L'IA pour analyser les triangles de sinistres et prédire le développement des sinistres ultimes
Ce que les triangles de sinistres nous disent
Les triangles de sinistres, aussi appelés triangles de développement, constituent l'outil fondamental d'estimation des sinistres ultimes en assurance. Ils organisent les données historiques de sinistres par année de survenance et par période de développement, en montrant comment les sinistres de chaque année se déploient (à la hausse ou à la baisse) à mesure que les dossiers mûrissent. Les actuaires se servent de ces triangles pour projeter le développement des années en cours, encore immatures, à partir de la façon dont les années passées se sont développées au même stade.
Les méthodes standards d'analyse des triangles, dont le chain ladder, le Bornhuetter-Ferguson et le Cape Cod, sont en usage depuis des décennies. Elles fonctionnent bien lorsque les schémas de développement historiques sont stables et lorsque le portefeuille en cours est similaire au portefeuille historique. Elles peinent lorsque les conditions changent : nouveau mix d'affaires, évolution des pratiques de gestion des sinistres, transformation du contexte juridique, ou événements sans précédent qui rompent les schémas historiques.
Là où l'IA apporte de la valeur
L'IA enrichit l'analyse des triangles de sinistres de plusieurs manières. D'abord, elle peut traiter des données plus granulaires que les méthodes standards. Au lieu de travailler sur des triangles agrégés au niveau de la branche, l'IA peut analyser des triangles segmentés par type de sinistre, juridiction, implication d'avocat, gravité de l'atteinte corporelle et autres caractéristiques qui influent sur les schémas de développement. Cette granularité révèle au sein du portefeuille des schémas de développement que l'analyse agrégée masque.
Ensuite, l'IA détecte des schémas de développement non linéaires que les méthodes standards par facteurs ne captent pas. Si le développement s'accélère ou se ralentit à certains stades en raison de modifications des pratiques de gestion ou du contexte juridique, l'IA capte ces dynamiques au lieu de supposer un schéma de développement constant.
Détection d'anomalies
L'une des capacités les plus précieuses de l'IA dans l'analyse des triangles est la détection d'anomalies. Les modèles repèrent les périodes de développement où le développement réel s'écarte significativement des schémas historiques, et les signalent à l'investigation actuarielle. Une période de développement qui affiche une croissance inhabituellement rapide peut traduire un changement dans les pratiques de provisionnement ou une tendance émergente de sinistralité. Une période qui affiche une croissance étonnamment lente peut traduire un retard de déclaration ou un déplacement du calendrier des règlements.
Captées tôt, ces anomalies permettent aux actuaires d'enquêter et d'ajuster leur analyse avant qu'elles ne biaisent les estimations finales. Sans détection par IA, ces anomalies risquent de ne se manifester qu'au moment de développements de provisions inattendus.
Modélisation du développement au niveau du sinistre
L'analyse traditionnelle des triangles travaille sur des données agrégées. L'IA peut modéliser le développement au niveau de chaque sinistre, en prédisant la manière dont chaque sinistre ouvert se développera en fonction de ses caractéristiques propres. La somme des prédictions individuelles fournit une estimation alternative des sinistres ultimes, comparable aux méthodes traditionnelles agrégées.
Cette approche au niveau du sinistre est particulièrement précieuse pour les branches dont les sinistres sont hétérogènes. Un triangle de responsabilité civile générale qui inclut à la fois de petits sinistres glissades-chutes et de gros sinistres responsabilité produits gagne à une modélisation séparée, parce que les schémas de développement diffèrent totalement.
Intégrer les facteurs externes
Les méthodes standards de triangle sont purement internes : elles ne reposent que sur les données historiques propres à l'assureur. L'IA peut intégrer des facteurs externes qui influent sur le développement des sinistres : conditions économiques, inflation des coûts médicaux, tendances jurisprudentielles, évolutions législatives et schémas d'inflation sociale. Ces facteurs externes apportent un contexte qui aide à expliquer pourquoi le développement courant peut différer des schémas historiques.
Estimation du facteur de queue
Estimer la queue de développement, c'est-à-dire le développement qui survient au-delà du triangle observable, est l'un des aspects les plus incertains de l'analyse actuarielle. L'IA y aide en analysant les schémas de queue à partir d'un ensemble de données plus large que celui généralement disponible dans le triangle d'un seul assureur. Données sectorielles, bases réglementaires et informations publiques sur les sinistres peuvent toutes éclairer l'estimation des facteurs de queue.
Quantification de l'incertitude
Plus important encore, l'IA quantifie l'incertitude qui entoure les estimations de développement. Au lieu d'un point d'estimation unique pour les sinistres ultimes, l'IA produit une distribution de probabilité qui montre la fourchette des résultats possibles et leur vraisemblance. Cette distribution soutient les décisions de gestion des risques sur l'adéquation des provisions, l'achat de réassurance et la planification du capital.
Les actuaires ont toujours su que leurs estimations étaient incertaines. L'IA rend cette incertitude explicite et mesurable, ce qui est précieux à la fois pour la décision interne et pour la communication externe avec les régulateurs, les agences de notation et les investisseurs.
Pour en savoir plus sur la façon dont l'IA enrichit l'analyse actuarielle en assurance, consultez les solutions assurance de FirmAdapt.