Dans un cadre assurantiel de la Prévoyance Individuelle, nous allons construire, par des approches Machine Learning deux modèles de prédiction de l'appétence et du risque de mortalité d'une population bancaire, assurée ou non, à l'égard d'un produit de la Prévoyance Individuelle.
On interprétera de manière globale les modèles et leurs résultats afin d'identifier des profils-types de clients bancaires appétents et des clients risqués du point de vue de la mortalité. Une application des méthodes d'interprétation locale de la Valeur de Shapley et LIME sera réalisée pour observer les contributions des variables explicatives à une seule prédiction. En s'appuyant sur l'interprétation faite sur le modèle de prédiction du score d'appétence et sa précision, on retient, parmi les individus non-assurés au produit, une population appétente au produit de la Prévoyance Individuelle de l'étude pour en étudier le comportement de ses contrats lors d'une projection de ces flux de primes pures, sinistres et de son estimation de produit net d'assurance.
On place ensuite l'étude dans le cadre d'un ciblage marketing à budget limité dont l'ensemble de la population appétente retenue précédemment représente un effectif à cibler trop élevé. Des analyses des sensibilités des valeurs actuelles des produits nets d'assurance à des critères de choix de la population serons réalisés afin de pouvoir orienter le ciblage marketing vers le choix d'une sous-population des appétents qui sera la moins onéreuse possible.