Assurance : comment tirer davantage profit de la donnée pour enrichir la relation client ?

Au cours de la dernière décennie, le secteur de l’assurance a connu de multiples transformations qui ont accru l’intensité concurrentielle à laquelle font face les acteurs historiques du secteur.

• Des évolutions réglementaires ont ainsi simplifié les mécanismes de résiliation et favorisé l’essor de nouveaux acteurs bénéficiant du développement du digital pour proposer de nouvelles offres.
• En parallèle, l’essor du digital a également favorisé une transformation rapide et en profondeur des attentes des clients qui souhaitent davantage de fluidité, de simplicité et d’instantanéité, à l’instar de ce que proposent des pure players du web et certaines fintechs.

À cet accroissement de la concurrence s’est depuis peu ajouté un contexte inflationniste qui pourrait également peser sur les marges des assureurs.

Dans ce contexte, les acteurs historiques doivent s’assurer de tirer pleinement parti de tous les actifs dont ils disposent pour répondre aux enjeux client et ainsi soutenir leur développement. Parmi ces atouts clés, il y a la donnée. Mais alors, comment tirer pleinement parti de cet actif afin de servir la relation client de demain ?

La data, un actif clé souvent sous-exploité

Le secteur de l’assurance dispose en effet d’un accès à une manne de données importante ; de plus, avec un cœur de métier fondé sur la modélisation des risques et les approches actuarielles, la data est au cœur de son ADN. L’assurance ne manque donc pas d’atouts pour tirer parti de cet actif et le mettre au service d’une relation client améliorée. D’ailleurs, la quasi-totalité des Directions Marketing comptent dans leurs effectifs un nombre important de Data Analysts et Data Scientists, et ce, depuis plusieurs années déjà. Cependant, les usages client de la donnée rencontrent un certain nombre d’obstacles qui limitent la capacité des assureurs à maximiser la valeur issue de l’exploitation de la donnée :

• Une donnée souvent trop silotée : les usages historiques de la donnée ont favorisé la mise en place d’architectures silotées et orientées produit plutôt qu’une vision orientée client, ce qui peut parfois considérablement compliquer la mise en place de cas d’usage data à des fins marketing et relation client.

• Une explosion des sources de données client (données web, IoT,..) qui engendre de nouvelles complexités, techniques et réglementaires liées à la collecte et au stockage de ces données.

• Une hétérogénéité dans la qualité des données accessibles face à la multiplicité des sources (données internes issues de différents back offices ou saisies par des collaborateurs, données externes) les acteurs en charge du traitement de la donnée font face à des données d’une fiabilité variable (fraicheur, taux de remplissage…). Une contrainte supplémentaire qui doit être prise en compte lors la mise en place des cas d’usage tant elle peut en impacter la qualité et le ROI associé.

• Une sous exploitation des nouveaux outils reposant sur de l’intelligence artificielle (IA) : il est en effet fréquent que des innovations data mises en production affichent un ROI moindre en raison d’une faible adoption par les utilisateurs finaux. Cette situation peut par exemple se rencontrer lorsque de nouvelles fonctionnalités reposant sur de l’IA sont mises à disposition des réseaux pour augmenter leur capacité de conseil (ex : modules de recommandations type Next Best Action / Next Best Offer dans le poste de travail). L’importance du facteur humain étant souvent sous-estimée, ces fonctionnalités s’avèrent donc finalement souvent sous-utilisées, faute de formation et d’un accompagnement au changement suffisamment poussés pour d’une part informer et d’autre part totalement lever les potentiels doutes et résistances.

Alors, comment mieux tirer profit de la donnée pour servir la relation client de demain ?

Pour être en mesure de mieux tirer parti de la donnée et la mettre pleinement au service d’un marketing et d’une relation client améliorés, nous identifions 4 leviers à actionner :

• Définir une vision data et identifier des cas d’usage prioritaires à forte valeur ajoutée en matière d’activation client. La définition de cette vision est primordiale (définition d’objectifs clairs et de cas d’usages prioritaires pour les atteindre). Elle devra ultérieurement servir de cap pour orienter les différents choix structurants qui se présenteront lors de la mise en œuvre (choix d’architectures fonctionnelle et technique, recrutement de nouveaux profils…).

• Travailler un changement en profondeur et bâtir une « architecture client » qui répond aux enjeux de fluidité, d’instantanéité, de contextualisation et de qualité de conseil augmentée. Cette transformation passe à la fois par la construction d’un socle data transverse offrant une vision client unifiée associé à des briques d’activation de la donnée. Pour bâtir ce socle, il est nécessaire de naviguer parmi les multiples solutions proposées par les éditeurs du marché (MDM, Datakale, CDP, DPM, …) et ce sont bel et bien les enjeux de création de valeur et de réponse aux attentes client qui doivent alors présider les choix.

• Développer le partenariat CMO / CIO au sein des compagnies d’assurance pour s’assurer que, tout au long de la transformation data, les enjeux de création de valeur client et d’architecture technique pérenne sont au cœur de l’ensemble des prises de décision. Le développement d’un tel partenariat doit se matérialiser dans la gouvernance des projets à forte dimension data ; il peut notamment s’agir d’un co-sponsorship métier et IT fort à la tête des projets d’envergure.

• Accompagner l’adoption des nouveaux cas d’usage data en faisant de la conduite du changement un volet à part entière de tous les projets data. Une telle approche apporte à la fois des bénéfices à court / moyen terme en permettant de maximiser l’usage et donc le ROI des nouvelles fonctionnalités embarquant des cas d’usage data ; elle permet à plus long terme d’insuffler progressivement une culture data auprès de l’ensemble de collaborateurs.

En capitalisant sur ces transformations de fond autour de la donnée, il sera alors possible de tirer pleinement parti des importants volumes d’informations déjà disponibles et bénéficier ainsi de l’ensemble des compétences des équipes de Data Analysts et Data Scientists d’ores et déjà mobilisés.

Un article rédigé par