Intelligence artificielle: l’avenir de l’assurance (6)

mercredi, 16.05.2018

Xavier Comtesse, mathématicien, digital shaper

Xavier Comtesse, mathématicien et digital shaper.

Le monde de l’assurance s’empare de l’IA pour résoudre d’anciens problèmes qui n’avaient pas encore trouvé de solutions suffisamment efficaces au regard des gains possibles.

Voici quelques exemples pour illustrer cette affirmation:

1. Quand faut-il vraiment vérifier une déclaration de sinistre?

Connu par les anglophones sous le terme de «pay and forget» il s’agit d’évaluer a priori le coût de la vérification d’une déclaration de sinistre en fonction du dommage mais surtout de la probabilité d’une fausse ou incomplète déclaration. Ici, il s’agit pour l’assurance de savoir quand cela vaut la peine de juste payer et d’oublier le cas. Aujourd’hui, le profil comportemental du client sera à la base de l’évaluation et pas seulement la valeur du dommage. On fait désormais appel à l’IA plus qu’aux statistiques pour évaluer ce genre de situation. Le processus est automatisé et donne rapidement une solution acceptable.

2. Comment améliorer le ciblage client.

Dans le monde des assurances, le «Churn Rate» à savoir le taux d’attrition (= nombre de client perdus / nombre de clients total) est un indicateur qui permet de mesurer le phénomène de perte de clientèle ou d’abonnés. Au vu de l’impact de la fidélité des clients sur la rentabilité de l’entreprise, le taux d’attrition est un indicateur dont le suivi est particulièrement important. Avec des programmes IA, on peut analyser le comportement des clients et mieux anticiper ceux qui risquent de quitter l’assureur. Chaque fois qu’une telle opération est réussie, l’entreprise économise 1’200 CHF. Cela peut annuellement faire de grosses sommes si les taux d’attrition avoisinent les 15-20%.

3. La détection de fraude.

Les déclarations de sinistres sont souvent des faux. En Suisse, cela peut représenter jusqu’à 10% du total. C’est beaucoup trop. Une solution serait de demander au programme IA de détecter les «faux» potentiels et ensuite de laisser les agents d’assurance trouver des solutions avec les clients. L’IA est particulièrement bonne dans ce genre d’exercice puisqu’il s’agit de découvrir des «formes» qui s’éloignent des standards.

4. Repenser le processus de tarification en fonction des comportements.

L’IA en analysant les comportements et surtout les changements de comportements dans des segments de population peut affiner considérablement la tarification. Anciennement réservé aux actuaires (statisticien, mathématicien) le travail devient de plus en plus celui des data scientists!

5. «Pay as you Drive».

De nouveaux modèles économiques surgissent: par exemple l’assurance au kilomètre. Cela permet une tarification de l’assurance selon l’utilisation réelle du véhicule: un logiciel de géolocalisation de type GPS relié à un téléphone portable embarqué dans la voiture enregistre les données. L’assureur récolte alors les informations liées aux dates, aux horaires de circulation et au déplacement des véhicules. La tarification est établie en fonction de l’utilisation de chaque client. Demain avec l’IA on pourra même affiner cette tarification aux comportements des automobilistes.

6. L’assistant personnel pour assurance maladie.

Dérivé de l’assistant personnel, l’assistant de santé est encore dans les laboratoires de recherche. Mais pour combien de temps encore? A en juger la guerre que se livre les GAFA ... cela ne devrait pas prendre beaucoup d’années avant que chacun d’entre nous dispose d’un tel outil. CQFD.






 
 
agefi_2018-05-16_mer_02




...