Miser sur le machine learning dans le secteur de l’assurance, un pari gagnant

Comme c’est le cas dans de nombreux autres secteurs d'industrie, la disruption touche celui des assurances et le machine learning est à la fois la cause de cet effet disruptif et le remède.

Les leaders de l’industrie de l’assurance ont vu des résultats significatifs grâce à l’utilisation du machine learning. A mesure que ces leaders prennent conscience des résultats et de la valeur que crée cette technologie, grâce aux données actualisées en temps réel et non structurées qu’elle exploite, ils y gagnent en avantage compétitif et en croissance. Et ce succès entraînera une réflexion auprès des concurrents : ils auront le choix de continuer selon leurs méthodes traditionnelles, au risque de perdre des parts de marché, ou de s’aligner sur ces pratiques nouvelles et d’utiliser le machine learning à leur avantage. 

1 MILLION DE DOLLARS DECOUVERTS SOUS FORME DE SUBROGATION NON IDENTIFIEE

Prenons un exemple concret. Un assureur s’est rendu compte que ses chiffres de subrogation n’étaient pas conformes à ses données historiques. La différence n’était pas énorme mais perceptible. La compagnie a décidé d’analyser les données non structurées provenant de ses notes de demandes d’indemnisation et ses fichiers log pour comprendre d’où venait le décalage. C’est ainsi qu’ils ont découvert 1 million de dollars sous forme de subrogation non identifiée. 

Alors que le problème d’origine était mineur, il a abouti à des résultats significatifs qui ont attiré l’attention du président de la compagnie. L’enveloppe d’1 million de dollars ainsi découverte a permis de financer d’autres use cases d’analytics et d’application du machine learning. Ce qu’il faut retenir c’est que quel que soit le problème que vous rencontrez, vous pouvez l’utiliser comme un levier d’affaires. Même la résolution d’un petit problème peut engendrer de gros gains. 

LES DONNEES NON STRUCTUREES, UNE RICHESSE INEXPLOITEE

La valeur ajoutée du machine learning dans le secteur des assurances réside dans la richesse inexploitée dont regorgent les nouvelles données. La télématique, les réseaux sociaux, la géolocalisation, les e-mails, les textes, les capteurs, les vidéos, les photos, toutes ces sources de données non structurées et bien d’autres fournissent une richesse d’information qui peut apporter précision et clarté aux sources structurées existantes. 

Mais de trop nombreuses compagnies d’assurance sont dans l’incapacité de pénétrer ces données au moyen de leur architecture et de leurs systèmes de données structurées actuels. Les données restent prisonnières de la source sans apporter de valeur ajoutée. Le machine learning permet aux assureurs de puiser plus efficacement dans les données non structurées qui résident dans leurs notes de demandes d’indemnisation, fichiers log ou autres sources en temps réel. 

Les demandes d’indemnisation sont une priorité pour les assureurs, car c’est là qu’ils dépensent le plus d’argent. Les assureurs devraient considérer les données non structurées comme un moyen de produire un meilleur éclairage d’une déclaration d’incident.

LE MACHINE LEARNING PERMET DE REDUIRE LA FRAUDE ET LA FUITE DE CAPITAUX

Prenez par exemple une demande d’indemnisation automobile, qui englobe des remboursements médicaux et de préjudices matériels. Un modèle de machine learning pourrait s’appliquer à toutes les sources de données pour éclairer la demande en question mais aussi pour affiner le modèle prédictif pour de futures demandes d’indemnisation. Via le machine learning, il sera possible d’interroger d’autres sources liées à la scène de l’accident, y compris les conditions météorologiques, la vidéo de la caméra du tableau de bord, les photos fournies par des témoins, les informations de trafic du système intelligent de contrôle des transports de la ville, les données des capteurs embarqués des automobiles impliquées dans l’accident et même de véhicules environnants. 

Fort de ces informations, l’assureur pourrait être alerté tôt du risque de fraude ou valider et régler la demande d’indemnisation au plus vite. Une fois la demande d’indemnisation évaluée, le machine learning pourrait aider à optimiser les remboursements afin de contribuer à réduire le risque de fuite lié aux demandes d’indemnisation. Et toutes ces données pourraient venir alimenter le modèle prédictif de l’assureur pour identifier les types de demandes d’indemnisation menant à des pertes.

Les assureurs sont soumis à une certaine pression pour mieux identifier les bons et les mauvais risques. L’information explorée lors du processus de souscription pourrait être utile pour affiner l’analyse de l’appétence pour le risque et du type d’assurance le plus adéquat, conduisant à une meilleure sélection des risques et des tarifs, et à l’identification de tendances positives et négatives pouvant être partagées avec les assurés pour les amener à modifier leur comportement, avec à la clé de meilleurs résultats.

ASSOCIER ASSURANCE ET MACHINE LEARNING POUR MAXIMISER LES PROFITS

Les assureurs qui adoptent le machine learning ont beaucoup à gagner. Plus ils deviennent experts dans l’utilisation du machine learning, mieux ils peuvent réduire les frais d’assurance, réduire les primes pour les assurés responsables et prendre des décisions de souscription plus intelligentes. Les compagnies peuvent ajuster plus précisément leurs tarifs en évaluant plus finement les majorations liées aux risques et à l’appétence pour le risque, et les clients comprennent mieux ce que recouvre leur police d’assurance. 

Si vous vous demandez comment associer assurance et machine learning, voici comment commencer. Tout d’abord, identifiez un use case marquant. Comme dans l’exemple de la subrogation, il n’est pas nécessaire de choisir une tâche simple pour commencer. Au contraire, privilégiez une tâche qui fera une différence notable. Comprenez le problème interne que vous souhaitez régler et ne ménagez pas vos efforts, même si la tâche s’avère plus complexe que prévue. Quand vous avez identifié le use case, revenez en arrière pour trouver les sources de données pouvant éclairer le problème et venir combler vos déficits de connaissances. Apprenez de chaque projet et appuyez-vous sur chaque réussite. Plus vous et votre équipe apprenez, plus vous aurez d’expertise à appliquer à des problématiques métier plus importantes.