Mémoires d'Actuariat

Incendies graves en multirisque professionnelle : élaboration d’un profil de risque par point de vente
Auteur(s) PALLON J.-V.
Société Allianz
Année 2025
Confidentiel jusqu'au 11/03/2027

Résumé
Le ratio S/P (sinistres/primes), composante essentielle du ratio combiné, est un indicateur stratégique pour les assureurs dommages. Il est traditionnellement piloté selon trois axes : souscription, sélection des risques et tarification, portés principalement par les unités technique et distribution d’Allianz France. Ce mémoire se positionne au niveau de l’unité distribution et propose d’enrichir une quatrième politique de pilotage : la prévention. Si le rôle principal de cette unité est commercial, elle joue aussi un rôle crucial dans l’évaluation des risques lors de la souscription grâce aux visites de terrain. Toutefois, deux limites apparaissent : toutes les affaires ne bénéficient pas d’une visite de risque, et il n’existe pas de réévaluation dynamique du risque après souscription. Pour remédier à cela, l’étude suggère un suivi annuel de la dangerosité des points de vente par les inspecteurs, via des profils colorés représentant le niveau de risque. Cette dangerosité est évaluée grâce à un modèle de machine learning (XGBoost) prédisant le risque d’incendie grave, défini par un seuil de 50 000 €. Ce modèle, avec une performance AUC de 0,79, permet d’identifier les contrats et points de vente à risque. Un outil cartographique interactif en R Shiny est développé pour visualiser ces profils et guider les actions de prévention terrain.

Abstract
The S/P ratio (claims/premiums), an essential component of the combined ratio, is a strategic indicator for property and casualty insurers. It is traditionally managed according to three axes: underwriting, risk selection, and pricing, primarily driven by the technical and distribution units of Allianz France. This thesis is positioned at the level of the distribution unit and proposes to enrich a fourth management policy: prevention. While the primary role of this unit is commercial, it also plays a crucial role in risk assessment during underwriting through field visits. However, two limitations arise: not all cases benefit from a risk visit, and there is no dynamic re-evaluation of risk after underwriting. To address this, the study suggests an annual monitoring of the risk level of sales points by inspectors, using color-coded profiles representing the level of risk. This risk level is assessed using a machine learning model (XGBoost) predicting the risk of severe fire, defined by a threshold of €50,000. This model, with an AUC performance of 0.79, allows for the identification of high-risk contracts and sales points. An interactive mapping tool in R Shiny is developed to visualize these profiles and guide field prevention actions.