Un marketing encore trop peu fondé sur la data
Les équipes marketing des compagnies d’assurances, mutuelles et courtiers travaillent encore trop souvent sur des principes qui intègrent peu la data,
- Des méthodes de segmentation « a priori » (ou ruled based segmentation) qui permettent de diviser manuellement son marché ou portefeuille en sous-ensembles homogènes en fonction de critères principalement socio-démographiques choisis au préalable,
- Le jalonnement via des moments de vie repères, communs à tous les parcours.
Ces approches, très peu dynamiques, sont de moins en moins adaptées aux nouveaux comportements de consommation, qui exigent conseil, réactivité, personnalisation et adaptabilité, amplifiés par la règlementation qui a déplacé le rapport de force vers les consommateurs (Généralisation de la résiliation infra-annuelle, DDA, 100% santé,…).
Et pourtant des comportements en santé qui évoluent
En assurance individuelle, les assurés sont de plus en plus volatiles et un nombre croissant se sont mis à « consommer » leurs garanties de santé et à changer régulièrement de contrat à la recherche de la meilleure couverture pour leurs besoins du moment.
Les assureurs, doivent dès lors changer de paradigme pour réussir à ancrer la relation avec leurs clients dans la durée, et ce, dès la phase d’acquisition :
- Avoir une compréhension fine des dépenses santé de leurs assurés, analysées par types de garanties,
- Travailler sur l’évolution de profils de risque homogènes.
Le besoin d’adopter une approche plus dynamique
L’adoption d’une segmentation dynamique a posteriori (dites cluster based) permettant une analyse de risque personnalisée et fondée sur un dispositif d’IA/machine learning pourrait être l’un des fondements de cette évolution. Plutôt que de partir de critères ou de règles fixes prédéfinies, observer les similitudes dans les comportements afin de les regrouper en fonction de celles-ci afin de faire apparaitre des ressemblances concrètes et non pas hypothétiques.
En assurance santé, ces clusters constitués à partir du croisement des données de consommation des garanties du contrat pour l’ensemble des bénéficiaires permet
- De créer des profils de risques homogènes,
- De les remettre en perspective des moments de vie ou des accidents de parcours (avec des trajectoires différenciées sur l’ensemble des postes de soin),
- Et d’identifier les facteurs d’évolution (signaux faibles) inter-profils.
Lorsqu’elle est croisée avec l’équipement produits, la clusterisation devient une vraie solution d’analyse et de pilotage du portefeuille permettant,
- De mieux estimer le niveau d’homogénéité et de pertinence de l’équipement produits pour les assurés ayant un même profil de risque. Ce qui traduit souvent des réalités économiques et de satisfaction clients qui divergent au sein d’un même cluster,
- De piloter deux variables clés : la satisfaction via le suivi du reste à charge (RAC) et la rentabilité via le ratio sinistres/primes (S/P), au niveau contrat, profil de risque ou globalité du portefeuille,
- De réagir ou d’anticiper les évolutions sur des évènements déclencheurs prédéfinis.
Mais c’est également un formidable outil d’aide à la vente ; dès l’entrée en relation, l’assuré est positionné dans le cluster des « profils de risque » qui lui ressemblent et se voit proposer le produit le plus adapté (optimisant le couple RAC et S/P) pour ancrer une relation sur la durée. Tout au long du cycle de vie, il pourra se voir proposer une évolution de son équipement garanties ainsi que de nouveaux produits d’assurance de personne (prévoyance, dépendance…) à bon escient à la suite de l’identification de signaux faibles ou l’atteinte d’éléments déclencheurs.
Cette approche, déclinable tant sur l’assurance individuelle que sur l’assurance collective, répond aux enjeux des différents acteurs de l’écosystème
- Les assureurs qui cherchent à maximiser la satisfaction de leurs assurés (RAC) sous réserve de l’équilibre de leurs produits (S/P)
- Les courtiers qui veulent maximiser leurs profits, développer le multi-équipement en proposant les bons produits au bon moment
- Les grandes entreprises (ou leurs conseils) et les bureaux de CCN qui veulent proposer à leurs salariés un contrat présentant le meilleur équilibre coût / couverture (réel outil de recrutement et rétention des collaborateurs)
Techniquement, plusieurs étapes sont indispensables pour mettre en oeuvre un dispositif de ce type :
- La récupération des données, leur nettoyage, homogénéisation puis leur chargement au sein d’un data lab : A minima prévoir des tables personnes, contrats, prestations et cotisations et ce sur une durée minimale de 4 à 5 ans
- Puis la création d’une table qui agrège pour chaque contrat les données de consommation, par année, par poste de soin, par groupement de personnes (assuré principal et bénéficiaires – conjoint, enfants, ascendants), par indicateur de consommation (frais réels engagés / remboursement RO / remboursement RC / reste à charge)
- Le choix de l’algorithme : une approche non supervisée est préférable, la cible n’étant pas connue, on cherche à diviser un groupe hétérogène de données en clusters homogènes
- Son paramétrage afin de limiter les biais, comme, par exemple la définition d’un seuil de dépense pour la détection des outliers (valeurs remarquables pouvant perturber l’algorithme) ou La pondération des contrats en fonction de l’exposition de l’assuré principal sur l’année d’étude.
Ainsi en quelques mois seulement, les assureurs et les réseaux de distribution peuvent se doter d’un réel outil d’aide à l’acquisition et à la fidélisation clients (grâce un pilotage fin du portefeuille)
