BIG DATA et données externes dans les modèles de tarification

BIG DATA et données externes

dans les modèles de tarification

CONFIDENTIAL © 2014 ACTUARIS 2

BIG DATA

  BIG DATA : Quelques clés   Eric FROIDEFOND – MAAF – MBA CNAM ENASS en cours

  Intégration du BIG DATA dans la tarification en assurances IARD   Stéphane CHAPPELLIER – ACTUARIS – ISG CEA IA

CONFIDENTIAL © 2014 ACTUARIS

Les opportunités pour l’assurance 2

La gouvernance des données 5

3 Le fonctionnement

Conclusion 6

Le Big Data 1

Les moyens techniques pour le Big Data 4

BIG DATA : Quelques clés

3


VOLUME VELOCITE

VARIETE

VALEUR

D’après le Gartner, le « Big Data » peut se définir avec le concept des 3V : Volume des données disponibles Variété : données semi structurées voire non structurées complexes et de tous types

(textes, images, …) Vélocité : fréquence à laquelle les données sont générées, capturées et partagées

(nombre de tweets à la seconde par exemple)

BIG DATA : Définition

4


BIG DATA : Une avalanche de données

5

5


Les Produits Marketing & Ventes

Gestion des contrats

Gestion Sinistres

Gestion des Actifs

Nouveaux marchés

Nouveaux produits

Connaissance des risques et meilleure tarification

Optimisation des produits Gestion de la performance

Segmentation plus fine

Nouveaux clients

Vente multi-canal

Détection résiliation

Optimisation et ciblage des campagnes commerciales « just in time »

Optimisation de la gestion des réseaux de prestataires

Détection des fraudes

Prévention et mitigation des risques

Gestion des paiements

Stratégie de placement

Gestion de Portefeuille

Gestion des actifs et passifs

Modélisation des risques

Tarification temps réel

BIG DATA : Principales opportunités pour l’assurance

6


BIG DATA : Fonctionnement

7


BIG DATA : Intégration

8


Calcul du nombre de tweets par utilisateur

BIG DATA : Zoom sur le MapReduce

9


BIG DATA : Moyens techniques (le cloud computing)

10


BIG DATA : La visualisation

11


Exactitude

Objectivité

Plausibilité

Réputation

Pertinence

Quantité appropriée des informations

Actualité

Exhaustivité

Représentation concise

Représentation cohérente

Interprétabilité

Compréhensible

Facilité de manipulation

Disponibilité / Opportunité

Restriction d’accès

Les dimensions de la qualité des données

Qualité intrinsèque Qualité liée au contexte et à la représentation

Qualité liée à la sécurité et à l’accessibilité

BIG DATA : Une gouvernance des données obligatoire

12


BIG DATA : Conclusion

13

Support Client

CLIENT

Innovation

Etudes Marketing

Produits & Services assurance

Analyses & Etudes

Stratégie


Positionnement tarifaire et données 2

Assurances et capteurs / réseaux sociaux 5

3 Quel apport de données externes ?

Conclusion 6

Tarification prime pure et données 1

Challenge BIG DATA : connectabilité & algorithmes 4

BIG DATA dans la tarification en assurances IARD

14


Tarification prime pure et données

  Etablissement prime pure : recherche de données permettant d’expliquer la sinistralité grâce au :   GLM   Classification pour zonier et véhiculier

  Données traditionnellement utilisées pour l’établissement de la prime pure limitées :   Données essentiellement internes   Faible recours à des données externes

  Mouvement vers l’utilisation de plus données :   Variables croisées : âge x sexe (maintenant banni)   Interne : croisement de données entre produits :

 Auto / MRH : âge x propriétaire/location résidence principale : variable tarifaire en auto

 Données bancaires / prêt et données assurances

  Externe :  INSEE : densité, éloignement des

services essentiels…  Données véhicules : SIV

  Existe-t-il des données BIG DATA permettant de mieux expliquer la sinistralité que les données existantes ?


Positionnement tarifaire et données

  Positionnement tarifaire : recherche de données permettant d’expliquer le choix de l’assuré :   Modèle d’élasticité au prix de la demande   Positionnement concurrentiel   Algorithme de « valeur client »   Optimisation tarifaire

  Ces modèles très utilisés au Royaume-Uni, sont encore très peu utilisés en France, néanmoins cela devrait évoluer :   Loi Hamon potentiel effet ciseau

 Comment fidéliser le portefeuille ?   Comparateurs potentiel anti-sélection

 Comment acquérir les profils à valeur ajoutée ?   Ces modèles sont très gourmands en données :

  Données connaissance du risque   Données relation client   Données flux primes / sinistres avec effet

retard   Existe-t-il des données BIG DATA permettant

de mieux expliquer la propension des assurés à souscrire / renouveler?


Quel apport de données externes ?

  L’utilisation de données externes (sans parler de BIG DATA) est actuellement faible et limité :   Données INSEE, données délinquance (CartoCrime) …   Données Véhicules : SRA, constructeurs, SIV …

  Ces données permettent d’acquérir des variables complémentaires qui permettent de qualifier plus finement le risque qu’à partir des données transmises par le réseau et/ou l’assuré :   La ville de résidence est-elle en zone rurale peu peuplée ou en zone urbaine ?

Est-ce un lieu où la criminalité est faible ou élevée ?   Le véhicule est-il une :

 citadine : pour aller faire les course le week-end ?  sportive : pour épater les copains et sortir en boîte ?  familiale : pour partir en vacances avec la famille ?  commerciale : pour faire des tournées en province ?

  Tout apport d’information permettant de renforcer la caractérisation d’un profil de risque est utile pour éviter l’anti-sélection


Challenge BIG DATA : connectabilité & algorithmes

  Il y a plusieurs problèmes majeurs à l’utilisation des données BIG DATA en assurance :   Connectabilité : il faut pouvoir relier les données à un

client en portefeuille ou en affaires nouvelles   Algorithme : il faut pouvoir disposer d’un algorithme

permettant de valoriser ces données  Quelle influence ce critère a sur la sinistralité ou le

comportement de souscrire / renouveler ?  Pour ce critère, quelles sont les modalités qui

permettent de connaitre l’intensité de cette influence ?

  Pouvoir prédictif suffisant :  Ce critère n’était pas déjà capturé par d’autres

variables déjà connues  Ce critère est-il plus puissant / prédictif que les

variables déjà connues ?

  Est-ce que l’investissement nécessaire le mérite ?


Assurance et capteurs

Port OBD-II Source : VAG

Capteur de données physiologiques Source: TF1

Domotique Source: Tech-Securité

Parmi les données BIG DATA, il existe une catégorie qui regroupe les qualités recherchées permettant de mieux caractériser le risque. Plutôt que de se baser sur la recherche de variable permettant de traduire un comportement à risque, cette catégorie cherche à capturer le comportement à risque directement à la source

Les capteurs :

  Auto : OBD-II comportement de conduite : freinage brusque, coups de volant

intempestifs   MRH : Domotique

comportement des occupants   Santé : capteur de données physiologiques

 activité physique, intellectuelle…

De nombreux handicaps empêchent l’exploitation de ces données   Au-delà d’obtenir des algorithmes permettant de mesurer le comportement

et son influence sur le coût du risques   Prix de l’installation, transmission des données chute de prix attendue   Protection de la vie privée algorithme embarqué, transmission du score


  Il semble difficile de trouver des données pertinentes qui traduisent un comportement à risque de façon plus pertinente que celles déjà utilisées

  Par contre, les réseaux sociaux peuvent apporter beaucoup concernant le positionnement tarifaire :

  Sensibilité, attentes (écoresponsable, développement durable…)   Réceptivité aux messages marketing   Réactivité face aux changements   Fidélité   Elasticité au prix…

  Du fait de cet apport, la chaine de répartition de la valeur va-t-elle se recomposer pour prendre en compte l’apport des réseaux sociaux dans l’équation ?

  Réseaux sociaux réseaux affinitaires ?   Réseaux sociaux apporteurs d’affaires / comparateurs / distributeurs ?

20

Assurance et réseaux sociaux


Conclusion

Conjoncture favorable aux assurés et défavorable aux assureurs :   La « génération internet » rentre sur le marché : zapping   Possibilité de zapper d’assureurs plus facilement (Loi Hamon, comparateurs)   Pouvoir d’achat en baisse suite à la crise   Processus tarifaire « français » en retard sur les autres marchés Opportunités :   Les assurés n’attendront pas que les assureurs aient

sophistiqué leur processus tarifaire pour changer d’assureur   Tirer partie des enseignements reçus sur les autres marché

pour se positionner / différencier   Un challenge pour les actuaires

  Expérimentations   Utilisation de données et de modèles moins bien maitrisés   Evolutions plus rapides et plus fréquentes des processus tarifaire   Importance cruciale d’un suivi et d’une réactivité aux changements de tendances

Source : L’Argus de l’Assurance


BIG DATA : Bibliographie

  VINT Research report 2 of 4 – Big Social - Predicting behavior with Big Data – SOGETI

  Site PEGASUSDATA.COM

  Wikipedia

  Livre blanc ISACA : BIG DATA : Impacts et Avantages

  http://www.journaldunet.com/developpeur/outils/les-solutions-du-big-data/principe-de-fonctionnement-de-mapreduce.shtml

  http://datascience.bluestone.fr/blog/les-origines-les-grands-principes-du-big-data

  VINT Research report 1 of 4 – Creating clarity with Big Data – Jaap Bloem, Menno Van Doorn – Sander Duivestein – Thomas Van Manen – Erik Van Ommeren - SOGETI

  Basé sur une analyse du Boston Consulting Group (BCG)

  IDC (International Data Corporation)

22


Les intervenants

23

Stéphane CHAPPELLIER Actuaire IA Responsable du Pôle IARD Tél. : +33 (0)1 56 89 07 70 Direct : +33 (0)1 56 89 30 72 Fax : +33 (0)1 56 89 07 71 E-mail : [email protected]

Eric FROIDEFOND Direction Systèmes d’Information Manager Entité DSI Professionnels MBA CNAM – ENASS en cours Direct : +33 (0)5 49 17 55 90 Port : +33 (0)6 83 18 76 53 E-mail : [email protected]

BIG DATA et données externes dans les modèles de tarification

Documents

Transcript of BIG DATA et données externes dans les modèles de tarification