Big data is a common word and concept with major business and operational impacts for companies. Specifically insurance companies will have to face a significant shift in their activities to cope with this new paradigm. More than a concept, actions and operational changes are required now.
1. Les opportunités du Big Data dans l’assurance
Avril 2015
Yanniv Betito, Directeur Customer Experience
ybetito@chappuishalder.com
2. 2
Agenda
1. Qui sommes-nous ?
2. Enjeux du Big data dans l’Assurance
3. Opportunités du Big data dans l’Assurance
4. Quels sont les initiatives du marché aujourd’hui ?
5. Contraintes liées au Big data
6. Perspectives de développement
3. Chappuis Halder & Cie est une firme de conseil avec une présence mondiale…
3
London
Hong Kong
Singapore
CH&Cie office
Geneva
New York
Montreal Paris
Notre firme de conseil en stratégie et management est organisée en trois zones géographiques
avec des bureaux régionaux et des équipes présentes au quotidien chez nos clients.
Nos activités sont dédiées aux services financiers
et se répartissent de manière égale entre ces trois géographies
Niort
4. …avec des références auprès de plus de 35 compagnies d’assurance en Europe et
dans le Monde.
4
Montréal :
Genève :
Londres :
Niort :
New York :
Paris :
Singapour :
Hong Kong :
5. 5
Agenda
1. Qui sommes-nous ?
2. Enjeux du Big data dans l’Assurance
3. Opportunités du Big data dans l’Assurance
4. Quels sont les initiatives du marché aujourd’hui ?
5. Contraintes liées au Big data
6. Perspectives de développement
6. 6
Nous produisons chaque jour un nombre croissant de « traces » numériques matérialisées sous
forme de données
7. 7
Le temps de lire ce slide, des centaines de millions d’échanges numériques auront transités sur les
réseaux
8. 8
Le « Big Data » est le terme générique qui désigne les caractéristiques des données échangées
La fréquence à laquelle les
données sont générées,
capturées et partagées
Des flux croissants de
données doivent être
analysés en temps réel pour
répondre aux besoins des
processus chrono-sensibles
Données internes à l’entreprise
(small data) que l’assurer a à sa
disposition grâce à ses propres
outils de collecte de données
Données complexes provenant du
web au format texte (Text Mining)
et images (Image Mining).
Le volume des données stockées
aujourd’hui est en pleine
expansion. L
Les données numériques créées
dans le monde passent
de 1,2 zettaoctets* par an en
2010 à 40 zettaoctets en 2020
* Zettaoctets : 1021
BIG
DATA
9. 9
L’exploitation de ce déluge de données devient un des principaux défis de notre ère numérique
10. 10
« Les données sont le
pétrole du XXIeme
siècle »
Stefan Gross-Selbeck,
patron de Xing (réseau
social professionnel)
L’exploitation des données est un atout compétitif majeur pour l’ensemble des entreprises
11. 11
Les GAFA sont les principaux « raffineurs » des données produites et représentent de fait des
compétiteurs redoutables dans bon nombre d’industries et de services
12. 12
Les assureurs, ayant construit leur cœur d’expertise sur la quantification de l’aléa, sont en premier
lieu concernés par le Big Data pour mieux connaître le risque et mieux protéger la population
13. 13
Les premières percées des « GAFA » dans l’assurance sont déjà perceptibles sur le marché au
travers la collecte des données de « bien être », un des principaux déterminants de la santé
« Moves » est une application
populaire pour mesurer l’activité
physique
L’application rassemble toutes les
données relatives aux endroits que
vous visitez, comment vous y allez,
en combien de temps et à quelle
fréquence
Ces informations deviennent très
précieuses une fois transférées sur
Facebook et dans ses algorithmes
publicitaires dont le but est de cibler
un public particulier
Moves
Avril 2014Début
L’application permet de mesurer
l’ensemble de nos activités
physiques comme la distance
effectuée en vélo ou en courant…
Avec Google Fit, il est possible de
programmer ses propres objectifs
quotidiens, hebdomadaires, ou
mensuels
Google Fit délivre des conseils
personnalisés selon la performance
et les succès dans le programme
choisi
Google Fit
Octobre 2014Début
Le principe de l’application est
simple : rassembler les données
collectées par les objets connectés
dans une application unique
La santé suscite déjà plusieurs
questions à propos des données.
Après avoir enregistré nos
informations personnelles, comptes
bancaires et nos empreintes
digitales, Apple veut désormais
avoir accès à nos données
médicales, qui sont des
informations sensibles
Healthkit
Eté 2014Début
14. 14
Google va lancer une assurance auto aux Etats-Unis et a déjà un accord pour distribuer ses
produits dans 26 Etats pour le compte de six assureurs
Xxxx
• Xxx
Janvier 2015
Grande
consommation
Assurance
e-commerce
Axa en tant que fournisseur B2B : La compétition dans le
secteur de l’assurance pourrait rapidement s’intensifier étant
donné que els consommateurs s’ouvrent à l’achat de produits
d’assurance, non seulement auprès des acteurs traditionnels, mais
également auprès des géants de l’internet. Axa pourrait anticiper
dans le réseau B2B pour faire des GAFA ses distributeurs
privilégiés
Différenciation : Sur une plateforme agrégée, Axa pourrait
présenter comment différencier ses produits et services de ceux de
ses concurrents, sur des paramètres autres que le prix
S’associer ou se concurrencer : Google représente un
concurrent de taille pour les autres acteurs de l’assurance, et Axa
devrait pouvoir se préparer soit à s’associer, soit à concourir avec
eux
Description
Début
Cible
Domaine
Eléments clés
Illustration
Concept:
- Google construit activement son accès aux assureurs, directement
ou via des partenariats. L’accord avec CompareNow donne à
Google accès à presque 30 assureurs, incluant plusieurs des plus
gros acteurs de Californie et du Texas – les plus gros marchés
d’assurance auto du pays
- Google fournit déjà des produits d’assurance auto et de voyage au
R-U ainsi que des produits d’assurance cartes de crédit
Avantages pour le consommateur:
- L’utilisateur a accès à une plateforme pour choisir parmi tous les
assureurs partenaires
Utilisation
- Pour Google UK Car Insurance Comparator, aller sur le site web,
rentrer les données de la voiture, de la couverture et du
conducteur
- Suivi par une présentation des différents offres par les différents
partenaires
- L’utilisateur choisit l’assureur préféré selon l’offre présentée et
paye en ligne
15. 15
Agenda
1. Qui sommes-nous ?
2. Enjeux du Big data dans l’Assurance
3. Opportunités du Big data dans l’Assurance
4. Quels sont les initiatives du marché aujourd’hui ?
5. Contraintes liées au Big data
6. Perspectives de développement
16. 16
A quoi sert le « Big data » pour un assureur ?
OPTIMISER LE
CORE
BUSINESS
DEVELOPPER
LE MORE
BUSINESS
Améliorer les offres actuelles, adresser de nouveaux
segments clients
Améliorer la relation client notamment par une meilleure
connaissance de leurs comportements
Améliorer la gestion du risque (diminuer le coût du risque)
Améliorer l’efficacité des processus : exemple récupérer
des données personnelles dans la souscription
Utilisation des sources de données pour la valorisation et
en tirer des enjeux business
( Ex: Exemple du lay out Carrefour )
17. 17
A quoi sert le « Big data » ?
Core business
Enjeux Description Exemples
Mieux comprendre les
besoins du client
Tirer profit des données et adapter les offres aux
usages grâce aux différents canaux de communication
permet aux services marketing, de relation et de rétention
client de cibler efficacement les besoins et les attentes de
ses clients / prospects
Mieux pricer le risque
(et rendre le process
plus efficace)
Grâce au Big data, les assureurs sont en mesure de mieux
anticiper le risque individuel et donc d’affiner le calcul de la
prime d’assurance
Progressive , assurance US, se sert du big data,
grâce aux objets connectés pour affiner son pricing
du risque et proposer à ses clients (ou prospects) de
payer des primes d’assurance selon leur
comportements au volant (Pay-As-You-Drive)
Lutter contre la fraude
et détecter les risques
Le Big data est utile quand il s’agit de détecter et prévenir
la fraude (2 Mard € en France). Une stratégie d'analyse de
données bien conçue peut renforcer les contrôles internes
de l'entreprise
De nombreuses start-ups se positionnent sur ce
créneau et proposent des outils SAAS pour croiser
des données exogènes et modéliser des scores de
fraude (ex : Shift Technology, levée de 1,4 M€ fin
2014)
Réduire les coûts
Les assureurs peuvent optimiser certains process clés
couteux via l’usage de données qualifiées :
- Améliorer le ciblage commercial
- Simplifier le process de souscription
COVEA a signé un partenariat avec Leboncoin pour
récupérer les données des internautes présentant
les caractéristiques de leurs prospects (voiture
appartement à vendre)
AXA a signé un partenariat avec Facebook pour
utiliser les données de ciblage de prospects
Assurski propose une offre d’assurance
situationnelle souscriptible sur le mobile
BlaBlaCar, le service de covoiturage,
travaille à la fidélisation de ses clients et à
l’efficacité de ses campagnes marketing
grâce au Big Data
18. 18
A quoi sert le « Big data » ?
More business
Enjeux Description Exemples
Revendre les données de
masses en B2B
Les habitudes de consommation
peuvent être analysées et revendus
en masse (anonymisées) à des
acteurs tiers
revend aux fabricants de produits les données d’achat
de ses consommateurs utilisant les tickets de caisse croisés
avec les programmes de fid
expérimente la monétisation des données associées
aux dépenses sur le compte bancaire
s’associe à des banques, (exemple Bank Of America)
pour commercialiser des coupons de réduction selon les achats
effectués par le client, coupons directement imprimés sur les
relevés bancaires
a acquis Truaxis, une start up qui, grâce à une
analyse poussée des relevés de dépenses (y compris les
achats et factures récurrents), propose aux porteurs de cartes
bancaires des coupons et promotions, ciblés précisément en
fonction de leur profil de consommation
* Les données de masses ne visent pas un individu d’une
manière personnalisée.
Créer de nouveaux modèles
d’affaires
De nouveaux modèles économiques
pourraient être imaginés à partir des
données collectées par exemple
dans le cadre des offres de
prévention proposées par les
assureurs
: commercialisation d’objets connectés santé, domotique ,
etc
Ex Vigisanté (Malakoff Médéric) : plateformes payantes de
prévention (ex : coaching nutrition, sportif, tabac, etc)
19. 19
Plus précisément, de nombreuses applications du Big Data sont possibles sur chaque process clé de
l’assurance
Les Produits Marketing et
Ventes
Gestion des
contrats
Gestion
sinistres
Gestion des
actifs
Nouveaux
marchés
Nouveaux
produits
Connaissance
des risques et
meilleure
tarification
Segmentation
plus fine
Optimisation des
produits
Gestion de ma
performance
Nouveaux
clients
Vente multi-
canal
Détection
résiliation
Optimisation et
ciblage des
campagnes
commerciales
« just in time »
Gestion des
paiements
Tarification
temps réel
Optimisation de
la gestion des
réseaux de
prestataires
Détection des
fraudes
Prévention et
mitigation des
risques
Stratégie de
placement
Gestion de
portefeuilles
Gestion des
actifs et passifs
Modélisation des
risques
Cartographie des impacts Big Data sur les processus d’assurance
20. 20
Exemple de mission menée pour un assureur (première utilisation de données) : analyse du cas
pratique de l’attrition à partir des données d’usage
20
Portefeuille
des résiliés
Historique
75 000
Ce projet a permis à partir de l’analyse des bases de
données clients d’identifier des règles qui expliquent
55% de l’attrition
Base de données
clients
1 000 000
Projette les
règles
identifiées sur
la base clients
Identification
de 8 Profils
« Types »
Ex: Client sur
véhicule X à Y ayant
eu une dégradation
du bonus Auto et un
renouvellement
récent
Délégations
Les délégations
appellent leurs
clients qui
correspondent aux 8
profils identifiés
Ou se rendent à leur
domicile lorsqu’il y a
un gros contrat
d’assurance vie lié
Portefeuille
Délégation Revue de
portefeuille 90
jours avant les
termes
EXEMPLE 1 :
Les clients du segment 1 ayant eu une dégradation
de leur bonus Auto et une ancienneté de 2 ans sont
3 fois plus susceptibles de partir.
EXEMPLE 2 :
Les clients du segment 4 qui ont récemment
souscrit un contrat « bas de gamme » sont 2,9 fois
plus susceptibles de partir.
21. 21
Cas pratique sur l’utilisation du Big data dans la lutte contre la fraude
IBM a signé un accord d’une durée de 7 ans avec PRO BTP,
l’un des principaux organismes de protection sociale en
France, dont l’objet est le développement et la mise en place
d’une plateforme unique de lutte contre la fraude à
l’assurance des soins de santé.
Suite au développement de la dématérialisation des
échanges entre autres, les possibilités d’abus ou de fraude
ont augmenté.
Dans ce contexte, la plateforme SOLON permettra à
l’assureur d’identifier les dysfonctionnements, au moment du
paiement, dans les remboursements des soins de santé
optique et dentaire.
Construite sur les logiciels et services d’IBM de lutte contre la
fraude, la plateforme « Solution as a Service (SLaaS) »
SOLON permet d’identifier les demandes de
remboursements ou de prises en charge suspicieuses, de
qualifier celles-ci en temps réel et de définir leurs modalités
de traitement.
La solution SOLON sera étendue à d’autres domaines de la
santé (audio-prothèses, hospitalisation, pharmacie…), puis à
la prévoyance (indemnités journalières).
Objective 2015
Assureurs
Lutte fraude
DescriptionLancement
Cible
Area
22. 22
Agenda
1. Qui sommes-nous ?
2. Enjeux du Big data dans l’Assurance
3. Opportunités du Big data dans l’Assurance
4. Quels sont les initiatives du marché aujourd’hui ?
5. Contraintes liées au Big data
6. Perspectives de développement
23. 23
Quelles sont les initiatives clés du marché aujourd’hui ?
Big Data et
évolutions de
l’assurance
Pay as you behave
1
Assurance situationnelle
2
Peer-to-peer comparison
3
Partage de données ouvertes
4
« Parametric
insurance »
24. 24
- Les jeunes conducteurs peuvent choisir une police de
6000, 8000 ou 10 000 Miles. La banque installe un boîtier
intelligent dans les voitures des utilisateurs, qui envoie des
informations sur leur comportement au volant.
- Permet à Tesco Bank de récompenser les jeunes
conducteurs qui sont prudents avec des miles Bonus
supplémentaires chaque mois
- Chaque nouvel assuré reçoit 50 points et peut gagner
jusqu'à 100 Miles de bonus mensuel selon son
comportement au volant. Si les utilisateurs ont toujours des
bonus non utilisés à la fin du contrat, ils seront transférés
au nouveau contrat.
- “Box insurance” ne se contente pas de surveiller la manière
dont les jeunes conducteurs conduisent, il avertit
également Tesco si un choc violent survient, permettant à
la banque de fournir une assistance routière aux assurés,
aussi à pouvoir suivre les voitures en cas de cambriolage.
Description
TESCO a mis en place un boîtier permettant d’adapter son offre au
comportement du consommateur
Avantages permis grâce au “Big Data”
- Offre d’un nouveau type de contrats
- Atteinte d’un nouveau segment de clients (jeunes 18 –
25)
Illustration
Eléments clés
- Utilisation des données de conduite (données internes)
pour affiner une offre d’assurance déjà existante
- Les données peuvent être fusionnées avec des données
externes pour atteindre des objectifs « more business »
25. 25
- Oscar a lancé une nouvelle initiative qui fournira à chaque
membre un bracelet fitness gratuit Misfit
- Les membres qui atteindront des objectifs prédéfinis peuvent
gagner jusqu’à 240$ en une année sous forme de cartes
cadeaux Amazon. Ce n’est qu’un programme cadeau qui
n’entraine pas de réduction du prix
- Oscar vise à promouvoir le fitness dans le traitement ou la
prévention d’une variété de maladie de la vie quotidienne
- Les fondateurs créent actuellement un jeu de loterie en ligne, où
les membres pourront former des équipes et gagner plus
d’argent, en atteignant des objectifs prédéfinis à travers certains
terminaux comme le tracker Misfit
- L’algorithme Oscar calcule la distance que doit parcourir
quotidiennement l’utilisateur en fonction de ses données
personnelles
Description
Oscar cherche à développer l’assurance santé grâce à un service complet de
soins connectés
Avantages permis grâce au “Big Data”
- Oscar bénéficie des consommateurs soucieux de leur santé qui
présentent un profil de risques faible comparativement aux
autres assureurs qui attirent des utilisateurs à profil de risques
plus élevé
Illustration
Eléments clés
- Oscar est un bon exemple d’une assurance-santé orientée
utilisateur et usage
- C’est également un bon filtre qui permet à l’assureur
d’identifier et d’acquérir les bons clients (soucieux de leur
santé), et de laisser les clients ayant un profil de risques plus
élevé à leurs concurrents
26. 26
- Tokio Marine s’est associé avec l’opérateur mobile Docomo
afin de fournir une série de produits d’assurance pouvant
être achetés directement selon la position de l’utilisateur
(géolocalisation) et payés à travers une application auprès
de Telco Mobile
- Trois produits on été lancés :
• « One Time Insurance (Avril 2010) » qui couvre les
clients lors de leurs pratiques sportives ou durant leurs
voyages (basé sur une alerte géolocalisation)
• « Daily medical Insurance (Juillet 2011) », basé sur un
système de points, selon l’exercice et le régime
quotidien des assurés
• « One day auto insurance (Octobre 2011) »,
assurance journalière à destination des conducteurs
occasionnels
Description
Tokio marine et Docomo ont créé un partenariat pour développer des
produits d’assurance situationnelle à travers une application mobile
Avantages permis grâce au “Big Data”
- L’accès au produit est réalisé à travers une application
mobile
- Produits sur mesure basés sur un système d’alerte
géolocalisation mobile
Illustration
Eléments clés
- Alliance commerciale entre un assureur et un opérateur
mobile permettant de développer une assurance
journalière et une nouvelle façon de collecter des
premiums.
- Personnalisation des produits grâce à la géolocalisation
permettant d’agir de façon proactive dans l’assurance
situationnelle
27. 27
- Le profil type de l’utilisateur est généré par GEICO selon
les informations suivantes :
• Le site identifie les récents clients GEICO (durant
le mois précédent) selon le même code postal que
le nouvel utilisateur
• GEICO présente alors un résumé des produits
d’assurances auxquels les utilisateurs ayant un
profil similaire ont souscrit
• Pour l’assurance auto, basée sur l’âge du
véhicule, GEICO montre le type de couverture que
les pour les véhicules similaires
- Les agents d’assurance GEICO ont leur propre profil
individuel détaillé et sont facilement joignables par
géolocalisation
Description
Geico offre une analyse comparative entre utilisateurs ayant des
profils similaires
Avantages permis grâce au “Big Data”
- Très forte interaction avec les clients et très forte
visibilité sur les réseaux sociaux
- Lily, assistant vocal intégré à l’application mobile
permettant à l’utilisateur d’interagir et de gérer son
compte en permanence
Illustration
Eléments clés
- GEICO met en place un questionnaire interactif en ligne
afin de déterminer une assurance personnalisée pour
ses utilisateurs
- Possibilité de souscrire à un package prédéfini suivant
des profils comparables et d’en modififier de façon
flexible les différents aspects selon préférences
28. 28
Iodine propose de partager les données de santé pour améliorer l’efficacité des
traitements médicaux
Amélioration de l’activité avec le “Big Data”
Le ++ grâce au “Big Data”
Iodine provides consumers with information about different over-the-
counter and prescription drugs to make healthcare decisions easier
Iodine is a free website that provides information about thousands of
drugs, their side effects, warnings, cost, and how other people feel
about the drug, such as whether it's worth it, or if it's a hassle. One
can target survey results for age groups and gender
Iodine uses Google Consumer Surveys, clinical research,
pharmacist surveys, adverse event reports made to the Food and
Drug Administration (FDA) and the National Average Drug
Acquisition Cost (NADAC)
How to use
Iodine is available free to consumers at www.iodine.com on web and
mobile. Individuals can search database of more than 1,100 drugs,
engage with data-visualization tools, and get answers to questions
that people have about their drugs
Users can search a specific drug and see how people generally feel
about its efficacy, about the side effects from actual users, tradeoffs,
comments from users, warnings, costs, and a readable versions of
the drug’s package insert
Iodine is developing the largest survey of USA’s drug use and
experiences which could help consumers and impact health policies
Pharmaceutical companies and doctors can also use this feedback
to enhance the quality of their medication and prescriptions,
respectively
A platform such as iodine.com help
customers so they can better understand
their medications, and take them responsibly.
Real life experiences along with data of
100,000s of individuals regarding many
medicines, including prescription and over-
the-counter products can provide significant
insights on medications
Health 2.0 Fall Conference 2014: A
Chat with Thomas Goetz CEO Iodine
NY Times discusses the health start-up
Iodine
Please click on the hand to access the link
Please click on the hand to access the link
29. 29
Agenda
1. Qui sommes-nous ?
2. Enjeux du Big data dans l’Assurance
3. Opportunités du Big data dans l’Assurance
4. Quels sont les initiatives du marché aujourd’hui ?
5. Contraintes liées au Big data
6. Perspectives de développement
30. 30
Les principaux enjeux opérationnels liés à la mise en œuvre du Big data dans
l’assurance
Big Data et
évolutions de
l’assurance
Evolution du cadre technique
1
Evolution du cadre
réglementaire
3
Evolution de l’organisation et
des process
2
Refonte des modèles de pricing
du risque
4
31. 31
L’utilisation des
données client
nécessite une nouvelle
approche réglementaire
et une plus grande
transparence sur
l’utilisation des
données du client
La collecte de données et son utilisation
par les organisations nécessitent une
information constante des clients sur
l’utilisation faite de leurs données
Le stockage de données personnelles
nécessite un travail de protection de
l’entreprise vis à vis des démarches
juridiques que pourraient engager des
clients en cas de fuites des informations
personnelles
Former les juristes aux nouvelles
utilisations des données clients
Intégrer les juristes en amont des
projets et les intégrer en méthode agile
Formaliser les nouveaux contrats
Accompagner des organes statiques
vers un fonctionnement en sprint
Le traitement de l’information passe par
la création d’outil capable de centraliser,
d’analyser et de restituer des
informations à valeurs ajoutées
Les systèmes d’informations sont des
architectures complexes, centralisant
beaucoup de fonctions, connaissant des
mises à jour et améliorations constantes
Créer un outil centralisant l’information et
délivrant des données à valeur ajoutées
Eviter une rupture dans l’exploitation du
système existant
Conduire le changement afin que les
utilisateurs apprivoisent le nouvel outil
La collecte d’informations variées
nécessite une implantation transversale
au sein des organisations
Un pouvoir décisionnel rapide doit
permettre d’expérimenter rapidement les
comportements constatés
Créer une organisation transversale
avec un pouvoir décisionnel – Chief
Data Officer
Analyser les comportements et usages
des utilisateurs via un laboratoire des
usage
Expérimenter les propositions du
laboratoire via une cellule de test en
méthode agile
Enjeux pour les assureursContexteMutations Difficulté
Le traitement du « Big
data » nécessite une
organisation
transversale avec un
organe décisionnel
Les solutions
techniques sont au
cœur de la création de
valeur dans l’utilisation
de données à grande
échelle
L’optimisation du traitement du « Big data » dans les organisations nécessitent de profondes
mutations techniques, organisationnelles et juridiques
1
2
3
32. 32
Les principaux enjeux opérationnels liés à la mise en œuvre du Big data dans
l’assurance
Big Data et
évolutions de
l’assurance
Evolution du cadre technique
1
Evolution du cadre
réglementaire
3
Evolution de l’organisation et
des process
2
Refonte des modèles de pricing
du risque
4
33. 33
Freins techniques à la mise en place du Big Data
Data
Analysis &
Visualization
Data
Analysis &
Visualization
VolumeVolume
VélocitéVélocitéVariétéVariété
Traitement de l’informationCollecte des données
Volume en plein expansion
2,8 zettaoctets en 2012
et s'élèveront à
40 zettaoctets en 2020
(monde)
Variété:
Données brutes
Semi-structurées voire
non structurée
Vélocité
analysés en temps réel
(Data Stream Mining)
Data storage
Data centers
Cloud
DFS - Distributed files
system (partage de
fichier entre ordinateur)
Traitement en temps réel
Super calculateur
Plateforme développé
dans les médias a des
fins publicitaires
Modélisation
Stockage limité en interne par mesure de sécurité.
Pas d’accès au cloud
Difficulté de stocker et de traiter les données collectés par la mise en place des capteurs et objets connectés
L’usage de données croisées et exogènes nécessite de repenser l’utilisation des algorithmes.
Les outils utilisés à l’heure actuelle ne sont pas en adéquation avec les volumes de données engendrés dans
l’exploration du big data
De nouveaux outils d’analyse et de réprésentation doivent faire leur apparition (data visualisation)
Pour les
assureurs
34. 34
Les enjeux techniques du big data dans l’assurance passent par une meilleure
intégration des modèles statistiques et prédictifs
INTEGRATED
• Increased computing power
• Centralised, unlimited data storage capacity
• Self detection, auto upgrading & efficient models
DYNAMIC
• Largely improved data storage capacity
• Homogenisation of modelling practices
• business incentives for Data modelling technique development
• Aggregation of data sources (Finance, Risk, Marketing, sales…)
STATIC
• Limited data storage
• Unproved data quality
• Limited computing power
• Increase in volumes
• R&D development
3
4
5
6
2
1
0
Data collection
• Dataware house
• IT implementation & Infrastructure
Data Storage
• Historical data
Data cleaning
• Data quality management
• Data transformation
Data Statistical description
• Mean, Median, standard deviation
• Histogram…| VaR 95,99%
Data analysis
• Clustering & segmentation
• Automatic classification | Factorial analysis
“X factor” Mining
• Web mining (behavior…)
• Image mining (face recognition) |
Text mining
Data Mining & Big Data
• Prediction
• Ranking / discrimination
• Anticipation & simulation
Today’s average position
Past
Future
Present
7
Artificial
Intelligence
• Self-Learning models (auto
efficient)
• Multi crossing data set
35. 35
Les principaux enjeux opérationnels liés à la mise en œuvre du Big data dans
l’assurance
Big Data et
évolutions de
l’assurance
Evolution du cadre technique
1
Evolution du cadre
réglementaire
3
Evolution de l’organisation et
des process
2
Refonte des modèles de pricing
du risque
4
36. 36
Le Big data passe par le mise en place d’une organisation transversale avec un organe
décisionnel
JURIDIQUE RESEAU VITRINE
Chief Data Officer
Analyse des données
Cellule de tests à des
fins d’expérimentations
Gouvernance
Processusdécisionnel
37. 37
La transformation organisationnelle se fait par l’ajout de 2 nouvelles fonctions: Un Chief Data Officer
et des Data Scientist
Laboratoire
Analyse
des
données
Chief Data
Officer
Développe des outils opérationnels
Expérimente les propositions du
laboratoire via une cellule de test en
méthode agile
Questionne les processus existants
Développe de nouvelles applications aux
parcours client
S’assure que les informations recueillies en
interne comme en externe sont fiables,
cohérentes entre elles.
Facilite l’accès aux données et repérer les
plus importantes à extraire pour des prises
de décisions optimales de son entreprise.
Comprend de façon transversale son
entreprise et ses métier,
Coordonne les analyses des données et
l’expérimentation via la cellule de tests
Exploite les données interne et externe de
l’entreprise
Comprend les problématique de l’entreprise
et y associe les bonnes données
Analyse les comportements et usages des
utilisateurs
DifficultéRôle
Positionnement difficile dans
les organisations existantes
Nouvelle fonction
Peu d’expérience dans le
domaine
Une connaissance de
approfondie des
mathématiques et
statistiques
Une forte connaissance des
enjeux business
Compétences / Responsabilité
Connaissances statistiques
Management et communication
Vision business avec une connaissance
métiers
Vision technique
Créativité
Responsable de la qualité et de la
cohérence des données.
Prise de décisions
Expertise statistique et quantitative
Gestion de projet
Vision business avec une connaissance
métiers
Vision technique
Datascientist
38. 38
Une base de données
clients unique, fiable,
partagée à travers l’
organisation
Une base de données
clients unique, fiable,
partagée à travers l’
organisation
Comprendre les données et
les explorer efficacement
Comprendre les données et
les explorer efficacement
Choisir une technologie et
architecture convenable
Choisir une technologie et
architecture convenable
Ne pas rester coincé dans
« Analysis Paralysis »
Ne pas rester coincé dans
« Analysis Paralysis »
Flexibilité pour le changement
culturel
Flexibilité pour le changement
culturel
L’organisation
“Big Data”
Une adaptation est nécessaire pour mettre en place une organisation « Big Data »
39. 39
De nombreux process sont à repenser en se posant la question des usages possibles du
Big Data
Les Produits Marketing et
Ventes
Gestion des
contrats
Gestion
sinistres
Gestion des
actifs
Nouveaux
marchés
Nouveaux
produits
Connaissance
des risques et
meilleure
tarification
Segmentation
plus fine
Optimisation des
produits
Gestion de ma
performance
Nouveaux
clients
Vente multi-
canal
Détection
résiliation
Optimisation et
ciblage des
campagnes
commerciales
« just in time »
Gestion des
paiements
Tarification
temps réel
Optimisation de
la gestion des
réseaux de
prestataires
Détection des
fraudes
Prévention et
mitigation des
risques
Stratégie de
placement
Gestion de
portefeuilles
Gestion des
actifs et passifs
Modélisation des
risques
Cartographie des impacts Big Data sur les processus d’assurance
40. 40
… vers une analyse transversale où l’on est
capable d’identifier et d’appréhender de façon
globale tous les risques à la fois
Illustration sur les process d’évaluation des risques : le big data permet une
visualisation transversale des risques d’origine multiple
40
D’une analyse compartimentée où
chaque famille de risques est analysée
séparément et indépendamment …
Risque de
marché
Risque
opérationnel
Risque de
Produit
Analyse
Analyse
Risque de Produit
Risque de marché
Risque opérationnel
Risque Actifs Passifs
Risque Actifs Passifs /
liquidité
Avec l’exploitation de toutes les dimensions du Big
Data et ses dérivés (utilisation du « data
visualization » pour les reporting par exemple)
INFORMATION SEGMENTEE INFORMATION PARTAGEE &
COMPLETE
TRANSMISSION INTELLIGENTE DE
L’INFORMATION
41. 41
Les principaux enjeux opérationnels liés à la mise en œuvre du Big data dans
l’assurance
Big Data et
évolutions de
l’assurance
Evolution du cadre technique
1
Evolution du cadre
réglementaire
3
Evolution de l’organisation et
des process
2
Refonte des modèles de pricing
du risque
4
42. 42
Les pouvoirs accrus de la CNIL aujourd’hui
Pouvoir de décision et de
proposition
Pouvoir règlementaire pour l’édiction de règlements types
concernant la sécurité des systèmes d’information
La CNIL peut autoriser certains traitements (ex : le biométrique)
Missions de la CNIL définies par la loi
Pouvoir de contrôle
Pouvoir d’investigation accru depuis 2004 , la CNIL multiplie les
vérifications et a un accès total aux données sauvegardées
Il existe un délit d’entrave à la CNIL (1 an prison + 15k€ amende)
Pouvoir de sanction
Depuis 2004, prérogatives accrues. La CNIL est maintenant
compétente pour : la mise en demeure, la sanction pécuniaire,
le verrouillage de données, la saisine du juge des référés etc.
Pouvoir d’information
Obligation d’informer toutes “les personnes concernées et les
responsables de traitements de leurs droits et obligations”
Mission d’informations sur l’évolution des technologies
43. 43
Evolution attendue de la réglementation européenne sur la protection des données
43
Extension des
droits utilisateurs
Droit à l'effacement
Délégation aux
entreprises de la
mission de
protection des
données
Protection contre
les acteurs
transnationaux
Droit déjà existant dans la directive de 1995. Ce droit couvrirait le "droit à
l'oubli" proposée par la Commission Européenne
Art 17
Consentement explicite
Notion de consentement explicite déjà existante; il faut pouvoir revenir sur
son consentement à tout moment et de manière simple
Art 7
Langage simple et clair et
droit à l'information
Utilisateurs doivent être informés de l'usage qu'ils va être fait de leurs
données dans un langage clair et concis
Art 11
/13bis /14
Profilage
Modifications souhaitées : le profilage devrait être autorisé avec le
consentement de la personne concernée, si la loi le permet ou s'il est
nécessaire à l'exécution d'un contrat
Art 20
Portabilité des données
Volonté de fusionner le droit à la portabilité des données et le droit à
l'accès aux données
Art
15/18
Délégué à la protection des
données
Copie du modèle allemand : nomination d'un délégué à la protection des
données protégé par la loi
Art 35
Obligation de notification
Obligation de notification à l'autorité nationale de contrôle des violations
de données personnelles. Par ailleurs cette notification devra aussi être
faite aux personnes concernées
Art 30
/34bis
Sanctions pour les
entreprises
sanctions graduelles pour les entreprises ayant violé les règles :
avertissement écrit, audits périodiques, amendes allant jusqu'à max(100
M€ ; 5% du CA mondial)
Art 43
bis
Transfert de données aux
pays tiers
Autorisation des autorités de tutelle et information de la personne
concernée avant de transférer les informations la concernant
Art 43
bis
Droit d'introduire une plainte
Guichet unique : mise en place d'une autorité compétente unique pour
toutes les activités de traitement d'un contrôleur ou d'un sous-traitant des
données dans l'Union.
Art 54bis
Principes Articles Détails
44. 44
La protection des données personnelles & la notion d’extraterritorialité
« Le transfert de données à caractère personnel à des
destinataires autres que les institutions et organes
communautaires, et qui ne sont pas soumis à la
législation nationale adoptée en application de la
directive, ne peut avoir lieu que pour autant qu’un
niveau de protection adéquat soit assuré dans le pays
du destinataire ou au sein de l’organisation
internationale destinataire, et que ce transfert vise
exclusivement à permettre l’exécution des missions
qui relèvent de la compétence du responsable du
traitement »
Art. 9 du règlement relatif à la protection des personnes physiques à
l’égard du traitement des données à caractère personnel par les
institutions et organes communautaires et à la libre circulation des
données
Ce que dit le texte de loi…
Les Etats-Unis ne disposent pas du “niveau de
protection adéquat” mentionné dans la loi
A cet effet a été créé le SAFE HARBOR qui est une
certification de compliance aux normes européennes
concernant la protection des données personnelles
Toutefois, l’apparition de textes tels que le PATRIOT
ACT qui permet au gouvernement américain d’avoir
accès à toute donnée personnelle en cas de suspicion
de terrorisme remet en cause la portée de
l’extraterritorialité du droit européen
Le cas des Etats-Unis
A l’avenir, « tout opérateur qui dirige ses activités de traitement vers l’Union, même en l’absence d’établissement dans
l’Union ou de moyens localisés sur ce territoire » sera soumis aux règles de protection des données européennes
De même devraient être redéfinies les notions de « personne concernée », « gestionnaire de données » et « sous-
traitant » pour que les « sites hébergeurs de données » puissent être soumis aux mêmes obligations
Ce que le nouveau règlement devrait changer
45. 45
Les principaux enjeux opérationnels liés à la mise en œuvre du Big data dans
l’assurance
Big Data et
évolutions de
l’assurance
Evolution du cadre technique
1
Evolution du cadre
réglementaire
3
Evolution de l’organisation et
des process
2
Refonte des modèles de pricing
du risque
4
46. 46
Le modèle actuel de tarification des primes dans l’assurance
Type de données utilisées
Modèles statistiques
• Les données actuelles sont essentiellement internes,
faible recours à des données externes :
• Données véhicules : âge, km, carrosserie,
• Géographiques,
• Individus : profil,
• Usage : sinistres, etc
GLM (modèle linéaire généralisé) : généralise la
régression linéaire (inclus régression linéaire , régression
logistique, Poisson). Utilise la méthode itérative des
moindres carrés pour déterminer les paramètres du
modèle
47. 47
L’évolution du cadre traditionnel nécessite de repenser les données et les modèles
statistiques associés
Type de données utilisables Modèles statistiques
• Cadre d’évolution « traditionnel » :
• Evolution vers des variables croisées : âge x sexe
(maintenant interdit)
• Croisement entre produits (MRH + Auto), données
bancaires, prêts,
• Données externes : Insee (densité, éloignement,
criminalité, données véhicules : SIV), concurrence
• Données non structurées :
• Usages et comportements
• Navigation web
• Réseaux sociaux
Il n’existe pas de modèle statistique de référence pour intégrer les
données externes non structurées dans la quantification du risque
Les recherches en cours s’orientent vers les :
• Réseaux de neurones
• Techniques de classification
48. 48
Cas pratique : Progressive, un assureur leader aux US a fait évoluer son modèle de
tarification en utilisant le Big Data pour intégrer des données de « valeur client »
* Voir slide 16
Des outils de
tarification « Big
Data » Web et en
agence
Le prix « affiché » est
basé sur une
démarche Big Data
La démarche Web est également
déployée au sein du réseau (free
agents) sous forme d’un outil d’aide à
la décision
Constitution de 4 bases de données
avec des historiques différents
Création des algorithmes itératifs avec
une logique « test & learn »
Les devis ne sont pas seulement basés
sur le risque mais aussi sur la valeur à
long terme du client : les clients à
haute contribution/ valeur ont le prix le
plus « attractif »
Business drivers Démarche Big Data
Prix pour une police de 6 mois
1057$ ou 176$/mois
Prix pour une police de 6 mois
849$ or 159.87$/mois
Profil moyen
Profils les plus
« désirés »
Closing Multicanal
-19%
49. 49
L’exploitation des données externes, oui mais comment y accéder ?
Moyen Description Exemples
Partenariats avec les
acteurs de l’IoT
Partenariats avec les
réseaux sociaux
Grâce aux partenariats avec des acteurs des
objets connectés, les assureurs peuvent acquérir
de nouvelles connaissances en combinant leurs
propres données collectées en interne, avec des
données appartenant à des tiers.
La combinaison des sources de données offre une
multitude de possibilités.
Grâce aux partenariats avec les réseaux sociaux,
les assureurs pourraient collecter un autre type
de données:
Informations personnelles
Informations et historique de navigation
Utilisation du CRM pour connaitre l’historique
d’achats, souscriptions du client.
AXA a signé un partenariat
avec un leader des objets
connectés pour offrir un
produit d’assurance
innovant et ludique à ses
clients *
COVEA a acheté la base
de données du site
Leboncoin, pour connaître
les récents achats des
clients et leur proposer
l’offre correspondant à
leurs profils (Ass auto pour
acheteur d’une voiture/ Ass
habitation pour acheteur ou
locataire maison)
* Voir slide 16
50. 50
Agenda
1. Qui sommes-nous ?
2. Enjeux du Big data dans l’Assurance
3. Opportunités du Big data dans l’Assurance
4. Quels sont les initiatives du marché aujourd’hui ?
5. Contraintes liées au Big data
6. Perspectives de développement
51. 51
Parcours client (lieux d’interruption)
Données personnelles (Age, travail,
lieu de vie, etc.)
Habitudes de consommation
(historique d’achats)
Le « Big Data » ouvre les marchés (assurance et autres) à de nouveaux acteurs et offre de nouveaux
outils pour optimiser la rentabilité des acteurs historiques
L'échantillonnage et la segmentation
L'extraction de données
Micro-segmentation
Améliorer le parcours clients
Cibler les clients à forte valeur ajouté
Eviter les clients à risque
Proposition de services sur-mesure
Optimiser l’expérience client Fidéliser
les clients via une individualisation de
l’accompagnement
Acquérir les nouveaux clients via des
personnalisations de l’offre
Augmenter les possibilités de ventes
croisées (Cross-Selling) et ventes
incitatives (Up-Selling)
Diminuer du coût du risque
Optimisation de
la rentabilité
Collecte
Acteur
Analyse
Apparition
d’intermédiaires
La collecte de données est devenu
un business modèle à par entière
ces 10 dernières années
Les géants de ce milieux ont la
connaissance et les plateformes
pour ce lancer dans l’offre de
services tel que l’assurance
L’analyse de données et l’apport de
services à valeur ajoutés ouvrent le
marché à de nouveaux acteurs
utilisant les services de collecte de
données proposés par les géants
Via des transformations importantes
en termes d’outils internes,
d’organisation et
d’accompagnement du
changement. Les acteurs
historiques doivent optimiser leurs
services et leurs coûts
Client / Prospect
52. 52
Les GAFA utilisent leurs connaissances pour devenir des intermédiaires aux assureurs historiques
pour l’instant sans grand succès
Que sont ils? Ce qu’ils ont: La data Ce qu’ils n’ont pas: Le métier
Une base de données sur chaque individu,
analyse des comportements et habitudes
Le droit d’utiliser les données pour
proposer des services
L’ensemble des données utilisateurs
Plateformes d’analyse
Trafic d’utilisateurs important
Une image de marque
Force médiatique
Connaissance du métier
Modélisation du risque
Coût du risque
Démarche client
3 – Créer et distribuer des produits d’assurance2 – Distribuer les produits des assureurs1 – Revendre les données aux assureurs
Transmettre les données utilisateurs
aux assureurs
Définir des profils risques des
utilisateurs
Comparer les produits d’assurance et
distribuer les produits des assureurs
(2012 au RU / 2015 au USA pour
google)
Connaissance client pour offrir des
produits sur-mesures
Vente par internet
Comparateur
Assurance Google
aux RU en 2012 – 2%
du marché
Comparateur
Assurance Google en
France en 2013 – 2
mois d’existance
Ce qu’ils pourraient faire
53. 53
Les pure players répondent aux nouveaux usages en se positionnant sur des niches. Les partnership
avec des GAFA ou assureurs peuvent leur procurer les clés du marché de l’assurance
Que sont ils? Ce qu’ils ont: esprit start up Ce qu’ils n’ont pas
Des pure players redéfinissant les modèles
d’assurances
Basé sur le communautaire et l’expérience
utilisateur
Intermédiaire entre les produits des
assureurs classiques mais pouvant
proposer leurs propres produits
Flexibilité importante
Créativité
Positionner sur l’attente du client
Possibilité de s’attaquer à des niches
sur le marché
Proposer de nouveaux usages
Données de l’utilisateur
Connaissance du métier
3 – Partnership avec les assureurs historiques
et les GAFA
2 – Distribuer les produits des assureurs1 – Créer des pool d’assurance
Création de communauté s’auto
assurant avec des pools
Partage du risque avec des personnes
de même profil
Proposition des produits d’assurance
via des des nouveaux parcours clients
adapté aux nouvelles attentes
Basé sur l’expérience utilisateur les
start-up peuvent créer des partnership
avec les assureurs historiques ou les
GAFA.
L’objectif est obtenir la data ou
l’approche métier et proposer des
nouveaux services
Ce qu’ils pourraient faire
55. 55
Les expérimentations vont inévitablement se multiplier, il s’agira pour l’assureur de faire le tri des
informations qui déterminent un comportement à risque
56. 56
Il ne s’agit plus pour l’assureur de couvrir le risque associé à un produit (Auto, Habitation) mais de
couvrir les risques associés à des usages variés et personnalisés
57. 57
Le tout dans un bon équilibre entre personnalisation et gestion de la vie privée
MUTUALISATION PERSONNALISATION