Assureurs : 3 étapes pour une assurance « data-driven »
Publié le 16 mars 2024
- Assurance
- Data & Intelligence artificielle
Les données sont la nouvelle pierre angulaire de la performance, et plus particulièrement pour les compagnies d’assurance. Pour libérer tout son potentiel, l’assurance de demain nécessite une stratégie de données complète et intégrée : elle doit devenir « data-driven ». Pour cela, les assureurs devront transformer des schémas dépassés tout en exploitant leurs atouts historiques.
Assureurs et données
Les données sont partout. Chaque jour, nous en générons presque constamment : au travers de nos modes et fréquences de déplacement, par nos dépenses, en mesurant notre quantité d’exercice, et même quand nous écoutons de la musique. Toutes ces données sont collectées et utilisées, parfois intentionnellement, parfois beaucoup moins. Les données ont donné naissance à de nouvelles industries et révolutionné les anciennes, confrontant au passages les assureurs à de nouveaux défis.
Néanmoins, les assureurs ont un avantage historique lorsqu’il s’agit de travailler avec des données. Depuis leur création, les compagnies d’assurance collectent et analysent des données, telles que :
- événements météorologiques ;
- statistiques sur le trafic ;
- données de santé ;
- taux de mortalité…
Les assureurs sont des spécialistes des données. En fait, ils en employaient avant même que le terme existe. « L’âge d’or des données » de l’assurance dépasse largement la consignation des événements ou de tendances historiques. Par exemple, traditionnellement, les représentants des compagnies d’assurance connaissaient tout de leurs clients – qui dans leurs voisins construisait une maison, achetait une nouvelle voiture ou créait une entreprise, attendait un bébé ou venait d’avoir un chien. Il s’agissait là d’un « lac de données 1.0 ».
Les données au service de la proximité client : 3 étapes pour une assurance data-driven
Les assurances ont toujours été axées sur les données. Elles doivent aujourd’hui trouver comment tirer parti de cette force historique pour rester compétitives dans le futur. Leur orientation très long termiste s’est souvent traduite par un manque d’agilité, entraînant une sous-exploitation de leur avantage en matière de données.
Le principe vrai il y a 100 ans l’est toujours aujourd’hui : meilleurs les données, meilleurs le service et l’assistance fournis aux aux clients. Cette proximité est cruciale, en particulier à l’ère des clients hybrides, dont la satisfaction maximale est indispensable à la viabilité économique. Alors, comment devenir un assureur « data-driven » ?
Étape 1 : Se concentrer sur le client grâce aux données
En priorité, les assureurs doivent adapter leurs services aux besoins individuels des clients et anticiper leurs attentes. L’objectif devrait être un engagement client hyper-personnalisé grâce aux données. À l’avenir, des technologies comme les modèles linguistiques pilotés par l’IA pourront contribuer à cette évolution.
Pour optimiser le cycle de vie client, les assureurs doivent établir une relation transparente avec leurs clients sur tous les canaux, en s’adaptant à leurs besoins particuliers. Cela n’est possible que si les bonnes données sont correctement utilisées et interprétées. Le focus client devient donc à la fois le fondement et la condition préalable d’une transition réussie vers une assurance data-driven.
Comprendre les clients tout au long de leur parcours – comment ils recherchent des informations, quels sont leurs besoins, de quelle manière ils souhaitent être conseillés et comment ils utilisent les services – est essentiel pour leur fournir un service optimal et les fidéliser. Pour répondre à ces exigences, il faut non seulement une stratégie solide en matière de données, mais aussi une intégration cohérente et complète de celles-ci.
Étape 2 : Intégrer les données à la stratégie d’entreprise
Pour être efficace, une stratégie de données doit être pensée en cohérence avec la stratégie globale de l’entreprise. Bien que les assureurs aient déjà accès à des données précieuses, une mise en œuvre réussie ne se limite pas à la collecte et à l’utilisation de ces données. En effet, ces données sont souvent très diverses, tant en termes de nature que d’emplacement.
Par exemple, les connaissances détenues par les représentants commerciaux ne peuvent pas être facilement ou utilement regroupées avec des données météorologiques stockées sur le Cloud. Une stratégie de données réussie doit tenir compte de ces disparités et s’intégrer à la stratégie de l’entreprise dès le départ. Si elle est mise en place en second lieu, elle ne produira pas de résultats.
Chaque entreprise a des objectifs prioritaires et des orientations stratégiques. La question qui suit doit toujours être : comment les données peuvent-elles contribuer à la réalisation de ces ambitions ? Les assureurs doivent réexaminer en permanence ces questions, réévaluer leurs priorités et procéder à des ajustements.
Étape 3 : Exploiter les points de contact
Une stratégie de données bien exécutée permet une utilisation efficace des données. Chaque relation client implique de multiples points de contact, et les données générées par ces interactions peuvent être directement utilisées pour évaluer et améliorer la relation.
Grâce aux données, les assureurs peuvent répondre à des questions clés telles que :
- Quelle est la probabilité qu’un client signe une police d’assurance lorsqu’il commence à explorer les différentes options ?
- Comment la relation commerciale a-t-elle évolué et quel est le potentiel inexploité ?
- Y a-t-il des événements de vie identifiables, tels qu’un mariage, un déménagement ou un nouvel emploi ?
- Quels sont les signes d’insatisfaction des clients ?
- Quel est le risque de résiliation et comment le réduire suffisamment tôt ?
Ces informations permettent non seulement de mieux cibler les possibilités de vente croisée et de vente incitative, mais aussi de mieux fidéliser les clients.
Exemple d’assurance data-driven
Si une compagnie d’assurance estime qu’elle doit améliorer sa satisfaction client, les données jouent un rôle essentiel. Les informations provenant de la gestion des sinistres, des ventes et du service clientèle peuvent être combinées, analysées et utilisées pour adapter le parcours du client sur tous les canaux, le rendant ainsi plus personnalisé et plus pratique.
Assurance data-driven : les questions pour définir sa maturité
Ce qui peut sembler simple en théorie représente, en pratique, un changement fondamental de structure et de culture internes. Des questions de gouvernance se posent également : existe-t-il un Chief Data Officer (CDO) au niveau exécutif, ou la stratégie des données a-t-elle été déléguée à une sous-équipe au sein du département informatique ? Les réponses servent d’indicateurs sur le niveau de préparation de l’assurance.
Pour qu’une stratégie de données soit réellement complète et efficacement mise en œuvre, il faut sortir de la logique traditionnelle des silos. Cela nécessite également un changement d’état d’esprit parmi les équipes. Des tensions existent souvent entre ceux qui produisent les données et ceux qui les utilisent – par exemple entre les ventes et la gestion des sinistres – parce que les deux parties manquent souvent d’une perspective plus large que leur propre champ d’action. Cependant, lorsque tous les départements, divisions et équipes s’efforcent de se comprendre mutuellement, des synergies importantes peuvent être dégagées.
« L’omnicanal, c’est aussi l’omnidonnée. » Dennis Glüsenkamp, Lead Data Strategist at qdive
En outre, les modèles linguistiques basés sur des données de l’intelligence artificielle, comme ChatGPT d’OpenAI ou Bard de Google, offrent de nouvelles possibilités avec un potentiel énorme. Dès aujourd’hui, ce type de modèles pourrait être utilisé pour répondre à des demandes individuelles de service à la clientèle. Par exemple, si un client envoie un courriel contenant une question sur son assurance, les modèles de langage peuvent comprendre la question, examiner le contrat et fournir une réponse spécifique. Il en va de même pour les questions posées via WhatsApp, chat en ligne ou même appel téléphonique. Il est facile d’imaginer que des changements fondamentaux dans le service à la clientèle se profilent à l’horizon, avec des impacts significatifs sur toutes les opérations internes. Il est donc d’autant plus important d’intégrer ces changements dans les stratégies de données et d’entreprise.
Certains assureurs expérimentent déjà des modèles linguistiques sur leurs sites web pour répondre à des questions sur des informations accessibles au public. Toutefois, il n’est pas encore possible de traiter des questions plus spécifiques, comme celles concernant les conditions d’assurance personnelle. Des agents conversationnels comme ChatGPT ne répondent pas aux exigences du règlement général de protection des données (RGPD) en matière de protection des données et ne peuvent donc pas être utilisés dans ce type de scénario. Toutefois, ce n’est probablement qu’une question de temps avant que les modèles linguistiques ne soient conformes et largement adoptés par les assureurs.
Un autre aspect notable du développement de modèles linguistiques est la rapidité de la mise en œuvre. Une fois qu’une solution compatible avec le RGPD sera disponible, les assureurs pourront la mettre en œuvre avec relativement peu d’efforts. Cela offre des opportunités intéressantes, même pour les compagnies d’assurance qui ne sont pas pionnières de la transformation digitale.
Les prérequis d’une assurance data-driven : stratégie de données et support omnicanal
Pour assurer leur pérennité, les assurances devront fournir un service client hyperpersonnalisé, optimisé par les données. Cela ne peut se faire que par une assistance omnicanale, homogène et individualisée. Qui dit omnicanalité dit aussi omnidonnées. Sans une stratégie de données efficace et cohérente, les assureurs risquent de perdre un potentiel considérable.
La transformation nécessaire est vaste et exigeante, mais elle est à la fois inévitable et moins radicale qu’il n’y paraît de prime abord. Les assurances doivent se transformer en entreprises data-driven et perpétuer leur héritage de premier métier piloté par les données.