Focus sur la rencontre entre la Data et le monde de l’assurance

Par Clément Gommé et Saâd Machraoui.

A quoi sert la data dans l’assurance ?

On le sait, l’essor du Big Data provient essentiellement d’une multiplication des sources de données, qui peuvent aujourd’hui être analysées et utilisées dans de nombreux cas d’application. Ici, on pense notamment aux données de navigation, aux données de géolocalisation, aux données externes disponibles en open data, ou encore à l’ensemble des données comportementales que peuvent aujourd’hui rassembler les objets connectés. Dans le cas plus précis des assurances, on peut aussi penser à la télématique auto, qui permet d’évaluer la conduite des clients et de mieux évaluer les risques liés à certains types de conducteurs.

Habituées depuis longtemps au traitement volumineux de données, les sociétés d’assurance font partie de ces entreprises ayant très bien anticipé la révolution data. Et pour cause : pour développer son activité, une société d’assurance a recours à deux éléments essentiels : elle s’appuie bien entendu sur son réseau de distribution, mais aussi sur une bonne estimation du risque rattaché à la situation particulière de chaque client. Les personnes en charge d’estimer ce risque sont appelées les actuaires. Par exemple, dans le cadre d’une proposition de contrat d’assurance automobile, l’actuaire va tenter d’estimer le risque lié au contrat avant de se prononcer sur un tarif ou sur une possible prime d’assurance : quel est l’âge de la personne, son code postal, son adresse, le nombre de kilomètres qu’elle parcourt chaque l’année pour se rendre au travail, etc. Les actuaires sont habitués à l’analyse des données, qui leur permet de mieux déterminer les risques des clients et ainsi de garantir une meilleure maîtrise des coûts.

Au delà de cette maîtrise des coûts, l’utilisation de la data permet aussi de mieux cerner les différents besoins des clients, pour mieux les adresser. Bien connaître un prospect, ses projets et ses attentes permet par exemple de proposer des contenus promotionnels plus ciblés, d’optimiser le parcours des utilisateurs en visite sur un site web, et enfin de favoriser d’une manière générale la signature de nouveaux contrats.

Quels défis pose la data pour un assureur ?

En ce qui concerne la data, les sociétés d’assurances doivent relever deux défis majeurs : un défi IT et un défi mathématique. Côté informatique, l’enjeu est bien de trouver les moyens techniques de traiter un volume très important de données rigides et dynamiques. Pour les analyser et en tirer de la valeur ajoutée, il est nécessaire d’avoir recours à un data lake et de se tourner vers des technologies Big Data permettant l’exécution de plusieurs algorithmes en parallèle.

Concernant l’enjeu mathématique, les actuaires doivent revoir leurs copies. Auparavant, les actuaires travaillaient avec des données bien identifiées, et les modèles utilisés pour les analyser étaient des modèles de régressions linéaires assez simples, mais ne reflétant pas notre monde non linéaire. Aujourd’hui, il est possible d’améliorer les modèles d’apprentissage statistique en incluant un maximum de variables de sources et de natures différentes.

Quelles données sont utilisées ?

Les entreprises d’assurance ont la chance d’avoir à disposition pléthores d’informations concernant leurs clients :

Les données socio-démographiques permettant d’établir des profils de clients
Les données liées aux sinistres
Les données liées au système de cotations des assurances
Les informations collectées dans le cadre de la gestion de relation client

Ce sont des données que les acteurs externes n’ont pas. Toute la connaissance client permet d’irriguer le modèle économique des entreprises et non uniquement d’un produit.

Marketing digital, comment la data aide les assureurs ?

L’un des domaines d’application très concrets de l’analyse de la data au sein des sociétés d’assurances est celui du marketing digital, où elle représente un atout puissant pour la captation de nouveaux clients à moindre coût.

Pour capter un maximum de clients lorsque ces derniers naviguent sur internet, la première stratégie consiste à faire en sorte d’être présent dans les résultats de recherches sur des requêtes ciblées, comme par exemple « assurance auto Toulouse ». Ensuite à l’aide des cookies, il est possible d’identifier l’utilisateur qui a saisi cette requête.

Il est important de savoir qui est cet internaute pour pouvoir proposer la meilleure personnalisation du site et du parcours afin de maximiser les chances de conversion. Connaître l’utilisateur permet de savoir si c’est un client ou non, s’il a déjà visité le site de la compagnie en cherchant une assurance bien spécifique et permet aussi de déterminer sa loyauté envers l’entreprise. La connaissance de l’internaute est basée sur le Tracking unitaire qui suit un individu sur le net en connaissant les actions entreprises auparavant.

Il existe une autre méthode basée sur l’économétrie dont l’idée est d’abandonner les cookies et le Tracking unitaire et de se concentrer sur la statistique pour répondre à des questions telles que : “Quel est le meilleur média à utiliser pour améliorer la production ?” Exemple de réponse : la recommandation sur Google performe 4 à 5 fois mieux qu’un investissement sur une radio avec un taux de conversion (transformation de prospect en client) bien supérieur.

Toute entreprise se base aujourd’hui sur des données brutes, non interprétées et n’ayant subi aucune transformation, émanant d’une source primaire comme un site web ou un capteur en plus de ses données mises en forme. Les données brutes peuvent être utilisées dans des algorithmes de Machine Learning ou encore des procédures manuelles telles que l’analyse statistique d’une enquête.

Les données brutes contiennent des informations plus ou moins factuelles. Souvent quantitatives, elles sont supposées fiables si :

L’instrument qui les a produites a été convenablement étalonné
Le processus de collecte n’est pas biaisé
Les données sont correctement contextualisées

Cas d’utilisation : A/B Testing

L’A/B testing est une technique de marketing qui consiste à proposer plusieurs variantes d’un même objet qui diffèrent selon un seul critère, afin de déterminer la version qui donne les meilleurs résultats auprès des clients. La société d’assurance teste auprès d’un échantillon de personnes plusieurs versions d’une même page web, ou d’une bannière publicitaire afin de choisir celle qui est la plus efficace et de l’utiliser à large échelle.

Aujourd’hui viennent s’y coupler les nouvelles technologies de la data science afin d’y introduire des algorithmes de machine learning comme du clustering pour identifier les populations se rapprochant le plus de l’audience visée et ainsi optimiser rapidement l’évolution des interfaces d’un site web.

Cas d’utilisation : Utilisation des données pour améliorer le système de lead management

Un lead est un prospect potentiel, un début de piste commerciale. Si cette piste se confirme, elle devient ce qu’on appelle un lead qualifié ; elle est alors transmise aux commerciaux en charge de transformer les prospects en clients. Le lead management est l’ensemble des opérations et des moyens mis en œuvre pour conduire un lead à sa qualification, à travers le lead nurturing, jusqu’au moment où le lead est prêt à être transmis aux commerciaux. Le lead management est une combinaison de systèmes, de processus et de tactiques, dont le maître mot est la rigueur organisationnelle. C’est une discipline du marketing qui fait davantage appel à une certaine maîtrise des processus et des outils qu’à des compétences créatives.

Le principal objectif du lead management est de faire passer 100% des leads générés à travers un tamis de critères déterminant pour le transfert aux équipes commerciales. Cette opération doit être faite le plus rapidement possible et générer un maximum de leads qualifiés, pour donner le plus de matière possible aux équipes en charge de la prospection commerciale, et ainsi maximiser le revenu. Un profil est associé à chaque prospect grâce aux données brutes et aux signaux laissés lors de sa visite. Le but de ce profil est d’envoyer le prospect vers le bon commercial, à savoir la personne qui sera la mieux désignée pour adresser le besoin et maximiser les chances de conversion du prospect en client.

Cas d’utilisation : ciblage des clients grâce aux cookies et utilisation des données pour améliorer la détection des prospects

Les sociétés d’assurances ne se contentent plus de fidéliser leurs clients en leur envoyant des e-mails ou en les contactant via les agents généraux. Elles les touchent aussi par des publicités personnalisées sur internet et mobile. En identifiant des profils « look alike » (c’est à dire des profils d’internautes présentant des habitudes de navigation similaires à celles de clients déjà conquis), les assureurs augmentent leurs chances d’acquérir de nouveaux assurés. Pour éviter d’éventuelles pénuries de cookies, la tendance est de mettre en place des DMP (Data Management Platform) : grâce au DMP, il est possible d’attribuer un cookie au client à chaque fois qu’il s’authentifie sur une application de l’assureur, à chaque ouverture d’e-mail, à chaque consultation du site web, etc. Tout ceci va permettre de proposer du contenu ciblé et personnalisé par une opération appelée « customer-matching ».

Les sociétés d’assurances trouvent un usage au RTB (Real Time Biding, littéralement Enchères en Temps Réel) permettant de cibler spécifiquement les clients par leurs cookies, plutôt que d’arroser les sites des éditeurs au hasard. Le RTB permet de faire des bannières publicitaires un levier de marketing direct en les personnalisant.