Python
Streamlit
Machine Learning
Statsmodels
XGBoost
Scikit-learn
Explorez le Motor Insurance Pricing Dashboard en ligne :
1 Contexte général du projet
La tarification en assurance automobile repose sur une chaîne actuarielle complète : analyse du portefeuille, modélisation fréquence/sévérité, calcul de la prime pure, benchmarking des modèles et pilotage continu de leur performance.
Afin de démontrer cette expertise de bout en bout, j’ai développé Motor Insurance Pricing Dashboard, une application interactive construite avec Streamlit, qui couvre l’intégralité du workflow d’un actuaire pricing — de l’exploration des données jusqu’au pricing commercial en passant par la modélisation GLM et Machine Learning.
L’application s’appuie sur les jeux de données de référence freMTPL2freq et freMTPL2sev (~670 000 polices d’assurance RC automobile française), standards dans la littérature actuarielle et disponibles via OpenML.
2 Objectif du projet
L’objectif est de fournir une plateforme actuarielle complète permettant de :
- Analyser le portefeuille : distribution de l’exposition, fréquence de sinistralité, segmentation par variables de risque (âge conducteur, puissance véhicule, bonus-malus, zone géographique)
- Modéliser la fréquence et la sévérité via des GLM (Poisson + Gamma) avec analyse des relativités et diagnostics statistiques complets
- Calculer la prime pure par décomposition Fréquence × Sévérité, avec analyse des risques extrêmes (VaR, TVaR)
- Benchmarker GLM vs XGBoost avec courbes de lift, double lift et interprétabilité SHAP
- Piloter les modèles en production via des indicateurs A/E, PSI et analyse des résidus
- Simuler le pricing commercial : waterfall tarifaire, élasticité-prix, positionnement concurrentiel
3 Méthodologie et technologies
L’application repose sur un pipeline actuariel complet, de l’ingestion des données au monitoring en production.
Les principales technologies utilisées :
- Python 3.11
- Streamlit pour l’interface interactive et le déploiement cloud
- Statsmodels pour les GLM (Poisson fréquence + Gamma sévérité, méthode IRLS)
- XGBoost pour le benchmarking ML (objectif Poisson, 300 estimateurs)
- SHAP pour l’interprétabilité des modèles (TreeExplainer)
- Plotly pour les visualisations interactives (heatmaps, waterfalls, lift curves)
- Pandas / NumPy / SciPy pour la préparation des données et les tests statistiques
- Scikit-learn pour le train/test split stratifié et les métriques d’évaluation
4 Fonctionnalités principales
- 📊 Analyse du portefeuille : KPI, distribution de l’exposition, fréquence par segment, heatmap de risque (âge conducteur × bonus-malus), courbes de tendance sinistralité
- 🎯 Modélisation GLM : relativités fréquence et sévérité (exp(β)), diagnostics statistiques (pseudo R², AIC, BIC, surdispersion, test de Dean), simulateur de prime interactif, génération de tables tarifaires exportables
- 💰 Prime pure : décomposition Fréquence × Sévérité par segment, heatmap de prime pure, distribution de sévérité avec mesures de risque extrême (VaR 95%/99%, TVaR), analyse des percentiles
- 🤖 GLM vs XGBoost : comparaison Gini/RMSE, lift curves, double lift, importance SHAP des variables, analyse de dépendance
- 📈 Monitoring : ratio A/E mensuel, PSI (Population Stability Index), analyse des résidus, suivi par segment
- 💼 Pricing commercial : waterfall tarifaire complet (risk premium → frais → commission → marge → réassurance → taxes), simulation d’élasticité-prix, benchmark concurrentiel, qualité des données, recommandations stratégiques
5 Détail des onglets
| Onglet | Description |
|---|---|
| 📊 Portfolio Overview | KPI portefeuille, segmentation risque, heatmap fréquence, tendances sinistralité (courbe de trend avec pente), distribution bonus-malus |
| 🎯 GLM Pricing Model | Relativités GLM fréquence + sévérité, simulateur de prime, diagnostics statistiques, résidus, tables tarifaires avec chargements |
| 💰 Pure Premium | Décomposition Freq × Sev, heatmap prime pure, distribution sévérité, VaR/TVaR, comparaison modèle vs réel |
| 🤖 GLM vs XGBoost | Gini, RMSE, lift curves, double lift, SHAP (feature importance + dependence plots), tableau comparatif |
| 📈 Model Monitoring | A/E mensuel, PSI drift, résidus, monitoring par segment, recommandations |
| 💼 Commercial Pricing | Waterfall tarifaire, élasticité-prix, optimisation par segment, positionnement concurrentiel, qualité données |
6 Résultats et valeur ajoutée
Cette application permet de :
- Disposer d’une vision complète du portefeuille avec segmentation multi-critères et suivi de tendance
- Produire des relativités tarifaires interprétables et auditables (conformité réglementaire Solvabilité II)
- Simuler l’impact d’un changement de profil de risque sur la prime en temps réel
- Quantifier le risque extrême via VaR et TVaR pour les décisions de réassurance
- Comparer objectivement l’approche actuarielle classique (GLM) avec le Machine Learning (XGBoost)
- Construire un tarif commercial intégrant frais, marge, réassurance et fiscalité
- Optimiser le positionnement prix grâce à la modélisation d’élasticité par segment
- Détecter la dérive des modèles via PSI et ratios A/E pour maintenir l’adéquation tarifaire
En combinant rigueur actuarielle, Machine Learning et interface interactive, ce dashboard illustre le workflow complet d’un actuaire pricing en assurance automobile.
7 Outil technique
- Développé entièrement en Python 3.11
- Interface construite avec Streamlit (layout wide, caching optimisé)
- Modèles : Poisson GLM (fréquence) + Gamma GLM (sévérité) + XGBoost (benchmark)
- Données : freMTPL2freq + freMTPL2sev (~670 000 polices, OpenML)
- Compatible avec Streamlit Cloud pour un déploiement en ligne