Assurance · Zurich · vie et dommages
De la reconstruction des packs actuariels à la revue de ce qui a changé
Les équipes actuarielles passent souvent la première semaine de chaque mois à assembler des packs de revue depuis les sorties de modèles, réconcilier les écarts et préparer les éléments de validation. Cet exemple de workflow représentatif montre comment cet effort peut passer d'un assemblage manuel à une préparation automatisée.
Le problème: assembler au lieu de revoir
Chaque mois, les équipes extrayaient les sorties de 38 modèles, les réconciliaient avec les cycles précédents et assemblaient les packs à la main. L'assemblage consommait la semaine.
Les packs n'étaient jamais le produit. Le jugement actuariel l'était, et il ne recevait que deux jours par mois.
Du problème à la réponse
Voici comment la question de la clôture est traitée de bout en bout en une seule session gouvernée — d'après de réelles conversations clients. Le run nocturne exécute les mêmes étapes selon le calendrier - déterministe, paramètres figés, aucune exécution ne réserve de surprises.
La question
La revue part des connaissances validées — la base de provisionnement, le modèle de triangle et le mémo d'hypothèses.
Ce que l'équipe savait déjàSinistres et primes s'extraient en lecture seule des référentiels gouvernés.
Exécution gouvernéeSELECT c.uw_year,
SUM(p.earned_premium) / 1e6 AS earned_m,
SUM(c.incurred) / SUM(p.earned_premium) AS loss_ratio,
pl.plan_loss_ratio,
pl.plan_loss_ratio
- SUM(c.incurred) / SUM(p.earned_premium) AS margin_pp
FROM claims c
JOIN policies p USING (uw_year)
JOIN plan_ratios pl USING (uw_year)
WHERE c.line = 'motor' AND c.eval_date = '2026-06-30'
GROUP BY c.uw_year, pl.plan_loss_ratio
ORDER BY c.uw_year;| Cohorte | Acquise | Ratio | Plan | Marge (pp) |
|---|---|---|---|---|
| UY 2022 | €412m | 68.1% | 69.0% | +0.9 |
| UY 2023 | €438m | 70.4% | 70.5% | +0.1 |
| UY 2024 | €471m | 74.2% | 73.0% | -1.2 |
| UY 2025 | €502m | 77.9% | 74.5% | -3.4 |
| UY 2026 | €260m | 79.4% | 75.0% | -4.4 |
Évalué au 30 juin 2026 · net de recours et sauvetage
Le développement face aux cohortes antérieures et le split fréquence/sévérité — calculés dans le registre, pas dans un tableur à part.
L'analyseMarge vs plan — décomposition fréquence / sévérité
Points de pourcentage du ratio par année de souscription
Négatif = défavorable au plan. Données de démonstration.
Sévérité des sinistres vs trajectoire d'hypothèse
Coût moyen de réparation, indexé · mémo d'hypothèses AM-2026-03
Données de démonstration.
La dérive arrive comme constat avec ses preuves, signalée pour jugement actuariel — sans changement automatique d'hypothèse.
Le constat — preuves jointesL'inflation de sévérité court à 7,2 % contre l'hypothèse de 4,5 %
La sévérité des coûts de réparation sur les cohortes récentes atteint 7,2 % annualisé contre 4,5 % dans le mémo d'hypothèses AM-2026-03 — au-delà du seuil de revue de +100 pb du mémo. La fréquence reste dans la variation normale. AS 2025 et AS 2026 sont défavorables au plan de 3,4 et 4,4 pp ; signalé au comité de provisionnement, sans changement automatique d'hypothèse.
Le pack de revue se prépare seul, et la réunion commence par les exceptions.
Le livrableLe déploiement: deux centres, un graphe de connaissance
DataQube fonctionne en actif-actif dans les deux centres suisses. Chaque famille de modèles dispose d'un workspace et la mémoire relie modèles, hypothèses, réserves et décisions.
- Reconstruit chaque pack après la clôture mensuelle
- Compare les chiffres au cycle précédent
- Signale les dérives avec provenance: run, mémo et fenêtre de données
- Publie le résumé de ce qui demande une revue humaine
Le résultat: revue, pas assemblage
La réunion de revue commence par les questions intéressantes — pas par l'assemblage du pack.
Voyez vos données répondre aux questions sans quitter votre infrastructure
Trente minutes avec un ingénieur: produit en direct, options de déploiement et réponses aux questions de votre équipe sécurité.