L’explosion quantitative de la donnée numérique issue de l’Internet, des réseaux sociaux et des objets connectés a donné naissance au Big Data. Il s’agit d’un ensemble de données qui se caractérise par sa taille gigantesque et qui ne cesse de croître, de nouvelles « traces » numériques étant chaque jour produites, matérialisées sous forme de données. L’exploitation de ces données devient un des principaux défis de notre ère numérique.
L’un des premiers bénéfices possibles est de pouvoir tirer profit des données disponibles pour optimiser la prospection commerciale et améliorer la relation client existante, notamment par une meilleure connaissance et compréhension des comportements. Les campagnes marketing de prospection placent dans ce cas le Big Data au cœur de la démarche. Les enjeux majeurs deviennent alors de pouvoir qualifier en temps réel les prospects potentiels, d’optimiser le taux de transformation de ces prospects en clients, puis d’améliorer la connaissance client.
La qualification en temps réel des cibles
En partant du principe qu’un foyer sur deux résilie son contrat d’assurance habitation au moment de déménager, l’acquisition de nouveaux clients consiste généralement pour les assureurs comme pour les banquiers à pouvoir déceler les signaux précurseurs de ce type de changement. Comment alors détecter le bon signal au bon moment ? En achetant des données de prospects qualifiés, en nouant des partenariats stratégiques avec des pourvoyeurs de données, tels que les GAFA, ou encore en détectant un lieu ou une situation propice à la souscription d’un produit ou d’un service.
Dans cet esprit, Covéa a noué un partenariat avec le site Le Bon Coin. L’assureur voit en effet dans le Big Data l'opportunité de croiser des données permettant de prédire certains événements clients, pour pouvoir intervenir auprès d'eux au bon moment. En achetant la base de données du site, il a pu avoir accès aux achats récents des clients et proposer l’offre correspondante à leur profil (assurance auto pour un acheteur de véhicule, assurance habitation pour un nouveau propriétaire ou locataire).
AXA, de son côté, a signé un partenariat avec Facebook et LinkedIn. Frédéric Tardy, Chief Marketing & Distribution Officer, le justifie ainsi : « En général, quand une personne change de travail son revenu évolue, elle est susceptible de déménager, voire d’acheter une voiture. Il est du coup important d’engager des conversations lors de ces moments de vie ». Les agents sont incités en conséquence à entrer en contact avec les prospects sur les réseaux sociaux. L’assureur aurait vu ses ventes augmentées, affichant une croissance à deux chiffres lors du test réalisé auprès de 600 agents d’assurance volontaire, le convainquant de l’étendre à 3 000 agents aux États-Unis. Côté banques, cette initiative a été suivie quelques mois plus tard par le Groupe BPCE qui a également noué un partenariat stratégique avec Facebook.
Des solutions à base de Big Data peuvent également être utilisées pour proposer au prospect une offre adaptée à ses besoins sur la bonne temporalité en détectant un moment ou un lieu propice. Le bénéfice peut alors être pour le prospect une simplification de ses démarches et dans certains cas une tarification adaptée. Au Royaume-Uni, Aviva a ainsi développé une assurance situationnelle pour les voyageurs en déployant
L’optimisation des parcours prospects
Une fois les prospects mieux ciblés, il s’agit ensuite de les transformer en clients. Là aussi, le Big Data peut répondre à la problématique. Hiscox, assureur spécialiste des petites entreprises, a ainsi développé une solution pour réduire l’écart entre le nombre de prospects visitant son site Internet et ceux démarrant puis abandonnant un devis. Pour diminuer ce taux d’abandon, Hiscox a exploité les données de navigation (cookies et autres traces digitales) et testé de multiples variables en mesurant le trafic, le taux de rebond et les leads perdus. Après cette analyse, il a redesigné son site Internet en facilitant la demande de devis. Dans le même temps, il a segmenté sa base clients pour personnaliser les contenus, les produits et les testimoniaux. Au final, le taux de conversion a été amélioré de près de 10 %.
L’amélioration de la connaissance client
Ces prospects devenus clients, il s’agit à la fois de les connaître et de les comprendre. Pour pouvoir répondre au mieux à leurs attentes et à leurs besoins, l’idéal est de pouvoir bénéficier d’une vision unique du client à 360° regroupant l’ensemble des données disponibles. Un besoin qui peut s’avérer complexe pour un assureur comme Metlife, qui possède plus de 70 systèmes d’information regroupant les masses de données de ses clients et de leurs contrats, d'une qualité variable et de natures diverses. Pour y parvenir, l’assureur a extrait ces données pour les injecter dans une nouvelle base de données adaptée. Un premier prototype a été mis en œuvre en deux semaines seulement et 90 jours plus tard, The Wall, une application à l'interface rappelant Facebook, fut lancée : via une « timeline », une forme de fil chronologique, elle permet d’accéder à 45 millions de contrats et 140 millions de transactions, soit 24 téraoctets de données. Par le passé, les conseillers devaient ouvrir jusqu'à quinze écrans différents !
Ces masses de données devenues disponibles sur l’ensemble de la clientèle, le Big Data peut alors permettre la création de nouveaux modèles d’affaires ; il favorise l’augmentation de la valeur client, en optimisant par exemple les campagnes marketing devenues « just in time ».
La création de nouveaux modèles d’affaires
L’utilisation des données peut également permettre de générer de nouveaux revenus, les habitudes de consommation peuvent à titre d’exemple être analysées et revendues en masse à des acteurs tiers. Cardlytics s’associe ainsi à des banques comme Bank of America pour commercialiser des coupons de réduction selon les achats effectués par les clients, coupons directement imprimés sur les relevés bancaires. Dans l’assurance également, 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 comme Vigisanté de Malakoff Médéric, qui pourrait se transformer alors en une plate-forme payante de prévention (nutrition, sport, arrêt du tabac, etc.).
L’optimisation des campagnes marketing just in time
Au-delà des nouveaux modèles d’affaires, le Big Data peut favoriser l’augmentation de la valeur client en permettant d’optimiser les campagnes marketing just in time. Ainsi, grâce à une équipe de 45 personnes maîtrisant la plate-forme de Big Data Hadoop, la Société Générale a analysé les données de ses 8 millions de clients particuliers sur les 10 dernières années, en s’intéressant plus particulièrement les dates de versement de prime, de 13e mois ou autres revenus, afin de déterminer la période la plus adéquate pour proposer un produit d’épargne. En Belgique, la banque ING a quant à elle analysé un champ texte, synthèse de chaque RDV client, sur le logiciel de Gestion de la relation client utilisé en agence. Une mine d’or en termes d’informations, jusqu’ici pourtant inexploitée. La banque a dans ce cadre développé une solution à base de Big Data, afin de pouvoir en extraire notamment les projets futurs évoqués pour, le moment venu, pouvoir déclencher un rebond commercial. La banque a également créé un Data Science Lab, dont l’objectif est d’exploiter au maximum les nouvelles possibilités offertes par le Big Data. La banque multiplie par exemple les campagnes basées sur des modèles prédictifs au profit des modèles traditionnels issus des règles dictées par les départements marketing. Le recours à ces modèles pour les campagnes commerciales est ainsi passé de 5 % en 2009 à 70 % en 2015. Dans le même temps, le nombre de campagnes a triplé (1 500-4 500) et la taille moyenne de la cible a été divisée par trois (4 500-1 500 clients). L’objectif est d’envoyer le bon message au bon client par le bon canal. Le taux de transformation a progressé quant à lui de 67 %, si l’on compare le résultat des campagnes utilisant les modèles prédictifs aux sélections faites précédemment selon les règles des départements marketing.
Un autre avantage apporté par les solutions Big Data, grâce à une meilleure connaissance et compréhension des comportements des clients, est de pouvoir personnaliser les offres ou la tarification, notamment dans le domaine de l’assurance en utilisant par exemple un objet connecté ou dans celui du crédit pour ce qui concerne la banque grâce à une hypersegmentation des profils et des risques associés.
La personnalisation des offres et de la tarification
Pour illustrer l’association Big Data et objets connectés, on peut citer, dans le domaine de l’assurance automobile, l’offre Pay How You Drive, qui consiste à adapter la prime d’assurance à l’usage et au comportement de l’assuré, soit au risque qu’il représente. En France, Direct Assurance propose ce type d’offre aux jeunes conducteurs. Les assurés installent alors dans leur véhicule un dispositif baptisé Drivebox intégrant un capteur GPS et un accéléromètre permettant d’analyser leurs comportements, puis de réévaluer chaque mois le montant de la prime. Un jeune conducteur peut ainsi espérer jusqu’à 50 % de réduction sur le tarif de base. Il existe d’autres modèles. En Afrique du Sud, Discovery propose l’offre Vitality Drive, qui repose elle aussi sur l’usage d’un capteur automobile, DQ Track. Ce dernier calcule un quotient de conduite, qui permet de bénéficier d’informations de prévention et d’avantages en nature. De plus, pour prévenir du potentiel vol du véhicule, il permet de sélectionner une zone préférée de conduite ou zone de sécurité : si la voiture quitte cette zone, l’assuré sera alors alerté par SMS ; de même en cas de comportement différent du conducteur. Enfin, selon la qualité de sa conduite, l’assuré peut bénéficier d’une réduction allant jusqu’à 50 % sur l’essence dans les stations BP. On retrouve également ce type d’offres en assurance santé aux États-Unis, Oscar récompense ainsi ses clients actifs en leur remboursant 400 dollars pour un abonnement annuel dans une salle de sport et jusqu’à 20 dollars par mois en bons cadeaux Amazon s’ils atteignent certains objectifs d’activité que l’assureur mesure en équipant ses clients de traqueurs fitness.
Cette possibilité de personnalisation de l’offre et de la tarification ne se limite pas à l’association Big Data et objets connectés. L’assureur américain Progressive a ainsi fait évoluer son modèle de tarification pour intégrer des données de valeur client. Le prix affiché à tout nouveau prospect est désormais basé sur une démarche Big Data qui repose sur la constitution de quatre bases de données avec des historiques différents et la création d’algorithmes itératifs avec une logique test and learn. Les devis ne sont plus seulement basés sur le risque, mais aussi sur la valeur à long terme du client : les clients à haute valeur bénéficient donc désormais du tarif le plus attractif.
Même logique pour Scottish Widows, filiale de la banque Lloyds, qui, en croisant des données issues de la banque avec ses données issues de l’assurance, a pu personnaliser sa tarification. L’assureur s’est en effet aperçu que les clients ayant tendance à ne pas dépasser leurs découverts autorisés et à payer à temps leurs crédits liés à leurs cartes bancaires avaient également tendance à être de meilleurs conducteurs. En conséquence, il a pu proposer des réductions de – 20 % à ces clients bancaires pour les équiper également en assurance automobile. Dernier exemple, celui de l’assureur américain, Geico, qui offre une analyse comparative entre utilisateurs ayant des profils similaires. Il a mis dans ce cadre un questionnaire interactif en ligne afin de déterminer une assurance personnalisée pour ses utilisateurs. Il devient alors possible de souscrire à un package prédéfini suivant des profils comparables et d’en modifier de façon flexible les différents aspects, selon ses préférences. Concrètement le site Internet de GEICO catégorise le prospect avec les clients récents ayant le même code postal et présente alors un résumé des produits d’assurance auxquels les utilisateurs ayant un profil similaire ont souscrit.
Que ce soit pour l’acquisition ou la fidélisation, le Big Data peut donc avoir des applications concrètes pour développer les sources de revenus, il peut aussi être une source d’économies en permettant par exemple aux banques de réduire leur taux d’attrition ou encore aux assurances d’améliorer la prédiction de la sinistralité.
La diminution du taux d’attrition
Pour diminuer son taux d’attrition, la banque américaine USAA analyse les commentaires laissés par ses clients sur son site mais également l’ensemble des échanges avec la banque via des technologies Big Data de traitement du langage naturel et du web sémantique qui permet d’analyser les conversations sur tous les types de canaux (commentaires, messagerie, SMS, plates-formes de CRM, réseaux sociaux…) et d’en dégager le sens profond. La banque peut alors réagir en conséquence lorsqu’un risque de rupture de la relation client est détecté.
L’amélioration de la prédiction de la sinistralité
Pour améliorer la prédiction de la sinistralité, l’assureur américain Allstate a lancé un concours baptisé Claim Prediction Challenge, auquel 202 joueurs ont participé. Le gagnant du prix a trouvé un algorithme 271 % plus pertinent que celui utilisé par l’assureur pour prédire la sinistralité, en se basant essentiellement sur certaines caractéristiques des véhicules. Des projets collaboratifs voient également le jour comme celui de SquarePredict, un logiciel de service SaaS qui permet de valoriser et monétiser le patrimoine de données accumulées par les assurances. Les objectifs du projet sont notamment de pouvoir estimer en temps réel l’impact des dommages causés par un événement climatique, de prédire des sinistres incendies ou des dégâts des eaux à partir de données publiques ou encore d’analyser des signaux faibles pour détecter l’apparition d’épidémies. Des partenariats émergent également. C’est le cas pour The Climate Corporation, une start-up dédiée à l’assurance des exploitations agricoles face aux aléas du climat, via la collecte à un niveau très fin des températures, de l’humidité et des précipitations. Elle s’est associée avec Monsanto, dans une logique qui ne repose plus sur les données historiques de sinistralité mais sur la proposition d’un protocole, ajusté en fonction de nombreux paramètres, qui garantit le rendement agricole. Si le protocole n’aboutit pas au résultat escompté, une indemnité est alors versée à l’agriculteur.
Si le Big Data peut permettre d’améliorer la prédiction du risque, il peut aussi permettre d’en optimiser la gestion et de lutter contre la fraude à l’assurance.
L’optimisation de la gestion des sinistres
Security First Insurance, compagnie d'assurances spécialisée dans la protection des résidences des particuliers basée en Floride et comptabilisant 180 000 clients, est parfaitement organisée pour gérer les 700 demandes d'indemnisation qu'elle reçoit chaque mois en moyenne, mais lorsqu'un ouragan frappe, elle peut recevoir des dizaines de milliers de sollicitations en quelques jours et se retrouver rapidement submergée. Elle a donc décidé de mettre en place une solution qui analyse en temps réel les mails qui lui sont envoyés et les conversations sur les médias sociaux pour identifier automatiquement les situations les plus graves parmi ses clients et initier en priorité le traitement des dossiers correspondants. Ces nouveaux outils de traitement du langage naturel et d'analyse sémantique permettent ainsi d’optimiser la gestion des sinistres en détectant les vraies demandes parmi les milliers d'interactions sociales, notamment celles qui révèlent des dommages majeurs ou une grande détresse du client.
La lutte contre la fraude
Le Big Data apporte également de nouvelles solutions dans la lutte contre la fraude à l’assurance en permettant l’agrégation d’une plus grande variété de données, tout en étant moins sensible à leur qualité ainsi qu’un pilotage plus souple, plus évolutif et en temps réel. Il favorise enfin la cohésion de l’ensemble des acteurs (métier, MOA et informatique) via la centralisation de la surveillance, la souplesse des analyses et une réactivité des contrôles face à de nouvelles menaces. Une démarche adoptée par l’assureur Pro BTP qui, avec le développement de la dématérialisation des échanges entre autres, a subi une forte augmentation de son taux de fraude pour atteindre 5 à 7 % du total des remboursements. Il a retenu une solution externe reposant sur une technologie Big Data qui fonctionne en apprentissage automatique. L'outil analyse des millions de données internes et externes, issues notamment des mobiles et des réseaux sociaux et les compare avec des modèles de comportements frauduleux. L'analyse détecte les dysfonctionnements ou comportements atypiques au moment du paiement dans les remboursements de soins, et propose des modalités de traitement. Lors de la phase de test sur 21 mois de prestations, le système a permis de déceler 9 % de demandes suspicieuses en dépenses d’optique et 14 % en soins dentaires, pour un préjudice estimé à 14 millions d’euros. De son côté, l’assureur américain Infinity applique, lui, les principes du « scoring credit » pour analyser les déclarations de sinistre. Il effectue ainsi une analyse textuelle de l’ensemble des déclarations des sinistres automobiles, permettant d’identifier automatiquement des incohérences et des évolutions de l’histoire dans le temps. Il applique ensuite un score de risque à chaque assuré et oriente les contrôles humains. Les taux de succès des investigations varient entre 50 et 85 % selon les cas et 25 % des dossiers sont désormais réglés dès la première étape contre 4 % auparavant.
Les perspectives de développement et les grands challenges à venir
Si le Big Data offre déjà de nouveaux outils pour optimiser la rentabilité des acteurs historiques dans les secteurs de la banque et l’assurance, les expérimentations vont continuer à se multiplier. Les challenges à relever restent toutefois nombreux. Il s’agira par exemple pour l’assureur de faire le tri entre les informations qui déterminent un comportement à risque ; il ne s’agira plus de couvrir le risque associé à un produit, mais les risques associés à des usages variés et personnalisés, le tout dans un bon équilibre entre personnalisation et gestion de la vie privée. Le Big Data ouvre également de nouveaux marchés à de nouveaux acteurs comme les « pure players » ou encore les GAFA. Les pure players répondent à ce stade aux nouveaux usages en se positionnant sur des niches, en redéfinissant les modèles d’assurance et en se basant principalement sur le communautaire et l’expérience client. Les GAFA, eux, revendent leurs données aux assureurs et aux banquiers ; dans certains pays comme le Royaume-Uni ou les États-Unis, ils tentent également de s’imposer comme un nouvel intermédiaire entre le client et l’assuré, en comparant et en distribuant par exemple des produits d’assurance. Sans grand succès… pour l’instant.
