Science des données : un nouvel ensemble d’outils pour les professionnels de l’actuariat

La science des données envahit de plus en plus différents aspects de notre vie, des algorithmes de recommandation suggérant ce que nous aimerions regarder sur Netflix ChatGPT réussit les examens MBA. Comme beaucoup d’entre nous le savent ou l’ont constaté de nos propres yeux, la science des données a également eu un impact sur notre travail d’actuaire. Certains d’entre nous pourraient même craindre d’être remplacés par des data scientists ! En tant qu’actuaire ayant acquis des compétences en science des données et travaillant fréquemment avec des data scientists, je suis ici pour vous dire que les data scientists et les actuaires ont des compétences différentes et ne sont pas censés être interchangeables. Ce sont deux professions qui peuvent et doivent travailler en harmonie l’une avec l’autre. Tout comme les actuaires sont passés des calculs sur papier à l’utilisation d’Excel, je pense que de plus en plus d’actuaires commenceront à utiliser R et Python ou d’autres langages de programmation plus souvent à l’avenir. La science des données n’est pas une menace pour notre profession – c’est plutôt une chance pour nous d’acquérir de nouvelles compétences, d’évoluer et de devenir encore plus analytiques.

Actuaires et data scientists : des compétences complémentaires

Les actuaires et les data scientists ont des compétences et des bases de connaissances différentes et, bien qu'il existe un certain chevauchement, il existe des différences fondamentales qui les distinguent. Les actuaires sont des professionnels de l'assurance très analytiques : nous comprenons le secteur de l'assurance, les problèmes commerciaux auxquels notre entreprise est confrontée, les données d'assurance avec lesquelles nous travaillons et les techniques actuarielles spécifiques. Nous étudions des concepts tels que principes de tarification et comprendre que la création d'un modèle de tarification hautement prédictif (par exemple) n'est pas notre seul objectif : le modèle doit également tenir compte de manière appropriée des pertes, ne pas être injustement discriminatoire et être explicable aux partenaires commerciaux et aux régulateurs.

Les data scientists ont tendance à être très techniques. Cela ne veut pas dire qu'ils ne peuvent pas également comprendre les problèmes commerciaux ou en apprendre davantage sur le secteur des assurances. Ils ont simplement une approche différente de leur travail. Par exemple, un data scientist peut être mieux placé qu'un actuaire pour créer un tableau de bord dans R Shiny qui montre les taux de sinistres dans différentes régions. Alors que les actuaires peuvent se concentrer sur l'apprentissage des tendances émergentes du secteur, un data scientist peut se renseigner sur le dernier package Python qui permet des visualisations ou différents types de modélisation.

Les descriptions ci-dessus généralisent le « travail actuariel » et la « science des données ». Il existe de nombreuses possibilités de variation dans le travail d’un actuaire ou d’un data scientist, mais je pense que ces descriptions reflètent l’orientation générale de chaque carrière et les principaux domaines dans lesquels elles diffèrent. Maintenant que nous connaissons les différences entre les deux, parlons de la façon dont elles se chevauchent et peuvent fonctionner ensemble !

Travaillons ensemble!

Les actuaires et les data scientists possèdent tous deux des compétences précieuses, et il est important de les réunir. Prenons l'exemple de la création d'un modèle de tarification. Si vous souhaitez en savoir plus, consultez Monographie CAS 5 sur les GLM pour la notation des assurancesNous pourrions suivre un processus comme celui-ci :

1) Préparation, nettoyage et exploration des données

Avant de commencer la modélisation, nous devons disposer des données nécessaires à la création de notre modèle. Cela impliquera probablement de joindre des données provenant de plusieurs bases de données (comme les données de polices d'assurance et de sinistres). Un actuaire peut expliquer à un collègue data scientist qu'un sinistre peut survenir plusieurs années après la souscription de la police d'assurance, nous devons donc être prudents lors du filtrage des dates. Nous devons évaluer le caractère raisonnable de différents champs, tels que les valeurs de prime et de sinistre. Une valeur de sinistre négative peut ne pas avoir de sens pour une personne qui ne connaît pas le secteur des assurances, mais un actuaire peut fournir des conseils à un data scientist et lui faire savoir qu'il peut s'agir d'un cas de subrogation.

Après avoir nettoyé les données, nous souhaitons les explorer à l'aide de graphiques et de diagrammes. Nos amis data scientists peuvent très probablement créer divers graphiques que nous pourrons évaluer ensemble. Par exemple, les ratios de pertes sont-ils cohérents d'une année à l'autre ? Si ce n'est pas le cas, il se peut qu'il y ait eu un changement dans l'entreprise et que nous souhaitions exclure certaines années de notre analyse.

2) Ingénierie des fonctionnalités, création et validation du modèle

Une fois les données nettoyées, nous pouvons commencer la modélisation. Nous pouvons réfléchir aux variables utiles que nous pourrions vouloir inclure, et un data scientist peut les calculer. Les actuaires et les data scientists doivent travailler en étroite collaboration au cours de ce processus, qui est très itératif. Les actuaires peuvent fournir des conseils aux data scientists sur l'inclusion ou non d'une variable (par exemple, si elle est très prédictive, mais qu'elle n'est pas considérée comme éthique). Pour valider le modèle, un data scientist peut créer différents diagnostics, comme un indice de Gini, et les examiner avec un actuaire pour évaluer si le modèle est « bon » ou s'il faut revenir à la phase de création du modèle pour de nouvelles améliorations.

3) Discussions avec les parties prenantes et dépôt

Enfin, il peut être nécessaire de déposer le modèle auprès des organismes de réglementation ou de discuter des résultats avec les souscripteurs. Un actuaire peut aider à orienter ces discussions, car il a des antécédents similaires dans le secteur et peut être plus familier avec les attentes de chaque partie prenante. Un souscripteur peut rechercher l'explicabilité et la logique (par exemple, il est facile d'expliquer et de comprendre pourquoi les jeunes conducteurs ont tendance à recevoir des primes plus élevées), tandis qu'un organisme de réglementation peut vouloir savoir si une variable est équitable pour le consommateur. Les actuaires peuvent être en mesure de formuler ces conversations de manière analytique avec leurs collègues data scientists et de travailler ensemble pour créer l'analyse nécessaire pour aider à répondre à ces questions.

L'avenir de la science actuarielle

Nous espérons que cet article reflète ce que vous voyez dans votre propre travail ou vous a donné une nouvelle perspective sur le travail avec les data scientists. Il existe de nombreuses opportunités pour nous de travailler ensemble et de produire des analyses nouvelles et intéressantes que nous ne pourrions peut-être pas faire seuls. La science des données ne constitue pas une menace pour la science actuarielle, mais plutôt une amélioration.