Doktorsavhandling--Ekonomisk historia--Uppsala Universitet, 1999. / Bibliogr. p. 241-260.

Texte remanié de: Mémoire d'actuariat--Gestion--Strasbourg--Université Louis-Pasteur, 2003. / La couv. porte en plus : "la réforme du système de solvabilité des assurances européennes" En appendice, choix de documents. Bibliogr. p. 141-142.

Texte remanié de: Thèse--Histoire--Paris 1, 2003. Titre de soutenance : Histoire du groupe Azur : les mutations d'un groupe d'assurances mutuelles, 1819-2000. / En appendice, choix de documents. Bibliogr. p. 597-605.

Texte remanié de: Thèse de doctorat--Droit--Lyon 3, 2004. / En appendice, choix de documents. Bibliogr. p. 668-763. Glossaire. Index.

Thèse de doctorat : Sciences économiques : Université Paris-Dauphine : 2009. / bibliogr.p.453-466.

Thèse (M.Sc.)--Université Laval, 1998. / Bibliogr.: f. [91-94]. Publié aussi en version électronique.

Dans le but d’optimiser sa politique d’investissement, toute compagnie d’assurances aimerait être en mesure de quantifier le retour sur sa stratégie en marketing. Une métrique bien déterminée qui donne une réponse presque directe à cette question est le nombre de nouvelles soumissions d’assurances générées pour chaque dollar investi en publicité dans un certain type de média. Certes les compagnies d’assurances possèdent généralement des données précises sur les soumissions reçues et les dépenses publicitaires hebdomadaires. Cependant, ces données sont de nature observationnelle, ce qui implique la présence d’une forte corrélation qu’on retrouve entre les dépenses publicitaires dans les différents médias avec les cycles du marché. De plus, il y a une forte saisonnalité et plusieurs facteurs confondants sociodémographiques, ce qui rend difficile et complexe l’estimation de l’effet causal des investissements en marketing. Dans ce mémoire, nous présentons des méthodes plus générales d’inférence causale à savoir la méthode du score de propension généralisé (GPS), la méthode des modèles de moyennes conditionnelles séquentielles (SCMMs) et la méthode du score de propension généralisé multivarié (MGPS) afin d’estimer le retour sur investissement d’un média donné tel que mesuré par le nombre de soumissions reçues par la compagnie d’assurances « ASSURE ». / In order to optimize its investment policy, any insurance company would like to be able to quantify the return on its marketing strategy. A well defined measure that gives a direct response to this question is the number of new insurance quotes generated for every dollar invested in advertising in every type of media. Admittedly, insurance companies have accurate data concerning the quotes received and their weekly advertising expenses. However, the data are observational, which implies a potential correlation between the advertising expenses in the different media with the market cycles. Furthermore, there is a strong seasonality and several socio-demographic confounding factors, which adds difficulty and complexity to the estimation of the causal effect of marketing investments. In this thesis, we present some general causal inferencial methodologies such as: the generalised propensity score (GPS) methodoly, the Sequential Conditional Mean Models (SCMMs) methodology and the multivariate GPS (MGPS) methodology in order to estimate the return on investment in a given media measured by the number of quotes received by the insurance company «ASSURE».

Ce mémoire rend compte de l’exploration de deux approches de détection des doublons entre les descriptions d’entreprises d’une base de données interne et celles d’une source externe non structurée en assurance commerciale. Puisqu’il est coûteux et fastidieux pour un assureur de recueillir les informations nécessaires au calcul d’une prime d’assurance, notre motivation est de les aider à minimiser la quantité de ressources nécessaires à leur acquisition en leur permettant d’utiliser des sources de données externes. Dans ce mémoire, nous avons d’abord observé que l’utilisation d’algorithmes de similarité permet de détecter la majorité des doublons entre les sources de données à partir du nom. Nos expérimentations indiquent que lorsqu’on utilise le nom comme source de comparaison entre les entités, une très grande majorité de ces doublons peut être identifiée. Des expérimentations similaires, mais avec l’adresse, nous ont permis d’observer qu’il était aussi possible d’identifier les doublons d’entreprises par cet attribut, mais dans une moins grande proportion. Par la suite, nous avons entraîné des modèles d’apprentissage automatique afin de coupler les entreprises en double par le nom et l’adresse conjointement. C’est avec ces modèles que nous avons observé les meilleurs résultats. Dans une tentative finale d’améliorer davantage nos résultats, nous avons assoupli notre hypothèse initiale, qui impliquait d’utiliser l’entité la plus probable d’être le doublon d’une entreprise, pour utiliser les N entités les plus probables, ce qui a permis de maximiser le rappel à 91,07 %. / This thesis reports the exploration of two approaches to detecting duplicates between the companies descriptions in an internal database and those in an unstructured external source in commercial insurance. Since it is costly and tedious for an insurer to collect the information required to calculate an insurance premium, our motivation is to help them minimize the amount of resources necessary by extracting that information directly from external databases. In this thesis, we first observed that the use of similarity algorithms allows us to detect most of the duplicates between databases using the name. Our experiments indicate that when the name is used as a source of comparison between the entities, a vast majority of these duplicates can be identified. Similar experiments, but using the address this time, allowed us to observe that it was also possible to identify duplicate companies by this feature, but to a lesser extent. Subsequently, we trained machine learning models to match duplicate companies using the name and the address at the same time. It is with these models that we observed the best results. In a final attempt to further improve our results, we used the N most likely entities to be a duplicate of a company, instead of only the first one, thus maximizing the recall to 91.07%.

Diss.--Bielefeld, 2001. / Bibliogr. p. 115-136.

No description available.