Les opportunités du Big Data dans l’assurance
Avril 2015
Yanniv Betito, Directeur Customer [email protected]
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
Chappuis Halder & Cie est une firme de conseil avec une présence mondiale…
3
London
Hong Kong
Singapore
CH&Cie office
GenevaNew 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
…avec des références auprès de plus de 35 compagnies d’assurance en Europe etdans le Monde.
4
Montréal :
Genève :
Londres :
Niort :
New York :Paris :
Singapour :
Hong Kong :
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
Nous produisons chaque jour un nombre croissant de « traces » numériques matérialisées sous forme de données
7
Le temps de lire ce slide, des centaines de millions d’échanges numériques auront transités sur les réseaux
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
BIGDATA
9
L’exploitation de ce déluge de données devient un des principaux défis de notre ère numérique
10
« Les données sont le pétrole du XXIemesiècle »Stefan Gross-Selbeck, patron de Xing (réseau
social professionnel)
L’exploitation des données est un atout compétitif majeur pour l’ensemble des entreprises
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
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
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
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
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
A quoi sert le « Big data » pour un assureur ?
OPTIMISER LE CORE
BUSINESS
DEVELOPPER LE MOREBUSINESS
� 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
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 pricingdu 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
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
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
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 délégationsappellent leursclients quicorrespondent aux 8profils identifiés
Ou se rendent à leur
domicile lorsqu’il y aun gros contrat
d’assurance vie lié
Portefeuille
Délégation Revue deportefeuille 90jours avant lestermes
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
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
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
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
- 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
- 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
- Tokio Marine s’est associé avec l’opérateur mobile Docomoafin 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’alertegéolocalisation 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
- Le profil type de l’utilisateur est généré par GEICO selon les informations suivantes :
• Le site identifie les récents clients GEICO (durantle mois précédent) selon le même code postal quele nouvel utilisateur
• GEICO présente alors un résumé des produitsd’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 queles pour les véhicules similaires
- Les agents d’assurance GEICO ont leur propre profilindividuel 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 ligneafin de déterminer une assurance personnalisée pour ses utilisateurs
- Possibilité de souscrire à un package prédéfini suivantdes profils comparables et d’en modififier de façonflexible les différents aspects selon préférences
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
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
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
1Evolution du cadre
réglementaire
3
Evolution de l’organisation et
des process
2Refonte des modèles de pricing
du risque
4
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 – ChiefData 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 « Bigdata » 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
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
1Evolution du cadre
réglementaire
3
Evolution de l’organisation et
des process
2Refonte des modèles de pricing
du risque
4
33
Freins techniques à la mise en place du Big Data
Data Analysis &
Visualization
Data Analysis &
Visualization
VolumeVolume
VélocitéVélocitéVariétéVariété
Traitement de l’information Collecte 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
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
10
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
7Artificial
Intelligence• Self-Learning models (auto
efficient)
• Multi crossing data set
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
1Evolution du cadre
réglementaire
3
Evolution de l’organisation et
des process
2Refonte des modèles de pricing
du risque
4
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 donnéesCellule de tests à des
fins d’expérimentations
Gouvernance
Pro
cessu
s d
écis
ion
nel
37
La transformation organisationnelle se fait par l’ajout de 2 nouvelles fonctions: Un Chief Data Officeret des Data Scientist
Lab
ora
toir
eA
naly
se
des
do
nn
ées
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
Data
scie
nti
st
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
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
… vers une analyse transversale où l’on estcapable d’identifier et d’appréhender de façonglobale 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 oùchaque famille de risques est analyséeséparément 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 BigData et ses dérivés (utilisation du « datavisualization » pour les reporting par exemple)
INFORMATION SEGMENTEE INFORMATION PARTAGEE & COMPLETE
TRANSMISSION INTELLIGENTE DE L’INFORMATION
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
1Evolution du cadre
réglementaire
3
Evolution de l’organisation et
des process
2Refonte des modèles de pricing
du risque
4
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
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
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
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
1Evolution du cadre
réglementaire
3
Evolution de l’organisation et
des process
2Refonte des modèles de pricing
du risque
4
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
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
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 égalementdéployée au sein du réseau (freeagents) sous forme d’un outil d’aide àla 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 baséssur le risque mais aussi sur la valeur àlong terme du client : les clients àhaute contribution/ valeur ont le prix leplus « attractif »
Business drivers Démarche Big Data
Prix pour une police de 6 mois1057$ ou 176$/mois
Prix pour une police de 6 mois849$ or 159.87$/mois
Profil moyen
Profils les plus « désirés »
Closing Multicanal
-19%
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/ Asshabitation pour acheteur ou locataire maison)
* Voir slide 16
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
� 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
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
Les pure players répondent aux nouveaux usages en se positionnant sur des niches. Les partnershipavec 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 partnershipavec 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
54
LES GRANDS CHALLENGES
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
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
Le tout dans un bon équilibre entre personnalisation et gestion de la vie privée
MUTUALISATION PERSONNALISATION
Top Related