Mélanges de GLMs et nombre de composantes : application ... - Scor

Annexe C. Résultats des mélanges de Logit
Figure C.28 – A gauche : taux de rachat global par cohorte. A droite : nouvelles affaires par
trimestre. Produits Pure Savings.
Global surrender rate of each cohort (in %), Pure_savings (All) on 3 months basis
New business historic of Pure_savings products (All) on 3 months basis
0 20 40 60 80 100
new contracts
0 1000 2000 3000 4000 5000
1970 1980 1990 2000 2010
1970 1980 1990 2000 2010
date
C.6.2
Sélection des variables : résultats par CART
Taux d’erreur de classification de l’arbre Les critères de performance de la classification
des comportements de rachat sur les produits Pure Savings (échantillon de validation) sont
quasiment similaires : la spécificité vaut 89.7 % tandis que la sensibilité vaut 88.7 %, pour un
taux d’erreur global de mauvaise classification de 10.8 %. La méthode CART apparaît encore
comme une bonne alternative de modèle de classification, malgré un taux d’erreur en hausse
comparé aux précédentes applications.
Rachats non-observés
Rachat observés
Rachats non-prédits 11046 1411
Rachats prédits 1602 13944
Importance des variables explicatives Au vu de la figure C.29, les variables explicatives
les plus discriminantes sont dans l’ordre décroissant : l’ancienneté de contrat, l’âge au moment
du rachat, la prime d’épargne, l’âge de souscription, la richesse... Pour rester en ligne avec les
hypothèses de modélisation (variables indépendantes en théorie) et les modélisations des autres
produits, nous considérons la saisonnalité, l’ancienneté de contrat et l’âge de souscription
(corrélé à l’âge au moment rachat). Ces trois facteurs explicatifs devraient suffire à effectuer
nos prévisions de taux.
218