Banque, assurance et crédit par région, département et ville

Auteurs indexés : Mathias Valla. Source : tel-05121356, version 1.

Cette thèse, "Dynamique temporelle dans les modèles par arbres et applications aux comportements de rachat en assurance vie", explore l'application de nouveaux modèles statistiques et de stratégies innovantes pour analyser le comportement de rachat en assurance vie. Ce travail est une combinaison de deux parties introductives et de trois articles de recherche, chacun offrant une perspective singulière et diverses contributions à la gestion du rachat ainsi qu'à l'inclusion d'une dimension temporelle dans les modèles de Machine Learning dits "par arbres". Le premier article, "Including individual Customer Lifetime Value and competing risks in tree-based lapse management strategies", présente une stratégie de rétention qui va au-delà d'une simple prédiction du comportement assuré. Cette stratégie est basée sur une méthodologie de gestion des rachats intégrant les notions de valeur client et de rentabilité, en misant sur une individualisation des approches existantes. L'étude démontre comment les modèles de survie par arbres surpassent les approches paramétriques, contribuant ainsi à une gestion des campagnes de rétention plus efficace et plus informée, pour les assureurs vie. S'appuyant sur ces travaux, le deuxième article, "A longitudinal framework for lapse management in life insurance", souligne l'importance d'une approche incluant la dimension temporelle des comportements assurés dans la gestion du rachat. L'article propose un cadre longitudinal pour la gestion des comportements de rachat, qui exploite l'ensemble des données historiques passées de chaque assuré, une ressource souvent négligée mais abondamment disponible dans les systèmes d'information des assureurs. Cette méthodologie affine davantage la précision du ciblage des assurés à retenir en portefeuille, améliorant ainsi la compréhension globale des assureurs quant au risque qu'ils portent. Le dernier article, "Time penalized tree (TpT): a new tree-based data mining algorithm for time-varying covariates", présente un nouvel algorithme de construction d'arbre de décision acceptant des variables évoluant avec le temps sous forme de données structurées longitudinalement. L'article explicite et remet en question les hypothèses classiques des modèles acceptant uniquement des variables statiques en proposant un algorithme qui permet le partitionnement récursif des espaces des covariables et du temps, conjointement. Cette méthode innovante aide à capturer les tendances historiques pertinentes pour l'analyse, permettant une étude plus précise et interprétable de phénomènes évoluant dans des environnements dynamiques.Dans l'ensemble, cette thèse offre une approche holistique de l'analyse du comportement de rachat dans l'assurance vie en intégrant des modèles par arbres avancés et de l'analyse longitudinale. Elle souligne le potentiel de ces stratégies innovantes pour informer les décisions commerciales et stratégiques dans l'industrie de l'assurance tout en garantissant leur interprétabilité et leur explicabilité.

Auteurs indexés : Mathias Valla. Source : tel-05121356, version 1.

This thesis, "Temporal dynamics in tree-based models and applications to lapse behaviour in life insurance", delves into the application of novel statistical models and strategies to address lapse behavior in life insurance. This work is an amalgamation of two introductive parts and three research articles, each offering a unique perspective and various contributions to the understanding of lapse management and the inclusion of a time dimension in tree-based Machine Learning models. The first article, "Including individual Customer Lifetime Value and competing risks in tree-based lapse management strategies", presents a retention strategy that goes beyond a mere prediction of lapse. This strategy is grounded on a lapse management framework that integrates Customer Lifetime Value and profitability, with a focus on the individualization of existing approaches. The study demonstrates how survival tree-based models outperform parametric approaches, thereby leading to more efficient and informed management of retention campaigns, for life insurers. Building on this work, the second article, "A longitudinal framework for lapse management in life insurance", emphasizes the importance of a time-informed approach in lapse management. The article proposes a longitudinal lapse management strategy framework that leverages the complete past trajectory of policyholders, a resource often overlooked yet abundantly available in insurers' information systems. This methodology further refines the targeting precision, thereby enhancing the insurers' understanding of their global portfolio risk. The final article, "Time penalized tree (TpT): a new tree-based data mining algorithm for time-varying covariates", introduces a novel decision tree algorithm that accounts for time-varying covariates within longitudinally structured datasets. The article challenges the traditional static assumption of covariates by proposing an algorithm that allows recursive partitioning of the covariates space together with time. This innovative method helps to capture relevant historical trends for analysis, enabling a more accurate and interpretable study of phenomena evolving in dynamic environments.Overall, this thesis provides a global approach to lapse behavior analysis in life insurance by integrating advanced tree-based models and longitudinal analysis. It underscores the potential of these innovative strategies in informing commercial and strategic decisions in the insurance industry while ensuring their interpretability and explainability.