 sur les affaires nouvelles 2013 sans options
(modèle 3 de l’annexe 1)
Tout d’abord en regardant les résult... |
100657 | [
0.5434863567352295,
0.27016976475715637,
-0.10023730248212814,
-0.33827731013298035,
-0.4461718201637268,
-0.8355981111526489,
-0.36462798714637756,
0.33755674958229065,
-0.545761227607727,
1.1823606491088867,
0.3341822326183319,
0.2681578993797302,
0.11073923856019974,
0.08739724010229111... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | sur-apprentissage.37
Ce phénomène s’explique par un modèle qui a trop appris des données sur lesquelles il a été
calibré. De ce fait, il n’est pas en mesure d’être appliqué de manière aussi efficace sur une
autre sous-population (ici la base de test). Le sur-apprentissage limite donc l’amélioration de
notre modèle ... |
100658 | [
0.21768315136432648,
0.6956059336662292,
-0.23497933149337769,
-0.2103181779384613,
-0.08247630298137665,
-0.34116655588150024,
0.33455249667167664,
0.3202682137489319,
-0.2484959065914154,
0.8917198181152344,
0.2743868827819824,
0.1866726577281952,
0.06173911318182945,
-0.3552606105804443... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | moyens. Les prédictions de part de rabais restent en effet très éloignées des valeurs réelles,
avec une erreur moyenne d’environ 7,5%.
En testant sur d’autres cas, comme par exemple l’année 2015 sans options (annexe 2), nous
obtenons des résultats encore moins bons. Notre arbre optimal perd presque 10 points
d’ind... |
100659 | [
0.5300635099411011,
0.4612867832183838,
-0.14059241116046906,
0.2541518807411194,
0.5574644804000854,
-0.13084723055362701,
0.31245824694633484,
0.12175047397613525,
0.043914180248975754,
0.9186769723892212,
0.09363868832588196,
-0.20337124168872833,
0.054980672895908356,
-0.36863958835601... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | Méthodologie GBM (Gradient Boosting Model)
Cette méthode proposée en 2001 par Friedman, consiste à une amélioration du modèle de
prédiction tout au long de l’apprentissage. Il s’agit d’une itération d’arbres de décision : la
construction de l’arbre 𝑖 + 1 repose sur celui de l’étape 𝑖. Le modèle final obtenu par ce... |
10066 | [
-0.38323235511779785,
0.29682451486587524,
-0.011845536530017853,
0.5164134502410889,
-0.34675636887550354,
-0.6129963994026184,
-0.5151845812797546,
-0.15018106997013092,
-0.2293998897075653,
1.4528086185455322,
-0.021356400102376938,
0.38752660155296326,
0.2655738890171051,
-0.3490048944... | {
"title": "2016_3090fc160532a2ee243c3ca4be83d406.pdf"
} | Dans la continuité des cas précédents, il aurait été pertinent d’approfondir l’analyse en cherchant à
déceler et modéliser une éventuelle hétérogénéité du portefeuille et ses conséquences.
Cependant, ceci est une tâche impossible à effectuer du fait du faible échantillon à disposition.
Par ailleurs, la pertinence d... |
100660 | [
0.5848209261894226,
0.552910566329956,
-0.16288098692893982,
0.1622663289308548,
0.20163223147392273,
-0.3506847023963928,
0.7049379944801331,
0.48757702112197876,
-0.6980279088020325,
0.7708542943000793,
0.49166378378868103,
0.5050213932991028,
0.13028258085250854,
-0.27946555614471436,
... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | partir du modèle 𝐹𝑖−1 :
𝐹𝑖(𝑥) = 𝐹𝑖−1(𝑥) + 𝑎𝑖 ∗ 𝑘𝑖(𝑥)
𝐹𝑖(𝑥) = 𝐹𝑖−1(𝑥) + arg min
𝑘 ∑ 𝐿 (𝑦𝑗, 𝐹𝑖−1(𝑥𝑗) + 𝑘𝑖(𝑥𝑗))
𝑛
𝑗=1
Avec la méthode de « Gradient Boosting », la minimisation est considérée comme la plus
forte pente, dont la direction est le gradient de perte évaluée au modèle 𝐹... |
100661 | [
0.4921509623527527,
0.11508815735578537,
0.8321189880371094,
0.4467746913433075,
-0.36816319823265076,
-0.6105248928070068,
0.3539111614227295,
-0.02035161480307579,
-0.63496994972229,
1.046898365020752,
0.5314536690711975,
0.12460602074861526,
0.4079558551311493,
-0.46506989002227783,
-... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | feuille.
❖ Le « bagging » : la part (aléatoire) de l’échantillon que nous prenons pour
construire chaque arbre.
❖ Le nombre maximal d’arbre qui est un critère d’arrêt.
❖ Le « shrinkage », noté ν, est un paramètre compris entre 0 et 1, qui s’applique
comme suit :
𝐹𝑖(𝑥) = 𝐹𝑖−1(𝑥) + ν ∗ 𝑎𝑖 ∗ 𝑘𝑖(𝑥)... |
100662 | [
0.7213504314422607,
0.3164692223072052,
0.3609859049320221,
-0.06795725226402283,
-0.41874241828918457,
-0.6211208701133728,
0.4469450116157532,
0.42260998487472534,
-0.23144976794719696,
0.9484352469444275,
0.46944987773895264,
0.02683897688984871,
0.21624232828617096,
-0.2214711904525756... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | précédente, les mêmes variables, ainsi que la même répartition entre l’apprentissage et le
test (75/25%).
Pour commencer, nous avons besoin d’associer une distribution à notre prédiction. Nous
choisissons une loi gaussienne, car étant la plus proche de ce que nous pouvons observer
(figures 14 et 15) que les autr... |
100663 | [
0.49265027046203613,
0.11276326328516006,
0.5882843732833862,
0.09739132225513458,
-0.6497771143913269,
-0.7865260243415833,
0.6536144614219666,
-0.15431439876556396,
-0.6541038751602173,
1.0203216075897217,
0.6037495732307434,
0.17902371287345886,
0.057010725140571594,
-0.7640652060508728... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | Shrinkage
Nombre
d'arbres
Coefficient de Gini
Ecart Moyen (base 100)
Train
Test
Train
Test
0,01
1 000
57,20%
54,10%
28,80%
29,20%
Figure 21 : Résultats du GBM (le plus performant) du rabais en 2013 sur les affaires nouvelles 2013 sans options
(modèle 3 des annexes 3 et 4)
En étudiant les résu... |
100664 | [
0.4208414852619171,
0.7775680422782898,
0.17388342320919037,
0.26741716265678406,
-0.37189629673957825,
-0.47448015213012695,
0.08967626094818115,
-0.3380360007286072,
-0.4908795952796936,
0.5816881656646729,
0.4768146574497223,
0.019205909222364426,
-0.17113761603832245,
-0.32126006484031... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | nombre optimal d’arbres pour prendre en compte ces deux sujets serait compris entre 100
et 1000. Pour les écarts moyens, nous voyons que les résultats du GBM ne sont pas
grandement meilleurs que ceux de l’arbre de régression classique.
Ces deux méthodes ne captent pas la volatilité de la variable observée, ce qui... |
100665 | [
0.36854100227355957,
0.2696046531200409,
0.05642320588231087,
0.36031922698020935,
-0.022694744169712067,
-0.25378718972206116,
-0.19098816812038422,
-0.1615832895040512,
-0.13039806485176086,
0.9363211989402771,
0.865570604801178,
0.6965179443359375,
-0.10925252735614777,
-0.4850127995014... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | permettant de résoudre un problème de classification ou de régression. Pour chaque nouvel
individu 𝑥𝑖 à tester, il faut déterminer l’ensemble des 𝐾 points les plus proches,
noté 𝑉𝐾( 𝑥𝑖 ), parmi tous les 𝑁 points d’une base d’apprentissage, noté 𝑋. Il en va de soi
que 1 ≤ 𝐾 ≤ 𝑁.
La proximité de ces poi... |
100666 | [
0.11439838260412216,
0.39400097727775574,
-0.1354408860206604,
-0.06372320652008057,
0.1274728626012802,
-0.5260952711105347,
0.1340533345937729,
-0.06761425733566284,
-0.7134562134742737,
0.9124257564544678,
1.0615226030349731,
0.160416379570961,
-0.10427051782608032,
-0.4571911096572876,... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | point concerné. ∀ 1 ≤ 𝑛 ≤ 𝑁 ∶
𝑟(𝑥𝑖, 𝑛) = 𝑗 𝑠𝑖 𝑒𝑡 𝑠𝑒𝑢𝑙𝑒𝑚𝑒𝑛𝑡 𝑠𝑖 𝐷𝐸(𝑥𝑖, 𝑥𝑗) =
min
1≤𝑚≤𝑁
𝑚≠𝑟1,…,𝑟𝑛−1
𝐷𝐸(𝑥𝑖, 𝑥𝑚)
Nous définissons ainsi l’ensemble 𝑉𝐾( 𝑥𝑖 ) = {𝑥𝑟(𝑥𝑖,1), … , 𝑥𝑟(𝑥𝑖,𝐾)} .
Si nous devions faire une classification, il suffirait ensuite de séle... |
100667 | [
0.42644405364990234,
0.5271448493003845,
0.19166113436222076,
0.17830397188663483,
-1.0976215600967407,
-0.46977218985557556,
-0.19486871361732483,
-0.1493743509054184,
-0.3957543969154358,
0.7679778933525085,
0.38842281699180603,
0.17007727921009064,
-0.8693768978118896,
-0.54259896278381... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | population restante (ayant donc un rabais).
Pour mesurer la qualité de cette méthode, nous enlevons le rabais d’un quart des contrats.
Puis nous estimons la valeur du rabais pour cette « base de test » avec le reste des contrats.
Nous comparerons ensuite grâce à l’écart moyen entre les valeurs réelles et les
« moy... |
100668 | [
0.2836140990257263,
0.5296788215637207,
0.18766269087791443,
-0.013234958052635193,
-0.4539795517921448,
-0.1283767968416214,
0.14034661650657654,
0.07117590308189392,
-0.6023195385932922,
1.3235751390457153,
0.6168745756149292,
0.42454126477241516,
-0.33856430649757385,
-0.455060750246048... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | nos variables catégorielles.42
A partir de ces nouvelles variables, nous calculons la distance entre chaque individu, qui est
par défaut la distance Euclidienne décrite plus tôt. Nous évaluons donc l’écart moyen obtenu
sur ce quart de population (soit environ 7000 contrats), dont les prédictions ont été
implémentée... |
100669 | [
0.15571250021457672,
0.49619609117507935,
-0.38385874032974243,
0.02320827543735504,
-0.444844514131546,
-0.5589860081672668,
-0.2981976270675659,
0.09901366382837296,
0.1710657924413681,
0.2541052997112274,
0.25637581944465637,
0.38181382417678833,
-0.6108054518699646,
-0.0342259146273136... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | cherche pas à sélectionner les plus adaptées pour déterminer la part de rabais.
Il est possible de considérer également que les différentes variables que nous avons
sélectionnées ne semblent pas avoir un impact important pour déterminer la valeur du
rabais. Nous pouvons supposer que le rabais est donc appliqué au c... |
10067 | [
0.030119389295578003,
-0.1323811560869217,
0.009811045601963997,
0.0006605620146729052,
0.15705078840255737,
-0.7905908823013306,
0.3950027525424957,
0.258609414100647,
-0.4853113293647766,
0.7306932806968689,
0.0928691178560257,
0.491073340177536,
0.3832925260066986,
-0.21420951187610626,... | {
"title": "2016_3090fc160532a2ee243c3ca4be83d406.pdf"
} | en capitalisation viagère a été conduite. Pour conclure, nous récapitulons la problématique, ainsi que
la structure d’analyse qui a été élaborée pour traiter cette problématique, et les résultats obtenus.
Le point de départ consistait à se demander comment majorer équitablement une rente suite à une
prorogation. L’... |
100670 | [
0.05499081686139107,
0.6970563530921936,
-0.07894951850175858,
-0.10536886006593704,
-0.2564348876476288,
-0.48259758949279785,
-0.1344153732061386,
-0.08883091807365417,
-0.1051609143614769,
0.517763078212738,
0.7153941988945007,
0.23842771351337433,
-0.34815114736557007,
-0.1833973377943... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | importante entre la valeur prédite et la valeur réelle. Pour certaines, cet écart représente
pratiquement la moitié du rabais, ce qui peut apporter un biais considérable sur certains
contrats.
Prenons un exemple :
❖ Soit un contrat avec un tarif TTC à 100 euros en 2013 et à 100 euros en 2015.
❖ Il se voit app... |
100671 | [
0.1385514885187149,
-0.07282758504152298,
-0.031190404668450356,
0.4401620924472809,
-0.18301349878311157,
-0.5830367207527161,
-0.5253373384475708,
-0.6005116701126099,
0.11824265122413635,
1.0585178136825562,
0.10882799327373505,
0.27797722816467285,
-0.3071172833442688,
0.02729483507573... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | d’erreur se répète sur chaque contrat, et nous déterminerons une sensibilité totalement
fausse.
Pour solutionner cette problématique, nous décidons d’appliquer une méthode beaucoup
moins technique, mais parcimonieuse : l’utilisation d’estimateurs empiriques pour
rapprocher le rabais des deux années de chaque contra... |
100672 | [
0.1589934527873993,
0.019584553316235542,
0.0019743810407817364,
-0.22464340925216675,
-0.3040356934070587,
-0.2237224578857422,
-0.41695621609687805,
-0.10146316885948181,
-0.2637941539287567,
0.9500985145568848,
0.42913901805877686,
0.4550386965274811,
-0.4184657037258148,
-0.51177227497... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | années.
Pour une affaire nouvelle 2013 par exemple, nous avons les prix TTC sans rabais 2013 et
2015, obtenus par simulation. Nous avons également le taux de rabais qui lui était appliqué
sur l’année 2013, mais il nous manque donc le rabais qu’il faut exercer en 2015. Il est
déterminé par la formule suivante :
R... |
100673 | [
0.4915551245212555,
0.789260983467102,
0.478619247674942,
0.24965296685695648,
-0.6602327227592468,
-0.34575697779655457,
-0.6727985739707947,
-0.37165841460227966,
-0.17650160193443298,
0.6102217435836792,
0.8792510628700256,
0.15636929869651794,
-0.3286280035972595,
-0.25333598256111145,... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | niveau d’évolution tarifaire.
L’étude continue avec la mesure de notre sensibilité. Nous recalculons l’évolution tarifaire,
comprenant cette fois le rabais et les options, puis nous décidons d’étudier l’évolution de
production engendrée.44
II.3 Indicateur global de Sensibilité
Après avoir réglé le problème de re... |
100674 | [
0.06229530647397041,
0.5673794746398926,
0.2357136458158493,
-0.04729711636900902,
-0.24175618588924408,
-0.07451796531677246,
-0.31915953755378723,
0.030841194093227386,
0.1496129333972931,
0.6525164842605591,
0.2845121920108795,
0.6355597972869873,
-0.23725561797618866,
-0.19795799255371... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | Lors de l’étape précédente, nous avons donc pu déterminer toutes les valeurs de prix et
l’ajustement de rabais pour l’année manquante (2015 pour les affaires nouvelles 2013, et
2013 pour la production 2015).
Nous reprenons donc la création de classes pour notre nouvelle évolution tarifaire, et
analysons sa distribu... |
100675 | [
0.03131961077451706,
0.49035292863845825,
0.03662894293665886,
0.42874661087989807,
-0.2896011471748352,
-0.45145878195762634,
-0.3876751959323883,
-0.20916135609149933,
-0.18845941126346588,
0.7622518539428711,
0.0660209208726883,
0.7677507400512695,
0.16343307495117188,
-0.44669267535209... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | tarifaires avec rabais et options sont un peu plus élevées. La cause est la part de rabais qui
est plus importante en 2013 qu’en 2015. Cependant, la différence entre les deux années est
similairement la même, avec une année 2015 au cours de laquelle la production a été plus
importante sur les prix en baisse.
Nous r... |
100676 | [
-0.23123827576637268,
0.6856240630149841,
0.6106125712394714,
-0.044054798781871796,
-0.4940606951713562,
-0.5396022200584412,
-0.5763338804244995,
-0.3643540143966675,
-0.763357400894165,
0.6761992573738098,
0.2220848649740219,
0.6797593832015991,
-0.028185749426484108,
0.1143231093883514... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | Classes d’évolution
tarifaire
Nombre d’Affaires
Nouvelles - table 2013
Nombre d’Affaires
Nouvelles - table 2015
∆Effectif
≤ -5%
3200
3 306
3,3%
]-5;0]%
4 200
4 036
-3,9%
]0;5]%
10 000
9 410
-5,9%
]5;10]%
14 500
12 615
-13%
]10;15]%
13 800
11 992
-13,1%
]15;20]%
8 500
7 344
-13,6%
> 20%
6... |
100677 | [
0.08951490372419357,
0.7507920861244202,
0.1078685000538826,
0.037782005965709686,
-0.4424525201320648,
-0.5747385621070862,
-0.21345345675945282,
-0.04219195246696472,
-0.5604950785636902,
1.20814847946167,
0.34326300024986267,
0.5086198449134827,
-0.1583699733018875,
0.41943836212158203,... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | Quelques exemples :
❖ L’augmentation du nombre de concurrents sur le marché.
❖ Les prix du marché.
❖ Un effet marketing sur une population globale ou ciblée par certains
concurrents. Ce facteur met notre première hypothèse en doute, mais elle est
pratiquement irrécupérable sans être omniscient : il en effet... |
100678 | [
0.05995160713791847,
0.9285023808479309,
0.47237977385520935,
-0.5495359897613525,
-0.35680338740348816,
-0.5504494905471802,
-0.7695257663726807,
-0.1438402384519577,
-0.3860492706298828,
0.701166033744812,
0.27055612206459045,
0.49244704842567444,
-0.09331750869750977,
-0.120056621730327... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | l’autre, la différence est provoquée uniquement par ces facteurs extérieurs. Les effets de
ceux-ci s’appliquent de manière uniforme.
Soit une évolution tarifaire qui donne les résultats suivants :
Evolution Tarifaire
-5%
0%
5%
Variation de Production
3%
-3%
-9%
Figure 25 : Exemple de variations de produc... |
100679 | [
0.5460195541381836,
0.8179394602775574,
0.4658309817314148,
-0.16231663525104523,
-0.00988917425274849,
-0.2883947193622589,
-0.1851215958595276,
-0.021940695121884346,
-0.49470022320747375,
0.8268653154373169,
0.386294424533844,
0.21395747363567352,
0.0298459492623806,
-0.0229763481765985... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | Figure 27 : Variation de notre production en fonction de l’évolution tarifaire par classe
L’existence d’une sensibilité est donc bel et bien vérifiée par ce graphique : plus la variation
tarifaire augmente, plus la baisse de production est forte. L’utilisation des « classes » nous a
donc permis de vérifier ce prin... |
10068 | [
0.11216457933187485,
0.4769650101661682,
-0.575475811958313,
0.4061679542064667,
-0.1804092675447464,
-0.6318245530128479,
-0.24037861824035645,
0.09575845301151276,
-0.12441130727529526,
0.7934654951095581,
-0.02494681067764759,
0.41076162457466125,
0.40014147758483887,
0.1483580768108368... | {
"title": "2016_3090fc160532a2ee243c3ca4be83d406.pdf"
} | méthode d’évaluation traditionnelle par égalisation des Valeurs Actuelles Probables (VAP).
Cependant, si cette méthode permet d’évaluer les provisions mathématiques d’ouverture et de
fermeture, elle ne met pas en évidence les composantes comptables expliquant le passage d’une
provision à la suivante.
Une approche ... |
100680 | [
0.11443221569061279,
0.4041929244995117,
-0.2880905568599701,
0.29916107654571533,
0.3491314649581909,
-0.24363291263580322,
0.021980442106723785,
-0.12180998176336288,
0.4261869490146637,
1.39612877368927,
0.019627157598733902,
0.7717838287353516,
-0.04031817615032196,
0.14062516391277313... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | pourquoi nous décidons de lisser les résultats obtenus. La méthode privilégiée sera
l’utilisation d’une moyenne mobile sur nos différents points.
Méthodologie Lissage par Moyenne Mobile :
La méthode de lissage par moyenne mobile est une technique statistique utilisée sur une
série ordonnée, principalement tempore... |
100681 | [
0.29645445942878723,
0.4255659580230713,
0.014179768040776253,
0.22019049525260925,
-0.3110079765319824,
-0.37997087836265564,
-0.275799036026001,
0.02183961682021618,
-0.038997113704681396,
1.2153491973876953,
-0.019946226850152016,
0.7231769561767578,
0.2799960672855377,
-0.1762198954820... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | Affaires nouvelles 2013
Affaires nouvelles 2015
Variation de la Production48
Figure 28 : Exemple d’application de la Moyenne Mobile
L’avantage de cette méthode est qu’il n’y aucun paramètre à estimer, il suffira juste de
choisir la taille du voisinage considéré (𝑛).
Il est possible de pondérer chacun des 𝑥𝑖,... |
100682 | [
0.661145806312561,
0.24056348204612732,
0.026431433856487274,
0.4369102716445923,
0.17820456624031067,
-0.18000003695487976,
-0.37455272674560547,
-0.24626968801021576,
0.3145551085472107,
0.8047677874565125,
0.21642465889453888,
1.0178383588790894,
-0.1654895544052124,
-0.2852857708930969... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | <=-10%
]-10;9]%
]-9;-8]%
…
]24;25]%
>25%
Figure 29 : Nouvelles classes d’évolution tarifaire avec rabais
Nous associons à nouveau chacun des contrats à une de ces classes, puis mesurerons nos
différents niveaux de variation d’affaires nouvelles. Nous appliquons ensuite notre moyenne
mobile entre la classe el... |
100683 | [
0.48257720470428467,
1.2001593112945557,
0.4709548056125641,
-0.15293164551258087,
-0.09514208137989044,
-0.4260122776031494,
-0.06903136521577835,
-0.11767558753490448,
-0.06705501675605774,
1.2952487468719482,
0.42102664709091187,
-0.14062730967998505,
-0.17739422619342804,
-0.0835975259... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | nombre de fluctuations importantes. Celles-ci étant plus fortes au début, au moment où les
effectifs sont plus faibles. Le lissage permet donc de régler ce problème : malgré quelques
petits écarts, la tendance générale est relativement stable et linéaire. En effet, nous ne
voyons pas sur cette courbe de chute brutal... |
100684 | [
-0.3466252386569977,
0.5454713106155396,
-0.2907865047454834,
0.13098831474781036,
-0.22996729612350464,
-0.47530344128608704,
-0.13852918148040771,
-0.22484713792800903,
-0.2966569662094116,
0.757813572883606,
-0.06264018267393112,
0.8237496018409729,
-0.09535571187734604,
-0.403917998075... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | Une représentation de cet ajustement :
-
500
1 000
1 500
2 000
2 500
3 000
-20%
-15%
-10%
-5%
0%
5%
10%
15%
-6%
-3%
0%
3%
6%
10%
13%
16%
19%
Affaires Nouvelles
Variation de la Production
Variation Tarifaire
Affaires Nouvelles 2015
Variation de la Production
Lissage de la Variation de Production50
Figure 31... |
100685 | [
-0.15910471975803375,
0.8860961198806763,
-0.3455062508583069,
-0.3041132390499115,
-0.8062876462936401,
-0.9362311363220215,
-0.15642637014389038,
0.012278608977794647,
-0.22518672049045563,
0.4002823829650879,
-0.1331820785999298,
0.17367444932460785,
0.11464524269104004,
0.1350423246622... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | à-dire que pour une augmentation de 2% du prix, nous constaterons une baisse d’1% de la
production. Cet estimateur est assez fiable sur une étendue autour de 0%. Par contre, sur
des valeurs plus importantes de variation tarifaire, nous pouvons penser que l’estimateur le
sera beaucoup moins. En effet, il nous est dif... |
100686 | [
-0.07465922087430954,
0.579558789730072,
0.1646747887134552,
0.23982103168964386,
-0.2612411081790924,
-0.8551073670387268,
0.11590085923671722,
-0.2607342600822449,
-0.3311913013458252,
0.8799184560775757,
-0.12019069492816925,
0.6878551840782166,
-0.18696598708629608,
-0.3380730152130127... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | toutes ces caractéristiques qui affectent la tranche de prix et la manière de réagir du client
pourrait être une erreur. Nous allons donc analyser selon plusieurs dimensions afin
d’identifier des profils fortement hétérogènes.
y = -0,5629x - 0,0437
-
500
1 000
1 500
2 000
2 500
3 000
3 500
-18%
-16%
-1... |
100687 | [
-0.006419165059924126,
0.5482616424560547,
0.3342840075492859,
-0.0989590734243393,
-0.7368024587631226,
-0.23425382375717163,
-0.3808182179927826,
0.10908167064189911,
-0.020112857222557068,
0.9137736558914185,
0.06301778554916382,
0.7129309773445129,
-0.02596159279346466,
-0.588649928569... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | de variables : voir lesquelles peuvent se regrouper et se croiser pour obtenir des indicateurs
fiables et exploitables, pour segmenter cette caractéristique sur nos locataires
d’appartements.
Nous mènerons une analyse univariée dans un premier temps
❖ Quelles variables ne sont pas exploitables pour le calcul de l... |
100688 | [
0.23593272268772125,
0.208284392952919,
-0.07393645495176315,
-0.26435860991477966,
0.08687085658311844,
-0.8795160055160522,
0.12995843589305878,
-0.13224612176418304,
-0.563973605632782,
0.8405628800392151,
0.46424436569213867,
0.8233290910720825,
0.33058565855026245,
-0.3108751475811004... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | nombre de pièces.
II.4.a. Segmentation univariée
Selon certaines caractéristiques, les prospects ne réagissent pas de la même façon à un écart
tarifaire. Nous pouvons supposer qu’un jeune pourrait être plus regardant sur le prix,
sachant qu’il n’a pas forcément de salaire, et une aptitude à être plus « conne... |
100689 | [
0.10438010096549988,
0.41840529441833496,
0.21968267858028412,
0.3880532383918762,
-0.7115842700004578,
-1.2751847505569458,
0.16910018026828766,
-0.41434913873672485,
-0.5803027749061584,
0.9608783721923828,
0.09521649777889252,
0.5202552080154419,
-0.1797178089618683,
-0.2776882350444793... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | ❖ La région de distribution du contrat.
❖ L’âge du client.
❖ La multi-détention ou non du client.
❖ La tranche de prix du contrat.
❖ Le rabais appliqué.
Ces variables nous paraissent être parmi les plus intéressantes pour étudier ce
comportement client.
Pour comparer les segmentations obtenues, nous d... |
10069 | [
0.17847393453121185,
-0.11654723435640335,
0.07148651778697968,
0.6767815947532654,
0.18647068738937378,
-0.9388895034790039,
-0.7708958387374878,
-0.12487312406301498,
-0.26213955879211426,
1.08014714717865,
-0.07114269584417343,
0.27237245440483093,
0.44754651188850403,
0.204586431384086... | {
"title": "2016_3090fc160532a2ee243c3ca4be83d406.pdf"
} | conditions du contrat ?
L’approche consiste à étudier l’évolution du fonds de rente collectif au cours du temps jusqu’au
terme de la transaction, et sur une base déterministe (la mortalité et les rendements financiers
anticipés sont respectés jusqu’au terme du contrat).
Si cette approche est plus exhaustive que l’... |
100690 | [
0.11870313435792923,
0.0973246693611145,
-0.018343547359108925,
0.32890987396240234,
-0.6784582138061523,
-0.964016318321228,
-0.08250618726015091,
-0.12353818863630295,
-0.5820756554603577,
1.1808217763900757,
0.06601138412952423,
0.5850655436515808,
-0.007804634049534798,
0.1717917621135... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | deux regroupements. C’est en quelque sorte « l’intérêt » que nous avons à
séparer la population entre ces deux groupes.
❖
(ni+nj)
n
: un facteur de pondération accordé à chaque écart. Il permet de
donner plus d’importance à un écart qui concerne deux sous-populations plus
nombreuses.
❖
1
I−1 : un coefficien... |
100691 | [
-0.07539071887731552,
0.00558046018704772,
-0.24874980747699738,
0.2772504985332489,
-0.6700632572174072,
-0.7199053764343262,
-0.08176936954259872,
0.27206242084503174,
-0.3334102928638458,
1.383590579032898,
0.5502974390983582,
1.0971782207489014,
-0.32473957538604736,
-0.222570657730102... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | ❖ Le nombre de pièces du logement :
Pour les locataires d’appartements, nous avons très peu de contrats avec un nombre
important de pièces. Afin de garder un volume fiable dans chaque groupe, nous décidons
d’utiliser les regroupements suivants :
Tranche Nombre de Pièces
1
2
3
4+
Proportion 2013
15%
32%
31... |
100692 | [
-0.0434037521481514,
0.6664053797721863,
0.5030425190925598,
-0.10584187507629395,
0.10196592658758163,
-0.7379487156867981,
-0.3871053457260132,
-0.18104621767997742,
-0.4784775972366333,
0.6648282408714294,
-0.07210918515920639,
0.4658909738063812,
0.02464918978512287,
-0.000076143696787... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | zonier. Nous allons par contre voir si des réactions plus ou moins fortes ont eu lieu sur le
scope d’évolution tarifaire.
Nous étudions donc, via ce graphique, la variation de production dans chaque cas, selon
l’évolution tarifaire visible. Pour chaque tranche, nous avons une courbe et donc une
sensibilité :54
... |
100693 | [
0.20743799209594727,
0.4314439594745636,
0.1771932989358902,
0.34430980682373047,
-0.32624536752700806,
-0.6744194626808167,
-0.26398760080337524,
-0.6985735297203064,
-0.347100168466568,
0.5463388562202454,
0.21954594552516937,
0.6787958145141602,
-0.011720090173184872,
-0.069459781050682... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | de ces sous-populations uniquement avec les coefficients directeurs.
Sur ce graphique nous remarquons qu’il y a bien une certaine évolution de nos sensibilités :
plus le nombre de pièces augmente, plus la sensibilité croît (sa valeur s’éloigne de 0). Nous
pouvons supposer qu’avec l’augmentation du nombre de pièces d... |
100694 | [
0.10225417464971542,
0.37483689188957214,
0.031104400753974915,
0.2951107621192932,
-0.10711620002985,
-0.8212964534759521,
0.1980164349079132,
-0.2219509482383728,
-0.3775582015514374,
1.190571904182434,
0.16051743924617767,
0.7935476303100586,
-0.155771866440773,
-0.313976526260376,
-0... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | regroupements est donc :
Indicateur Ecart de Sensibilité
(Nombre de Pièces)
22,80%
Figure 34 : IES pour la segmentation par le nombre de pièces
y = -0,2398 x - 0,0944
y = -0,598 x - 0,0763
y = -0,6947 x - 0,0326
y = -0,7151 x + 0,0485
-25%
-20%
-15%
-10%
-5%
0%
5%
10%
15%
20%
-6,0%
-3,0%
0,0%
3,... |
100695 | [
0.17816591262817383,
0.6801129579544067,
0.2087096869945526,
0.2126815915107727,
-0.3032926321029663,
-0.9302981495857239,
0.20218487083911896,
-0.09340650588274002,
-0.2009522169828415,
1.1156015396118164,
0.35825663805007935,
0.13930325210094452,
-0.17114610970020294,
0.19877155125141144... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | 19%
57%
23%
Proportion 2015
19%
57%
24%
Figure 35 : Distribution des contrats selon le capital déclaré
Tout comme le nombre de pièces, les proportions sont presque équivalentes entre les deux
années. Nous allons maintenant observer les sensibilités dans ce cas :
Figure 36 : Ajustement de notre variation... |
100696 | [
0.3316726088523865,
0.5069258213043213,
0.3081817328929901,
-0.28707626461982727,
-0.32051751017570496,
-1.009974718093872,
0.28102585673332214,
-0.3728783130645752,
-0.26224857568740845,
1.209228515625,
0.0498381070792675,
0.30348509550094604,
0.1824641227722168,
-0.5054404139518738,
-0... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | contrats.
y = -0,4173 x - 0,0293
y = -0,5297 x - 0,0523
y = -0,8016 x - 0,0229
-25%
-20%
-15%
-10%
-5%
0%
5%
10%
-6,0%
-3,0%
0,0%
3,0%
6,0%
9,0%
12,0%
15,0%
18,0%
21,0%
Variation de Production
Evolution Tarifaire (%)
Variation Prod. Lissee Cap1
Variation Prod. Lissee Cap2
Variation Prod. Lissée Cap356
Nous obtenons... |
100697 | [
0.4427100419998169,
0.2998921275138855,
-0.13004229962825775,
0.47954121232032776,
-0.588080883026123,
-1.1283173561096191,
0.33182066679000854,
-0.32126960158348083,
-0.08159944415092468,
0.6926834583282471,
0.13971452414989471,
0.36180976033210754,
0.10502863675355911,
-0.685183167457580... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | variables contrats et clients cités auparavant (nous nous attarderons sur les prix juste
après) :
Variable
Segmentation
IES
Nombre de Pièces
1 / 2 / 3 / 4+
22,80%
Capital
< 10K / 10-20K / ≥ 20K
23,49%
Age
≤ 30A / 30-50A / > 50A
26,29%
Multi-Détention
0-1 / 2 / 3+
32,42%
Région
Région Parisienne /Aut... |
100698 | [
0.24846245348453522,
0.4542228579521179,
0.28984853625297546,
0.5226355791091919,
-0.07246752083301544,
-0.5887459516525269,
0.06667376309633255,
-0.31530532240867615,
-0.5181446075439453,
0.7105985283851624,
0.06689829379320145,
0.6477846503257751,
-0.0823121964931488,
0.01762627065181732... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | mieux notre sensibilité.
Nous reprenons ensuite le cas des variables liées au prix du contrat : le tarif et le rabais
appliqué sur celui-ci.57
❖ Le tranche de prix du contrat :
Comme nous l’avions évoqué concernant le nombre de pièces, il peut être intéressant
d’étudier différentes tranches de prix, pour voir si... |
100699 | [
0.11662878096103668,
0.4251200258731842,
0.33190450072288513,
0.2866468131542206,
-0.4999920129776001,
-0.2740772068500519,
-0.21963950991630554,
0.023938102647662163,
-0.2891792356967926,
0.43895700573921204,
0.04606791213154793,
0.5980591177940369,
0.261383593082428,
-0.147246852517128,
... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | en 2015 qu’en 2013. Pour déterminer nos tranches tarifaires nous essayons de respecter
nos deux années, en sélectionnant des points intermédiaires sur nos premiers et troisièmes
quartiles :
≤ 135 €
135-200 €
> 200 €
Figure 40 : Tranches de prix conservées
Nous étudions ensuite notre évolution de sensibilit... |
1007 | [
-0.14099682867527008,
-0.35885030031204224,
-0.09432058781385422,
-0.25422903895378113,
-0.44564351439476013,
-0.8898777365684509,
0.8127222061157227,
-0.39105281233787537,
-0.614885687828064,
1.054603934288025,
0.51576828956604,
0.44714799523353577,
0.1295851618051529,
0.34815844893455505... | {
"title": "2016_0385d80451de5c2ac868eb3227756a80.pdf"
} | simplifiée, nous pouvons définir la marge de risque comme l’écart entre la « vraie
valeur » d’une position et son estimation. Un synonyme pourrait alors être « marge
d’erreur d’estimation ».
Pour une position sur un actif financier, la marge de risque est la différence entre la
valeur proche du marché et l’espéranc... |
10070 | [
0.017900776118040085,
0.03910452499985695,
0.07887735962867737,
-0.3601974546909332,
-0.08001860976219177,
-0.9395107626914978,
-0.349699467420578,
0.0687587559223175,
-0.40682491660118103,
0.6834427714347839,
0.6517229080200195,
-0.5641492605209351,
-0.13448463380336761,
0.268163621425628... | {
"title": "2016_3090fc160532a2ee243c3ca4be83d406.pdf"
} | -
la prestation R de la rente de base initialement évaluée non perçue du fait de la prorogation,
-
les intérêts générés par ce capital constitué au cours de la prorogation,
-
une composante proportionnelle à un coefficient caractéristique du profil de mortalité de la
population qui proroge (défini par le coeffi... |
100700 | [
0.1915779411792755,
0.9246245622634888,
-0.10222799330949783,
0.1895158588886261,
-0.08824557065963745,
-0.6215976476669312,
-0.5044220685958862,
0.1390518695116043,
-0.27636751532554626,
0.4573918879032135,
0.40691840648651123,
0.6924366354942322,
0.13146193325519562,
-0.2473992556333542,... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | L’évolution de la production sur ces différents groupes n’est due qu’au changement de la
structure tarifaire du portefeuille et non d’un effet particulier sur certains niveaux de prix.
Cette variable n’est donc pas exploitable pour la suite de notre étude : il est en effet pas
possible de conclure que plus le prix e... |
100701 | [
-0.09763407707214355,
0.9152253270149231,
0.24240979552268982,
0.23719185590744019,
-0.5890504121780396,
-0.7337422370910645,
-0.09390115737915039,
-0.17588944733142853,
-0.49403589963912964,
0.787434995174408,
0.15663982927799225,
0.8445593118667603,
-0.03806108236312866,
-0.3604623973369... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | variable contrat et une variable client. Nous obtenons ainsi 12 sous-groupes, soient 12
sensibilités à déterminer, mais certains groupements sont en sous-effectif. Nous décidons
donc d’en regrouper et d’étudier l’effet de la variation tarifaire sur les interactions de
variables suivantes :
y = -3,0446 x + 0,0241
y ... |
100702 | [
0.6916535496711731,
0.32532042264938354,
0.8393380045890808,
0.5264052748680115,
0.006463382393121719,
-0.560449481010437,
0.24784162640571594,
-0.1395706832408905,
-0.5746588110923767,
0.9474391937255859,
0.20149484276771545,
0.011057985946536064,
-0.09180039167404175,
0.02332831174135208... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | 4
3+
≤ 30 Ans
5
3+
30-50 Ans
6
3+
> 50 Ans
Figure 42 : Groupements conservés en croisant l’âge et le nombre de pièces
Avec un plus grand nombre de groupes qu’en univarié, il est impossible d’utiliser la
représentation graphique précédente par manque de lisibilité. Nous prenons donc plutôt
l’évolution des ... |
100703 | [
0.0491521954536438,
0.20793136954307556,
0.19864587485790253,
0.43249693512916565,
-0.4628131091594696,
-0.45755013823509216,
0.5426688194274902,
0.25735223293304443,
-0.6059273481369019,
1.0566394329071045,
0.47289150953292847,
0.6354303359985352,
0.018728239461779594,
-0.0162504035979509... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | certain nombre d’entre eux prennent la même assurance que leur parent, sans se soucier
des prix du marché. Nous pouvons aussi supposer que les plus de 30 ans en location
d’appartements sont plus sensibles sur les prix pour diverses raisons : connaissance du
marché, plus regardant sur leurs postes de dépenses …
-1
-... |
100704 | [
0.2819702625274658,
0.15610259771347046,
-0.044172462075948715,
0.1458377242088318,
-0.44304123520851135,
-0.7542534470558167,
0.6488550305366516,
-0.02001332864165306,
-0.27184396982192993,
0.7634221911430359,
0.43379926681518555,
0.18061882257461548,
0.2523137331008911,
-0.28164795041084... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | le nombre de pièces.
Nous calculons ensuite pour ce cas l’indicateur IES, afin de voir si ce croisement semble
intéressant en termes de différenciation de sensibilités :
IES
(Age et Nombre de Pièces)
25,02%
Figure 44 : IES pour la segmentation par le croisement âge et n... |
100705 | [
-0.0038891597650945187,
0.014547551982104778,
0.3969997465610504,
0.2734597623348236,
-0.22741498053073883,
-0.626832127571106,
-0.5191114544868469,
-0.2999746799468994,
-0.49026769399642944,
0.6569019556045532,
0.008929041214287281,
0.7802754044532776,
-0.0463704951107502,
-0.261002480983... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | Partie III – Positionnement tarifaire
Nous avons ensuite fait le choix de créer un second outil permettant de placer nos prix par
rapport au marché. En effet, après la tarification des deux premiers niveaux de notre
nouveau produit (prime pure et frais techniques), nous obtenons les primes techniques de
nos con... |
100706 | [
-0.2167002111673355,
0.2127511352300644,
-0.29457834362983704,
-0.18369579315185547,
-0.3273044526576996,
-0.6838349103927612,
-0.8720189332962036,
-0.4185890257358551,
-0.4656181037425995,
0.5831576585769653,
0.24344925582408905,
0.8137606382369995,
0.12364529818296432,
-0.498985230922699... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | une autre entité du groupe AXA en France, comme référentiel du marché.
Première difficulté, il est seulement possible de tarifer un nombre limité de profils par ce
partenaire. Nous avons donc décidé d’estimer son modèle tarifaire par reverse engineering :
à partir des caractéristiques de cet ensemble de profils, ... |
100707 | [
-0.07631747424602509,
0.10621564835309982,
-0.2944296598434448,
-0.22142215073108673,
-0.6616024374961853,
-0.528407633304596,
-0.7311962842941284,
-0.42761197686195374,
-0.12416856735944748,
0.6055055856704712,
0.24804134666919708,
0.35610345005989075,
0.5635542869567871,
-0.2418030351400... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | sélection des communes les plus judicieuses …
Après réception de sa tarification, nous avons estimé son modèle tarifaire et donné un prix
« marché » pour l’ensemble de notre production 2015. Nous ajoutons à cela la tarification
(technique) de notre nouvelle gamme de ces mêmes contrats. Grâce à ces deux prix, il a é... |
100708 | [
-0.13106806576251984,
0.7310507893562317,
0.07551852613687515,
-0.23136231303215027,
-0.8403970003128052,
-0.961798906326294,
-0.019522584974765778,
0.037230465561151505,
-0.5452646017074585,
1.1859188079833984,
-0.11687563359737396,
1.2637385129928589,
0.7520997524261475,
-0.1432729065418... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | qui correspond le plus à notre nouvelle gamme, grâce à un mapping des garanties :
comparer deux niveaux de garanties différents engendrerait un biais non justifié. Il a fallu
ensuite choisir pour nos profils, les combinaisons de variables intéressantes à étudier. Nous
décidons d’abord de séparer les maisons et les a... |
100709 | [
0.0796085074543953,
0.651304304599762,
-0.12224095314741135,
-0.030480211600661278,
-0.6486302614212036,
-0.9909783005714417,
-0.05940094217658043,
0.12040646374225616,
-0.04255540296435356,
0.7672263383865356,
0.16227827966213226,
0.7294882535934448,
0.34055113792419434,
-0.26664960384368... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | ensuite d’effectuer une seconde segmentation de notre échantillonnage :
❖ D’un côté le risque géographique, très important en assurance habitation :
nous fixons les autres risques, et choisissons les zones géographiques où nous
produisons le plus. Ensuite avec un lissage spatial, nous pourrons approximer
les rég... |
10071 | [
0.2878973186016083,
0.3558119833469391,
0.04712284356355667,
0.019390186294913292,
-0.08178354799747467,
-0.690445065498352,
-0.19985929131507874,
0.14955350756645203,
-0.2245534211397171,
1.0021456480026245,
0.20756255090236664,
0.02726217545568943,
-0.006296321749687195,
0.09741842746734... | {
"title": "2016_3090fc160532a2ee243c3ca4be83d406.pdf"
} | début de la phase de constitution de la rente viagère différée. Le profil de mortalité de la population
qui proroge dépend alors de la structure de mortalité de la population globale, pouvant être est
homogène ou hétérogène.
En effet, en considérant le profil de mortalité de la population globale homogène (chaque so... |
100710 | [
0.06777378916740417,
-0.026445480063557625,
-0.4339585304260254,
-0.380289763212204,
-0.7165089249610901,
-0.5550515651702881,
-0.4301879405975342,
0.026552347466349602,
-0.0296888779848814,
1.1550019979476929,
0.6398146152496338,
0.799290657043457,
-0.03830238804221153,
-0.303470700979232... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | géographiques et non géographiques d’un contrat sont indépendants.63
III.1.a. Méthodologie du Reverse engineering tarifaire
Nous utilisons cette méthode pour construire un modèle de tarification à partir des prix d’un
ensemble d’individus aux caractéristiques larges et exhaustives, afin de couv... |
100711 | [
-0.11043170839548111,
0.5874720215797424,
-0.24266725778579712,
-0.15876847505569458,
-0.7072764039039612,
-0.5645149946212769,
0.42732295393943787,
0.2590354084968567,
-0.4567106068134308,
0.9235982298851013,
0.715891420841217,
1.0241341590881348,
-0.017064882442355156,
-0.178342610597610... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | premier se voit attribuer un tarif de 150 euros, et le second de 225. Il est ainsi possible de
déterminer un des coefficients « de passage » :
𝐶𝑜𝑒𝑓𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝐴𝑝𝑝,𝑃𝑖è𝑐𝑒𝑠,3 →5
̂
=
𝑇𝑎𝑟𝑖𝑓𝐴𝑝𝑝𝑎𝑟𝑡𝑒𝑚𝑒𝑛𝑡,5 𝑝𝑖è𝑐𝑒𝑠
𝑇𝑎𝑟𝑖𝑓𝑚é𝑑𝑖𝑎𝑛/ 𝐴𝑝𝑝𝑎𝑟𝑡𝑒𝑚𝑒𝑛𝑡,3 𝑝𝑖è𝑐𝑒𝑠
= 225
150 = 1,5... |
100712 | [
0.2883854806423187,
0.7827998995780945,
0.21631133556365967,
0.011024712584912777,
-0.2712630033493042,
-0.40771484375,
-0.03154177591204643,
-0.15228499472141266,
-0.5578683018684387,
1.1320322751998901,
0.3862764239311218,
0.19604164361953735,
0.04404062032699585,
0.07627902179956436,
... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | Base
Géographique
Base Non
Géographique64
La détermination de notre profil médian est donc très importante car il est le pivot autour
duquel s’appliquerons tous ces coefficients. Si par exemple pour une variable, l’individu à
tarifer a la même modalité que le médian, alors il se voit attribué un coefficient de ... |
100713 | [
0.2912802994251251,
0.3063564896583557,
-0.43439140915870667,
0.21348722279071808,
-0.3406573534011841,
-0.6071029901504517,
-0.11072152853012085,
0.0777859017252922,
0.023169972002506256,
1.0677080154418945,
0.22812651097774506,
0.5113153457641602,
0.7412399053573608,
-0.05253808945417404... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | l’assurance habitation propose une large gamme de produits, offrant des garanties plus ou
moins étendues. C’est le cas de l’entité que nous avons choisie pour représenter le marché.
Nous avons alors dû « mapper » /comparer l’ensemble des garanties proposées par ses
offres et notre nouvelle gamme :
Figure 45 : M... |
100714 | [
-0.01967189833521843,
0.21660640835762024,
-0.4992697238922119,
0.07583140581846237,
-0.6334002017974854,
-0.3329560458660126,
0.16080091893672943,
0.0902327373623848,
-0.00014944009308237582,
1.051771879196167,
-0.10365942865610123,
0.5434414744377136,
0.5614729523658752,
0.28984624147415... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | Nous décidons donc de la sélectionner pour notre échantillon : nous l’appelons le produit
« marché ».
Nous regardons ensuite les variables utilisées par l’entité, en faisant un mapping de son
questionnaire en ligne. Ainsi nous définissons la liste des informations qu’elle recueille. Puis
avec quelques devis, nous... |
100715 | [
-0.29523226618766785,
0.40528494119644165,
-0.0414443202316761,
-0.434648334980011,
-0.6994761228561401,
-0.28333523869514465,
-0.058044932782649994,
-0.09095565229654312,
-0.30245736241340637,
1.065682053565979,
-0.10815158486366272,
0.4145423471927643,
-0.03892073780298233,
-0.3138154447... | {
"title": "2017_7fca5a7df41cfffeb80326a785755ab6.pdf"
} | une dernière information : la granularité du zonier utilisé par le partenaire. Sur le nouveau
produit AXA, il s’agit d’un micro zonier à l’adresse avec les Voronoïs dont nous avons parlé
en introduction. Pour le produit marché, nous observons qu’il utilise un zonier au Code
Insee. Si nous prenons deux contrats ident... |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.