La modélisation prédictive en assurance

La modélisation prédictive a discrètement remodelé le secteur de l'assurance au cours des deux dernières décennies. Ce qui a commencé par des modèles linéaires généralisés (GLM) pour la tarification automobile à la fin des années 1990 s'est étendu à des chaînes de traitement de machine learning touchant la tarification, le provisionnement, la détection de la fraude, la rétention, le tri des sinistres et le pilotage de portefeuille. Les gagnants ne sont pas les assureurs dotés des algorithmes les plus exotiques — ce sont ceux qui disposent des données les plus propres, du cadrage métier le plus aiguisé et de la gouvernance nécessaire pour déployer les modèles de manière responsable.

Cet article expose une vision pratique de la modélisation prédictive en assurance : là où elle apporte de la valeur, quelles classes de modèles conviennent à quels problèmes, et comment rendre l'ensemble de l'appareil explicable aux régulateurs, aux auditeurs et à votre propre conseil d'administration.

Cadrer la question métier

L'échec le plus courant des projets de modélisation prédictive n'a rien à voir avec le modèle lui-même. C'est une question mal cadrée. « Améliorer la tarification » n'est pas une question ; « réduire le ratio de sinistres sur les nouvelles affaires dans le segment X en identifiant les facteurs de risque du décile supérieur qui ne figurent pas actuellement dans le tarif » en est une. Un bon cadrage impose de la clarté sur :

• La décision que le modèle viendra appuyer.
• La population à laquelle il sera appliqué.
• La variable cible (fréquence, gravité, prime pure, probabilité de rétention, indicateur de fraude).
• La métrique de succès — lift, Gini, erreur de calibration ou un KPI métier direct.
• Les contraintes — réglementaires, éthiques, informatiques et juridiques.

Un problème étroitement cadré permet généralement d'utiliser un modèle plus simple. Un problème mal cadré invite à une complexité algorithmique qui masque le fait qu'aucune décision ne changera.

Le moteur principal : les modèles linéaires généralisés (GLM)

Les GLM restent l'épine dorsale de la tarification en assurance pour de bonnes raisons. Ils fournissent des effets marginaux non biaisés, des coefficients transparents et une adaptation naturelle aux distributions de la famille exponentielle qui décrivent la fréquence des sinistres (Poisson) et leur gravité (Gamma ou Lognormale). Les régulateurs les comprennent. Les auditeurs peuvent les reproduire. Les souscripteurs peuvent en discuter.

Un pipeline de tarification GLM mature comprend généralement :

• Une analyse univariée et bivariée rigoureuse pour identifier le signal.
• Le traitement des facteurs de tarification : regroupement, lissage et conception des interactions.
• Des structures d'offset pour l'exposition et les effets connus.
• Une validation croisée sur des échantillons hors-temps, et pas seulement sur des plis aléatoires.
• Des vérifications de cohérence par rapport au tarif actuel.

Les limites des GLM — structure additive, sensibilité à l'ingénierie des variables (feature engineering), difficulté à capturer les interactions d'ordre élevé — sont bien connues. Elles sont aussi souvent surestimées : un GLM bien conçu avec des interactions crédibles arrive souvent à quelques points de pourcentage d'un modèle d'arbres boostés sur des portefeuilles réels, pour une fraction du risque opérationnel.

Le gradient boosting et son rôle

Les machines de gradient boosting (XGBoost, LightGBM, CatBoost) sont devenues le modèle challenger par défaut dans la modélisation en assurance. Elles gèrent automatiquement les non-linéarités et les interactions, tolèrent des données imparfaites et offrent généralement un gain significatif par rapport à un GLM sur les problèmes de fréquence et de rétention.

La bonne question est rarement « GLM ou GBM ? » mais « comment utiliser les deux ? ». Les schémas courants incluent :

• Le GBM comme challenger. Ajustez un GBM parallèlement au GLM, utilisez les valeurs SHAP pour identifier les structures que le GLM ignore, et réintégrez ces interactions dans le GLM.
• Le GBM en production pour des décisions hors tarif. Le score de rétention, la propension à la vente croisée, le tri des fraudes et l'aiguillage des sinistres sont autant de domaines où les exigences d'interprétabilité sont moindres et où les GBM peuvent être déployés directement.
• Tarifs hybrides. Dans certaines juridictions, des facteurs résiduels dérivés de GBM sont superposés à un tarif de base GLM, sous réserve de plafonds et de contraintes de monotonicité.

Au-delà des arbres boostés, les régressions pénalisées (elastic net), les modèles additifs généralisés et, plus récemment, les modèles tabulaires basés sur les transformeurs ont leurs niches. Aucun n'a détrôné le couple GLM/GBM pour la tarification courante.

La donnée est le véritable projet

Tout modélisateur expérimenté fait le même constat : le modèle représente 10 % du travail. Les 90 % restants concernent les données — les sourcer, les nettoyer, les joindre et comprendre ce que chaque champ signifie réellement.

Les défis spécifiques aux données en assurance sont inhabituels :

• Développement long. La cible (sinistre ultime) peut ne pas être connue avant des années, ce qui oblige à utiliser des ultimes développés ou estimés comme cibles d'entraînement, avec tout le bruit que cela implique.
• Événements rares. Les sinistres importants et les catastrophes sont, par définition, sous-représentés dans tout échantillon d'entraînement.
• Dérive du portefeuille. Les changements de souscription, de tarification et de produits rendent les données historiques non stationnaires.
• Données externes. La télématique, les données géospatiales, le crédit et les données comportementales peuvent apporter un gain réel, mais apportent leur propre lot de contraintes réglementaires et éthiques.

Le lignage des données (data lineage) — savoir exactement d'où vient chaque variable, comment elle a été transformée et si elle peut être utilisée légalement — est désormais un livrable aussi important que le modèle lui-même.

Une validation qui a du sens

La validation statistique dans la modélisation en assurance doit répondre à plus que « le modèle prédit-il bien sur l'échantillon test ? ». Une validation défendable couvre :

• La discrimination. Gini, AUC, courbes de lift par décile.
• La calibration. Réel vs Attendu à travers les segments, et pas seulement globalement.
• La stabilité. Performance à travers les périodes temporelles, les géographies et les canaux de distribution.
• Le stress. Comportement sous dérive de distribution — inflation, changement de mix, vagues de nouvelles affaires.
• L'équité. Analyse de l'impact disparate sur les caractéristiques protégées, que ces caractéristiques soient utilisées ou non comme entrées.
• L'impact métier. Effet de portefeuille simulé : ratio de sinistres, rétention, volume et mix sous le nouveau modèle.

Les régulateurs attendent de plus en plus cette batterie complète, et pas seulement un chiffre d'AUC.

Explicabilité et risque de modèle

L'interprétabilité n'est pas optionnelle. Selon les classifications de l'IA Act de l'UE, les décisions de tarification et de souscription d'assurance sont des usages à haut risque ; sous Solvabilité II, les modèles internes sont soumis à la politique de changement de modèle et à l'ORSA. Même en dehors de ces régimes, un modèle inexplicable est un modèle ingérable.

Les outils pratiques d'explicabilité incluent :

• Les valeurs SHAP pour l'importance des variables globale et locale sur les modèles basés sur les arbres.
• Les graphiques de dépendance partielle (PDP) et d'effets locaux accumulés (ALE) pour visualiser les effets marginaux.
• Les modèles substituts (surrogates) — un GLM simple ajusté aux prédictions d'un modèle complexe — comme couche de communication.
• Les contraintes de monotonicité et d'interaction pour encoder directement les attentes métier dans le modèle.

La gestion du risque de modèle enveloppe cela avec de la documentation, une validation indépendante, un contrôle des changements et une revalidation périodique. Un modèle sans propriétaire, sans validateur et sans plan de retrait est une menace.

Production et surveillance

Un modèle qui n'est pas surveillé est un modèle qui va silencieusement dépérir. La surveillance en production doit couvrir :

• La dérive des entrées — les variables en production sont-elles distribuées comme les données d'entraînement ?
• La dérive des sorties — les prédictions évoluent-elles de manière inattendue ?
• La dégradation de la performance — à mesure que les données réelles émergent, comment le modèle se comporte-t-il ?
• La santé des segments — un sous-portefeuille dérive-t-il plus vite que l'ensemble ?

Les alertes doivent être liées à des seuils convenus à l'avance et à un plan de réponse documenté : recalibrer, réentraîner, restreindre ou retirer. Le pire résultat est de découvrir, à la fin de l'année, qu'un modèle a mal tarifé un segment pendant six mois.

Où va le domaine

Trois évolutions façonnent les prochaines années de la modélisation prédictive en assurance :

• Des estimations ponctuelles vers les distributions. Les approches bayésiennes et basées sur les quantiles gagnent du terrain, en particulier pour le provisionnement et la modélisation du capital, car elles s'alignent mieux avec les décisions basées sur le risque.
• Des variables vers les représentations. Les plongements (embeddings) de texte (notes de sinistres, récits des experts), d'images (dommages immobiliers ou automobiles) et de traces télématiques entrent dans les pipelines courants.
• Des modèles vers les systèmes. La discipline MLOps — versionnage, reproductibilité, tests automatisés, surveillance — devient enfin la norme en assurance, rattrapant d'autres industries.

Pensée finale

La modélisation prédictive en assurance n'est pas une course à l'algorithme le plus sophistiqué. C'est une discipline consistant à cadrer la bonne question, à s'appuyer sur des données fiables, à choisir le modèle le plus simple qui résout le problème, à le valider par rapport à la réalité et à le surveiller en production. Les assureurs qui traitent la modélisation comme une capacité intégrée — et non comme une série de projets ponctuels — finissent par obtenir de meilleurs prix, des portefeuilles plus sains et des modèles qui survivent à leur prochain examen réglementaire.