4 usages démontrés du Machine Learning dans le secteur de l’assurance

Le secteur de l’assurance est en pleine mutation. Les nouvelles technologies et nouveaux usages redéfinissent le secteur d’activité dont la clef est d’anticiper le risque pour pouvoir l’assurer. C’est une aubaine pour de nombreux projets et entreprises qui cherchent à adresser ces évolutions et gagner de nouvelles parts de marché. Les start-ups de l’Insurtech (ou assurtech en France) sont ainsi toujours plus nombreuses et reçoivent des financements conséquents pour disrupter le marché : en 2016 elles lèvent 1.7 Md$ [CB Insights data].

Et le Machine Learning dans tout ça ?

Le secteur de l’assurance a toujours été pionnier dans l’analyse de grands ensembles de données pour pouvoir coter le risque et fixer des prix sur les contrats. Mais pour effectuer des analyses plus prospectives et automatisées, l’Intelligence Artificielle et le Machine Learning sont plus adaptées. Leurs applications sont au cœur de la mutation du secteur et transforment, à plusieurs niveaux, les métiers de l’assurance de demain :

  1. Service clients et conseils

Il s’agit de conseiller le client de manière plus automatisée. A travers d’un chatbot par exemple, une machine peut répondre aux interrogations des utilisateurs sur leurs couvertures. Il est également possible de tenir un discours personnalisé en fonction de la typologie du client.

En croisant les différentes sources d’information la machine peut aussi prédire le changement de statut d’un client : s’apprête-il à changer d’assurance ? a-t-il un nouveau besoin assurantiel non encore exprimé ? etc. 

     2. Détection de fraude

Les cas de fraude à l’assurance coûtent plusieurs milliards d’euros chaque année aux assureurs (2.5Md€ en 2015 [Agence pour la lutte contre la fraude à l’assurance (Alfa)]). Grâce à sa capacité à détecter des motifs et anomalies, le Machine Learning est capable de scorer les déclarations pour orienter les traitements manuels de répression de fraude. La machine détecte alors automatiquement (1) des situations non couvertes par le contrat, (2) des anomalies dans la description de l’incident et (3) des pertes surestimées.

     3. Traitement de déclarations de sinistres

Il s’agit d’automatiser au maximum les déclarations de sinistre pour qualifier au mieux la situation et avoir une expertise sans faire appel à des experts spécialisés. Le traitement automatisé et une bonne qualification permettent d’écourter le délai d’acceptation des assureurs, d’évaluer automatiquement les dommages et de prédire le coût de réparation.

     4. Connaissance client et gestion du risque

Les nouvelles sources de données (objets connectés, réseaux sociaux, météo, etc.) permettent de construire une image plus complète des risques auxquels les utilisateurs sont exposés. A travers le traitement et l’analyse automatisée de ces données, il est possible pour les assureurs de proposer des offres et tarifs assurantiels toujours plus personnalisés. Un axe d’utilisation possible est également de proposer à l’utilisateur des actions de prévention pour prévenir plutôt que guérir.

En conclusion

Ces 4 axes d’usages du Machine Learning démontrent la capacité d’innovation par une approche data. Verteego a ainsi mené plusieurs POCs concluants et poursuit son implication dans le secteur pour répondre aux enjeux métiers de demain.