L’enjeu lié au renouvellement des contrats d’assurance incendie, accidents et risques divers (IARD) s’est encore renforcé depuis un an, avec le net durcissement des conditions tarifaires de la réassurance. La cession d’une partie du risque au réassureur est une nécessité pour couvrir des risques de grande ampleur ; mais elle devient également un élément déterminant de l’équation tarifaire, plaçant le souscripteur dans une position délicate entre les exigences du courtier et celles des réassureurs.
Dans cette distribution des rôles au sein de la chaîne de valeur, le renouvellement est le temps fort qui détermine les positions de négociation de chacun des acteurs. Les assureurs doivent pouvoir « valoriser » leurs risques en portefeuille.
Le renouvellement de police, rendez-vous pour lequel les assureurs ne sont pas toujours les mieux outillés, est bien plus qu’une transaction de gestion back-office. Face à l’enjeu de l’optimisation de la fidélisation, ils disposent néanmoins d’un moyen d’action à fort potentiel : tirer parti de l’intelligence artificielle (IA) et faire de la donnée un levier essentiel d’amélioration de la rétention client.
Exploiter les données
L’assureur qui cherche à fidéliser a l’avantage de disposer de données précises, structurées et à jour sur les risques couverts. Pour y parvenir, plusieurs chantiers peuvent être menés.
Les assureurs devraient commencer par s’assurer qu’ils maximisent les informations internes dont ils disposent, à commencer par les données des sinistres, de la souscription, de la facturation. En fonction des branches, des données externes peuvent également enrichir cette connaissance des risques : sources tierces géolocalisées, télématique des flottes, etc. Ces données doivent pouvoir être croisées et rendues accessibles aux équipes en charge des renouvellements. Dès lors, l’exploitation des données permet d’éclairer les processus opérationnels.
Améliorer la satisfaction client. L’analyse prédictive permet de tirer pleinement parti des données et poursuivre trois objectifs principaux.
Améliorer la priorisation des dossiers. L’évaluation des risques par un souscripteur fait appel à l’expertise de ressources rares, dont il faut prioriser l’usage. Lors de la préparation du renouvellement, l’analyse prédictive permet d’évaluer le risque de perdre le contrat, et donc d’estimer s’il est nécessaire d’apporter au dossier une attention particulière ou si, au contraire, un traitement back-office ou automatisé peut suffire.
Des modèles existent sur le marché et les grands assureurs construisent leurs propres modèles. Compatible avec les langages d’apprentissage automatique tels que R et Python, l’outil de modélisation doit également être en mesure d’intégrer les résultats du modèle dans les processus de souscription, afin de segmenter les transactions opérationnelles.
Évaluer la qualité des risques. L’utilisation des données est un outil essentiel, non seulement à la définition d’un tarif adéquat, mais aussi à la mise en place d’actions de prévention. En exploitant l’historique, mais aussi les données contextualisées, l’IA identifie la qualité des risques au fil du temps et à chaque renouvellement ; cela apporte une grande finesse de pilotage, quel que soit le segment de marché, des risques complexes aux PME.
Ainsi, l’assureur s’engage auprès des entreprises tout au long du cycle de vie de la police, et pas seulement au moment du renouvellement. En outre, parce qu’un risque nécessite une réassurance facultative, ou à l’échelle d’un portefeuille, une vision précise de la qualité de risque permet de réassurer au meilleur coût.
Éclairer les décisions impactant la rétention. Les solutions de modélisation ne remplacent pas l’analyse des souscripteurs, mais elles éclairent leurs choix. Prédire les niveaux de prix acceptables ou la probabilité de non-renouvellement par le client, par exemple, peut leur fournir des informations utiles dans la négociation avec les courtiers.
Il ne s’agit pas de faire aveuglément confiance à l’IA : les assureurs doivent contrôler et améliorer en permanence leurs modèles prédictifs et leurs processus, au moyen d’audits. La transparence de la modélisation est un prérequis essentiel pour avancer en confiance. Les meilleures solutions permettent de surveiller les paramètres clés en temps réel et offrent la possibilité de comparer les performances d’un modèle avant son déploiement, grâce à des tests A/B.
Les prévisions sont ainsi ajustées au service des souscripteurs, qui peuvent alors prendre des mesures de fidélisation équilibrant probabilité de fidélisation et résultat technique.
Des modèles et solutions adaptées d’exploitation des données constituent un moyen pour les assureurs d’améliorer la fidélisation, d’optimiser les coûts de protection de leur portefeuille de risques et de favoriser la prévention dans un cycle vertueux d’interaction avec les entreprises clientes.
