Interprétabilité des Modèles Complexes

Face à l’explosion du volume de données à disposition, les assureurs se doivent d’innover et de mettre en place de nouvelles méthodes de traitement des données. Ces dernières ont pour but d’améliorer les capacités d’évaluation et de quantification des risques tout en permettant aux acteurs du marché de proposer des offres adaptées, et ce, à des clients de plus en plus exigeants.

Cependant, si ces méthodes permettent une amélioration des performances prédictives, celle-ci s'obtient généralement au détriment de l'interprétabilité. Conscient de l'importance de cette notion, l’équipe Prévoyance & Protection Sociale a décidé de développer des études répondant au besoin de transparence sur le choix et l'utilisation des algorithmes complexes.

Afin d'apporter des solutions adaptées à nos Clients, Sia Partners propose ainsi d'exploiter les perspectives offertes par le Machine Learning, par l'identification de nouveaux facteurs de risques, l'intégration de données externes ou encore la limitation du nombre de variables tarifaires dans le but de simplifier les processus par exemple. Les solutions d’interprétabilités sont nombreuses mais doivent être sélectionnées selon les modèles sous-jacents retenus :

Les outils utilisés sont fortement dépendants de l’objectif recherché, de l’interlocuteur et des contraintes métiers de l’entreprise. Ainsi, les solutions retenues et les outils développés se veulent adaptés aux problématiques rencontrées par nos clients.

Il est aujourd’hui important pour les assureurs d’analyser les risques et les opportunités du nouveau contexte numérique afin de définir une stratégie d’ensemble, se révélant cohérente avec les mutations du secteur et les besoins de la société. Cette amélioration des capacités d’évaluation et de quantification des risques se retrouve sur plusieurs piliers :

• L’expérience client : personnalisation des offres et services proposés, segmentation de la clientèle, identification des attentes, …
• Les process d’entreprise : diminution du temps de traitement des demandes clients, automatisation des tâches répétitives à faible valeur ajoutée, ….
• L’optimisation du process de tarification : analyse du comportement des assurés, utilisation de données externes (open-data, data-capture), étude de la valeur client, optimisation de la stratégie commerciale et de développement, …
• La prévention : quantification / optimisation d’un plan de prévention, notamment selon des analyses comportementales, priorisation/calibrage des besoins de prévention, …

Ainsi, nos travaux internes permettent d’agrémenter nos offres faisant appel à l’intelligence artificielle afin de garantir à nos clients une parfaite interprétabilité des modèles développés au sein de leur organisation.