Prévision des pertes

Prévision des pertes qui maintient les niveaux de rétention à jour

La prévision des pertes projette les coûts futurs des réclamations en fonction de l’expérience actuelle en matière de pertes, plutôt que d’hypothèses établies lors de la structuration initiale d’un programme. Elle est conçue pour les organisations dont les niveaux de rétention et de garantie n’ont pas été mis à l’épreuve en fonction de l’évolution de leur risque.

Communiquez avec un conseiller

Pourquoi c’est important

Les niveaux de rétention dérivent discrètement après la première année

Les niveaux de rétention et de garanties fixés au lancement d’un programme sont rarement réévalués; à mesure que l’historique des sinistres évolue, ces niveaux peuvent se désaligner du risque réel. Les niveaux de rétention sont rarement erronés au premier jour; ils le deviennent trois ans plus tard, après qu’aucune révision n’a été effectuée à la lumière des prévisions de sinistres actuelles.

L’approche de HUB

Des prévisions directement liées aux décisions relatives à la rétention et à la garantie

Les prévisions de pertes de HUB projettent le coût futur des réclamations à partir de l’expérience réelle et actuelle d’une organisation en matière de pertes, plutôt que de s’appuyer sur les hypothèses utilisées lorsque les niveaux de rétention et de garantie ont été initialement établis. Ces prévisions sont mises à jour de façon continue et ne sont pas produites une seule fois pour ensuite être traitées comme un point de référence fixe.

Comme les décisions relatives à la rétention et à la garantie dépendent directement d’une prévision exacte, HUB relie ce résultat à ces décisions précises, plutôt que de fournir un rapport autonome déconnecté de l’usage qu’en fait une organisation. Cette démarche est coordonnée au sein de la plateforme élargie de système d’information sur la gestion des risques (RMIS) de HUB, où les données sur les réclamations et les expositions alimentent directement les prévisions, sans qu’un exercice distinct de collecte de données soit nécessaire chaque fois.