Académique Documents
Professionnel Documents
Culture Documents
OPPORTUNITE OU MENACE
POUR L'ASSURANCE ?
PATRICK THOUROT et KOSSI AMETEPE FOLLY
RB ÉDITION
DANGER
@) LE
PHOTOCOPWGE
lUELEUVRE
ISBN: 978-2-86325-727-2
Copyright© 2016. RB. Édition, Éditions Eyrolles, 18, rue La Fayette - 75009.
www. revue-banque.fr
.µ
.s::.
CJl
·c
>
a. Diffusé pa r les Éditions d'Orga nisation, 1, rue Thénard, 75240 Paris Cedex OS.
0
u
Toute reproduction, totale ou partielle, de la présente publication est interdite sans
OPPORTUNITE OU MENACE
POUR L'ASSURANCE?
- FO RSIDES -
.µ
.s::.
CJl
·c
>
a.
0
u
RB
Les auteurs
Patrick THOUROT est I nspecteu r Général des Finances Honora i re. I l
a occupé des fonctions d e Direction Générale dans plusieurs entre
prises d'assu ra nce et de réassura nce (COFACE, G roupe ATH ENA, AXA,
ZURICH France et SCOR). I l est a u jou rd' h u i P résident de Forsides
Fra nce.
Il a été Professeur Associé au CNAM/ É cole Nationale d'Assura nces
(ENASS) et a enseigné à Sciences Po Pa ris, Paris Dauphine et H EC.
Patrick Thourot est l'a uteur, avec Ph ilippe M orin, de l'ouvrage
Solvency 2 en 125 mots-clés, RB É d ition, 2014.
.µ
.s::.
CJl
·c
>
a.
0
u
Remerciements
Les a uteurs remercient chaleureusement leurs collègues, salariés et
Associés de Forsides Actuary et Forsides I n n ovation q u i ont soutenu
et enrichi cet ouvrage de leurs conseils et de leurs apports d'i nforma
tions, notamment Véronique Mattei et Arnaud Cohen, qui sont les
instigateurs du projet de rédaction de ce livre.
Ils sont très redeva bles à Florence Picard et Jean-Marie N essi, émi
ne nts actua i res, pour leurs orientations et leurs réfl exions, qui en ont
guidé la conception.
.µ
.s::.
CJl
·c
>
a.
0
u
.µ
.s::.
CJl
·c
>
a.
0
u
Préface
ous sommes résolument entrés dans l'ère du « Big Data », une ère
N de recueil et de disponibilité d'une qua ntité extraordinaire de don
nées à travers le monde. Confondu avec ses propres outils de collecte,
ce phénomène tend à être réduit à la question de la « digita lisation »
des entreprises et de la facil itation d'accès à des i nformations exis
ta ntes, dont le traitement pourrait, à tort, sembler seconda ire.
Enfin, les auteurs conservent une lecture réa liste et dépassion née
de ce nouvel eldorado du Big Data q u i éblouit les actua i res, les ges
tionnaires d'actifs et les d i rigeants d'entreprises d'assura nce. Quel
nouveau « modèle d'affa i res » pour l'assura nce ? Quels acteurs sau
ront utiliser à profit cette révol ution ? Qui fi nalement, dans la chaîne
de valeur de l'ind ustrie, améliorera sa renta bil ité grâce à ce nouveau
parad igme ? Les coûts en hommes, en recherche et en tech nologie
sont lourds pou r les acteurs du Big Data, surtout dans le secteu r de
l'assurance qui est déjà contra i nt à de nombreux investissements
dans ses systèmes de gestion en ra ison des nouveaux cadres régle
menta i res et prudentiels à ven i r.
Patrick Thou rot et Kossi Ametepe Folly sont, cependa nt, résolument
optimistes : héritiers d'un monde confi a nt dans les bienfaits du pro
grès scientifiq ue, ils concluent à l'opportunité à saisir. Mais ils ne sont
pas pour autant naïfs : toute maladresse de commun ication, toute
.µ
.s::. hésitation deva nt les risq ues fi na nciers pou rraient ra lenti r d u rable
CJl
·c
>
a.
ment cette opportunité en Fra nce. Le Big Data deviendrait alors une
0
u menace i ndustrielle e n provena nce d u monde déréglementé . J'espère
sincèrement, comme les auteurs, que cela ne se réa l isera pas.
Denis Kessler
Président-Directeur général de SCOR SE
Sommaire
Avant-Propos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Première Partie
Deuxième Partie
Troisième Partie
� Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
.µ
.s::.
CJl
·c
>
a.
0
u
Avant-Propos
e Big Data est devenu un sujet de préoccu pation majeure pour les
L sociétés et les acteurs économiques. La prolifération de l'i nfor
mation, des données, fait penser aux uns que la société va e n être
bouleversée, aux autres que de nouveaux modèles économiques de
vente, de consommation, de comportements émergent ra pide ment
et q u ' i l faut y adapter l es entreprises.
Cette « Révolution », bien réel le, fait l'objet d'im portantes pu blica
tions descri ptives des évolutions tech nologiques, des perspectives
sociétales, des comportements des clients et prospects, ou des évo
l utions des métiers et des systèmes d'information.
Cet ouvrage voudrait fou rnir, à travers une su ite de monogra phies,
une vision ra isonnée de l ' i m pact d u Big Data sur l'évolution de
l'assu rance en Fra nce, pour les métiers comme pou r l'orga n isation
des entreprises. Notre a pproche est a ussi empirique et concrète
que possible, et vise à donner aux acteurs de l'assu ra nce, quelle que
soit leur situation dans la chaîne de production (porteurs de risq ues
.µ
.s::. ou d istributeurs), une descri ption des e njeux et des défis que pro
CJl
·c
>
a.
pose le Big Data . Il s'adresse aux professionnels de l'assu ra nce qui
0
u s' interrogent sur la notion même de Big Data et sur les orientations
stratégiq ues qu'ils doivent prendre, com pte tenu des perspectives
q u'ouvre la mu ltiplication des don nées (en vol u me, en ra pidité et en
d iversité) à la gestion de leur métier. I l s'agit de les aider à répondre
12 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
à la q uestion centra le : le Big Data est-il pour l'assu ra nce une oppor
tunité ou une menace ? Les auteurs ont évidemment leur réponse,
mais ils souha itent fournir à leurs lecteurs les moyens et les éléments
d'i nfo rmation nécessaires pour former leur propre j ugement.
Cet ouvrage est écrit du poi nt de vue des assureurs, et non des spé
cial istes de la gestion des données ou des responsables de systèmes
d'i nformation. Les auteu rs cherchent à décrire les défis et les enjeux
du Big Data pou r les e ntités d'assurance et non les tech niques de
col lecte et de gestion des don nées. Nom bre de q uestions majeures
de fa isabil ité i nformatique ou de mise en œuvre sont donc passées
sous si lence.
déterminer les acteurs les m ieux placés pour extra ire de la va leur du
flot de don nées que produisent les nouvelles tech nologies. Elle traite
enfi n de la situation des sociétés fra nça ises d'assu ra nce à l'égard d'un
envi ronnement réglementa i re plus ou moins hostile à la gestion de
don n ées de masse.
Nous espérons a i nsi contribuer à former l'opinion des res ponsa bles
d'entités d'assu ra nce, mais a ussi de nos étudia nts, a ppartenant à
.µ
.s::. la génération digital native, et du monde un iversita i re sur l'im pact
CJl
·c
>
a.
du Big Data pour les métiers de l'assura nce, et a pporter a i nsi notre
0
u propre ré ponse à la q uestion : Big Data, opportun ité ou menace pou r
les assureurs ?
Première partie
L'écosystème
du Big Data aujourd'hui
e Big Data ta ntôt fa it rêver, tantôt inqu iète . La mu lti p l icité des
L possi bilités de connections électroniq ues (les « clics ») depuis le
début d'I nternet la isse imaginer des sol utions commercia l es i n nom
brables se su bstituant au commerce de proxim ité. Mais beaucoup de
consommateurs (clients) se sentent « espionnés ». La Ca rte O ra nge
défunte devenue le Passe N avigo permet de connaître, comme le G PS,
les itinéra i res de chacun dans et hors la ville. Le contenu du ca ddy de
supermarché est un outil de ma rketing q u i pou rrait bien modifier les
pol itiq ues de prix de la grande surface, mais peut-être pas au pro
fit du consom mateur. Mon banquier connaît a ujourd' h u i bea ucoup
d'éléments de mon comportement d'achat et de mon patri moine.
Ora nge dispose d'é normes bases de données sur les com m u nications
téléphon iq ues et I nternet de ses clients. La génération 2.0 se fél icite,
a u moins dans la publicité télévisée, de commu niquer avec sa banque
via le smartphone. Les « a pplis » se multi plient, dans une ambia nce
de gratuité un peu suspecte. La m a rionnette de Tim Cook, dans « Les
Guignols de l'l nfo » sur Cana l+, présente chacune des innovations
d'Apple comme une « révolution », sous l'œil sarcastique et du bitatif
de PPDA. Beaucoup d'entre nous racontons notre vie sur Facebook,
et/ou participons au résea u Linked l n . Nous vivons, comme le dit l a
m a rion nette de Tim Cook, une « révolution » de l a conna issance, fon
.µ
dée sur l a prolifération de « données » (data) qui ne cesse de croître .
.s::.
CJl
·c
Twitter génère 7 téraoctets de données et Facebook 10 par jour1 et
>
a.
0 rien ne sem ble indiquer u n ra lentissement de croissance. Le Big Data
u
c'est d'abord cette prolifération de données transm ises sous forme
2. M u ltirisques Habitation.
L'ÉCOSYSTÈME DU BIG DATA AUJOURD'HUI 1 17
* *
Des vol umes considéra bles, sans com mune mesure avec
l'i nformation que l'assu reu r reçoit (ou obtient) de son client,
particulier ou ind ustriel, sur le risque qu'il lui est demandé
d'assurer. Nous d i rons que le Big Data pou rrait prod uire une
i nversion de l'asymétrie d'i nfo rmation e ntre client et ass u reur,
et bouscu ler sévèrement le risque d'a nti-sélection (le vieux
moral hazard qui pousse l'assureur ignorant à souscri re des
risques à proba bil ités fortes de réa lisation).
.µ
.s::. La Velocity est la ra pid ité d'obtention d'une i nformation abon
CJl
·c
>
a.
da nte sur les cl ients. Le contrat a n nuel traditionnel fra nçais « à
0
u tacite reconduction » d'un risque éva lué et réexa miné à date
fixe est submergé par les informations sur le com porte ment
d u clie nt et l'évolution quotid ienne (ou quasi) du risque qui
a rrivent à l'assureur.
La Variety est peut-être le plus im porta nt. L' i nfo rmation est
m u l tiple, ch iffrée ou non, vérifiée ou pas, perti nente ou i n utile.
Elle n'est plus codée et gérée en silo : à l'assura nce Auto, l'âge
du permis de conduire ; à l'assurance Sa nté ou empru nteur, le
q uestion naire « de sa nté » ; à l'assurance Vie, des i nformations
n a rratives sur le patri moine et les com pétences fi nancières
du prospect. Le Big Data est aussi, ou d'abord, une stratégie
de tri de l'information pertinente, fût-elle « à bas bru it5 ». La
fréquence n'est plus nécessairement un critère de pertinence
de l'i nformation.
D L'i nformation est un actif (asset). Pour l'assu reur, c'est un moyen
de souscription. Pour le data scientist, c'est un trésor, qu'il faut
déterrer pour concevoir des produits et des ta rifs adaptés au
plus près des besoins du client. Pour l'actuaire, voici venu le
temps du « prix actuariel » (donc exact !) du risque présenté
par le prospect. Nous dirons plus ta rd les ravages que cette idée
peut causer sur les théories classiq ues de l'assura bil ité du risque.
Au diable la mutual isation ! Nous voici à l'ère de l'éva luation du
risque que chacun payera son prix, sous réserve - évidem ment -
que celui-ci soit fina ncièrement et socia lement acceptable. Quoi
qu'il en soit, la donnée a désormais de la valeur, pour peu que
l'on sache la reconnaître et l'extra i re. Nous verrons qu'il s'agit
de la question cruciale. Qui crée de la va leur et qui est le mieux
.µ
placé pour l'extraire ? Qui sait faire les « ba rrages filtrants » pour
.s::.
CJl
·c
chercher les « pépites » ma rketing, tarifaires et de gestion qui
>
a.
0 amél ioreront su bstantiellement la « proposition de valeur » (la
u
célèbre value proposition des consultants de la décennie 90) au
prospect ? Qui assu rera l'avantage compétitif de l'un ou l'autre
S. Les données « à bas bruit » désignent les signaux peu nombreux mais révéla
teu rs de l'évolution des comportements.
L'ÉCOSYSTÈME DU BIG DATA AUJOURD'HUI 1 19
Le Big Data bouscu l e donc singu lièrement non seu lement les a rchi
tectures de l'i nformatique de gestion, mais l'ensemble de l'a pproche
du client et du risque, à condition, naturel lement, de savoir l'utiliser.
c
:8 2.1 Les outils Hadoop
Sur le plan technique, l'infrastructure repose sur les outils Hadoop, qui
sont « en relation avec les grandes entreprises du Web et des réseaux
sociaux »6. Ils permettent de satisfai re les exigences de gestion du Big
.µ
.s::. Data : « disponibilité et durabilité des données », « scalabilité7 l inéaire
CJl
·c
>
a.
0
u
6. Dupuis et Berthelé, op. cit.
7. Vient du mot anglais scalability, formé sur l'adjectif scalable, dérivé du verbe
to scale (« changer d'échelle »). Désigne la capacité d'un dispositif informa
tique à s'adapter au rythme de la demande (en termes de stockage et/ou de
ca lcul). Sou rce : Wikipedia.
L'ÉCOSYSTÈME DU BIG DATA AUJOURD'HUI 1 21
2.2 Le c/oud
Ce n'est pas à proprement parler u n outil Big Data, mais i l est presq ue
indispensable du fait des avantages qu'il présente « en termes de
coûts de stockage et de calcul »8• Ai nsi, voit-on a ppa raître les grands
acteurs du Web dans u n ou plusieurs des n iveaux de service du c/oud :
Applications Software as a Service (SaaS) pour Facebook, Twitter,
Lin ked ln, Applications Plateform as a Service ( PaaS) pour Amazon ou
Google, Infrastructure as a Service (laaS) pour Amazon.
2.4 Enfin, le Big Data s'appuie sur l'ensemble des éléments que
nous dénommerons, par simplification, le « Web 2.0 » .
10. Di rective de l'U nion européenne sur le contrôle de la solvabil ité des entités
d'assurance.
11. Commission Nationale de !'I nformatique et des Libertés.
L'ÉCOSYSTÈME DU BIG DATA AUJOURD'HUI J 23
tement légitimes) sur la race, les pratiques sexuel les, la rel igion, etc.
l! open data ( Eta lab) est un outil encore faiblement développé. Il s'agit
des données issues des Ad ministrations publiques qui pou rra ient être
ouvertes à la consu ltation générale. Cela nourrit une polémique récu r
rente sur les don nées de santé, mais l'open data offre bien d'autres
possibil ités sur l'appréciation des risq ues tant en ce qui concerne les
particuliers (excès de vitesse ) que les entreprises (fréquence des
sinistres construction, exposition aux risques environnementaux, etc.).
« L'I nternet des objets est peut-être le plus prometteur des outils
»
Le Big Data est le résu ltat d'une chaîne de production de don nées
dont les acteu rs, en ce qui concerne l'assura nce, sont nom breux et
dont l es rôles ne sont pas a ujourd' h u i détermi nés. C'est même l'enjeu
des prochaines a n nées que de défi n i r si l'on reste sur une logique de
chaîne de production, où chaque maillon essa ie de s'a pproprier la
plus grande partie possible de la marge, ou si l ' i ntégration verticale
se construit : Google projeta nt de vend re des produits d'assurance en
u ti l isant les i nformations qu'il collecte.
3.1 Les producteurs de données sont les futurs clients des assureurs.
C'est le cas nota m ment des particuliers : la logique de l'assu ra nce Big
Data est de reposer sur les i nformations comportementales, le plus
souvent gratuitement proposées, ce qui facil ite d'ailleurs l'obtention
du consentement du client. I l sera à court terme difficile de raconter
sa vie sur Facebook et de refuser en même temps l'accès de son ban
quier, de son assureur et sans doute, hélas, de son i nspecteur des
i m pôts à cette information. L'assurance B ig Data est une révol ution
en ceci q u'elle met pratiq uement fi n à l'asymétrie d'information,
traditionnellement défavorable à l'assureur. Le producteur d'i nfor
mation décrit de l u i-même le risq ue qu'il veut assurer (y com pris son
état de santé), ma is, il est vra i, pas toujours en pleine conscience des
possi bilités d'exploitation de cette i nformation par l'assureur, ca r il
.µ
décrit ce risque erga omnes et non en ré ponse aux q uestions lim itées
.s::.
CJl
·c
de l'assureur.
>
a.
0
u
3.2 Les collecteurs (et éventuellement fournisseurs) de données
sont bien connus.
C'est le poi nt n évra lgique de contact entre les spécial istes des don
.µ
.s::. nées (les data scientists), les acteurs technologiques ( les systèmes
CJl
·c
>
a.
d'information), et les « métiers » (ma rketi ng, distribution, conception,
0
u tarification et gestion des produ its, etc. ) parmi lesq uels les actuai res
12. Niveau de dépendance mesuré pa r la grille AGG I R fixée par les Pouvoirs
publics. Le « classement » de la personne dépenda nte dans une catégorie
G IR définit le montant d'APA octroyé à la victime de la dépendance.
26 J BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
occupent une position centrale. Le succès d'un projet Big Data dépend
de la bonne coordination entre ces diverses a pproches. C'est ce que
tente de réa liser la méthode dite « Agile » dont le « man ifeste » est
significatif des objectifs de cette méthode : priorité aux personnes et
aux i nteractions, priorité don née à la colla boration avec le client et aux
i nteractions, etc. Cela dit, i l en est de cette méthode comme de toutes
les« condu ites de projet », el les ne va lent que par la com pétence de
leurs pilotes et surtout l'impl ication réelle des d i rigea nts dans la m ise
en œuvre du projet. Les« carnets de prod uit » et« ca rnets de sprint »
qui sont les « livra bles » de la méthode Agile font inél ucta blement
penser aux divers « gadgets » de management que chaque méthode
d'orga n isation se doit de promouvoir (les « ceintures noires » de la
méthode Lea n Six Sigma, les consoles i nformatiques du Customer
Relationship Management (CRM), etc.). La q uestion de l'efficacité
de la collaboration e ntre les trois acteu rs du traitement du Big Data
n'en est pas moins posée, et doit être résolue pour fa i re prospérer le
projet. Comme toujou rs, il s'agit de trouver l'équilibre entre un projet
largement conduit par la tech nologie ou pi loté par les gestionnaires
de prod uits d'assura nce. Ce sera le talent du top management de
veiller à cet équilibre entre systè mes i nformatiques et tech nique de
ta rification et de gestion des prod uits.
La plu part des a pplications Big Data sont orientées vers le client (y
compris la gestion d'actifs dont les résu ltats sont le facteu r majeur de
la com pétitivité des prod u its d'ass u ra nce Vie/ É pargne). Mais certa ins
L'ÉCOSYSTÈME DU BIG DATA AUJOURD'HUI 1 27
experts considèrent que les tech nologies Big Data, a ppliq u ées à la
gestion de l'entreprise, considérée elle-même comme u n e source
de don n ées i nsuffisa mment exploitées, pou rra i ent permettre des
progrès majeurs dans les domai nes, par exem ple, de la com pta bilité
d'un groupe doté de nom breuses fi liales, ou du pi lotage tech nique
des résu ltats.
* *
Pour bea ucoup d'assureurs (et a ussi d'assurés), il est une menace, en
ceci qu'il ouvre la concurrence avec de nouveaux acteurs, et boule
verse les habitudes acquises de gestion des métiers . Pour d'a utres,
i l est une opportun ité de développement d'une nouvelle façon de
fa i re ces métiers, de dia loguer avec le client, de fixe r des « prix actua
riels » des risq ues, de réduire l'asymétrie d'i nformation, de créer de
nouveaux et meilleu rs produ its, d'accéder vite et efficacement à des
clients psychologiquement éloignés des besoins d'assu ra nce, et seu
lement contra i nts de s'assurer par les obligations légales .
.µ
.s::.
CJl
·c
Les chapitres q u i vont suivre ont pour but d'aider le lecteur à forger
>
a.
0 sa propre opinion.
u
Annexe au chapitre 1
À l'ère du Big Data, les données à traiter par les entreprises sont telle
ment volumineuses qu'il devient difficile de les ana lyser avec des outils
classiques de gestion de base de don nées. En effet, ces derniers (exclu
sivement les bases de données relationnelles) ont un défaut majeur :
elles ne sont sca/ab/es14 que de man ière verticale (en augmentant
la pu issance d'un seu l serveur) jusq u'à atteindre des prix prohi bitifs.
Pa r opposition, les outils qui se sont développés dans le domaine du
Big Data visent à atteindre une scalabilité horizonta le (i.e. obtenue
en rajoutant des serveurs à bas coût), au prix d'un renoncement au
modèle de don nées relationnel et/ou au modèle tra nsactionnel.
Définitions
am azon
web services...
L'ÉCOSYSTÈME DU BIG DATA AUJOURD'HUI 1 31
Multi-valued
Column Oriented
(MUMJ.va/Ue soned map)
1d Name
@IQIM 1d lnterests
Ricky 2 20 Soccer
2 Ankur 3 25 Movies
3 Sam Baseball
3 Music
Hlenirthkal D•U.b•ses
Root
.µ
.s::.
CJl
·c
>
a.
0
u
Rela·tion�I dat�base supportinc other structures
Own.l ON'nl
Fact_Table
L'ÉCOSYSTÈME DU BIG DATA AUJOURD'HUI 1 33
From Thailand
,..
svnDACAST
-.,,...,.. ..........-
34 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
d'a ppl ications Web basée dans les serveurs de Google. À l'i nverse
d'AWS, c'est gratuit pou r des projets à petite échelle.
Go gl App Engme
Hbase : Système de gestion de bases de don nées non rel ationnel le,
d istribuée et orientée colon nes, prenant pour modèle BigTable de
Google.
Source : M icrosoft
Machine Learning : L'enjeu majeu r du Big Data n'est pas dans la col
lecte et le stockage - problème difficile et principalement tech nique
- mais dans la va lorisation de ces données, qui touche princi pale-
L'ÉCOSYSTÈME DU BIG DATA AUJOURD'HUI 1 37
OISPONIBIUïE
DES DONNÉES
•
PUI SSANCE ALGORITHMES
INFORMATIQUE STATISTIQUES
Storm : Storm est un système de ca lcul distri bué, open source et tolé
ra nt aux pan nes, q u i permet de traiter les don nées en temps réel
avec Hadoop.
Spark : Est une infrastructure de tra itement para l lèle open source qui
.µ
prend en charge le traitement en mémoire pou r a méliorer les perfor
.s::.
CJl
·c
ma nces des a ppl ications d'a na lyse de données vol u m ineuses. Spark
>
a.
0 est éla boré pour permettre des a n a lyses rapides, et par ses ca pacités
u
de ca lcul en mémoire, Spark constitue le choix idéa l pour les a lgo
rithmes itératifs util isés en machine learning.
38 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
Chacun de ces types de bases de don nées NoSQL présente des carac
téristiq u es différentes en termes de traitement de certains types de
don nées (par exemple, les bases orientées gra phes sont indispensables
pour traiter efficacement les don nées issues des réseaux sociaux).
KNOWS
, Nom . Paul ..
���� : ?.�... .. .
Type . Groupe
Nom : NoSOL
Outils de programmation
python'"
CJl
il
·c
>
a.
0
u
40 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
Références
.µ
https://azure. microsoft.com/fr-fr/
.s::.
CJl
·c
>
a.
0
u
Chapitre 2
a forte pression exercée par les ana lystes, les agences de notation,
L les SSll, et sans doute a ussi les consu ltants sur les entreprises
d'assura nce à propos de la « révol ution d igita le » se conjugue
avec l'émergence du phénomène Big Data. Si l'on y ajoute le déve
loppement - déjà ancien - des réseaux sociaux et leur incidence
considérable sur le comportement d'achat des générations nouvelles,
a i nsi que ce q u e l'on peut appeler les nouveaux modes de consom
mation et l'économie col l a bo rative (ou prétendue tel le), il y a de quoi
égarer le lecteu r. D'autant que ces évolutions m u ltiples se rejoignent
et surtout sont issues des mêmes outils : I nternet et les innom bra b les
util isations possi bles des téléphones porta bles et des « objets connec
tés », a u poi nt que l'on parle désormais d' « I nternet des Objets » .
Pa r a i l leurs, ces évolutions tendent à s e conjuguer : les smartphones
prom euvent l'usage de Twitter, l'économie « collaborative » s'a ppuie
sur des réseaux sociaux qui vont recom ma nder (ou déconsei ller) telle
ou telle solution d'assura nce, voi re en conseiller de nouvelles. Et ces
relations prod u isent de l'i nformation, nota m ment com portementa le,
:8 que l'assureur pou rra it uti l iser dans le cad re de sol utions Big Data de
� ta rification, de gestion de contrats, de conception de produ its, voi re
ca
c::
\0
de l utte contre la fraude.
.-f
0
N
@ 1. Pou r les concepteurs du marketing de l'assurance, la principale
.µ
.s::.
CJl
·c
innovation est l'apparition des réseaux sociaux, notamment
>
a.
0 Facebook ou Linkedln.
u
Ces structures ont deux ca ractéristiq ues essentiel les qui n'ont rien à
voi r avec ce q u'elles prétendent être ( u n e sorte de Who's Who ou
de col lections d'a n n u a i res d'a nciens élèves de lycées). La profondeur
et la d iversité d'i nformations « postées » sur Facebook en font u n
42 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
Les réseaux sociaux sont donc le premier a l i ment d u Big Data, bien
ava nt les perspectives d'ouverture des don nées publiq ues, ou open
data. La partie qui i ntéresse le plus les assureurs concerne les don
n ées de Sa nté individuelles ; et l'on sent bien qu'il n'est pas question,
à vue humai ne, de les com m u niquer à des acteurs de l'économie,
fût-elle socia l e et solidaire. Reste évidem ment à explorer, dans cet
open data, des i nformations q u i peuvent i ntéresser certains types
de risques : les rés u ltats théra peutiques des éta bl issements de soins
pour ta rifer la Responsa bilité Civi le Médicale des éta bl issements et
des praticiens, les statistiq ues sur les vols et ca mbriolages et sur leur
.µ
.s::. élucidation, l'exploration précise des incendies volonta i res et cri m i
CJl
·c
>
a.
n els, la description statistique d u phénomène d u suicide, etc.
0
u
Les réseaux sociaux sont aussi, en eux-mêmes, de puissa nts outils de
ma rketing : l'adage « Si c'est gratuit, vous êtes le prod uit » est signi
ficatif de l'usage qui peut être fa it de ces réseaux, à deux niveaux :
L'ÉCOSYSTÈME DU BIG DATA AUJOURD'HUI 1 43
Les réseaux sociaux sont un outil ma rketing, mais surtout une source
de Big Data que l'assu reu r peut « ach eter », en sous-traitant le Data
Mining aux gestionnaires du réseau, ou gérer par lui-même, selon
son ana lyse de l a meilleure méthode d'acq uisition de l a va leur conte
nue dans les données. C'est un aspect majeur du Big Data, qui sera
examiné en déta il ci-a près, que de savoir qui saura - et comment -
constru i re et s'appro prier la valeur créée par l'information .
15. RC Auto.
44 J BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
C'est pourtant a utou r de cette évol ution, déjà a ncien ne, que les
entités d'assu ra nce semblent orienter leur com m u n ication sur la
« digita l isation » des entités, bien souvent confondue avec l'adoption
de tech niq ues de gestion Big Data. Il n'est pas rare de voir mis en
.µ
ava nt le nom bre de salariés ou mem bres des réseaux com merciaux
.s::.
CJl
·c
équipés de « ta blettes » pour constater la « d igita lisation » croissante
>
a.
0 de l'entreprise. C'est confondre l'outil et le contenu, si l'on e ntend
u
par « digita l isation » l'entrée dans l'ère Big Data de l'entreprise. Les
tablettes sont de petits ordinate u rs porta bles connectés aux bases
de données produ its de l'entreprise dans lesq uelles elles portent les
souscriptions ou les décla rations de sinistres, elles ne transforment
en rien les structures de la connaissance d u client. Tout a u plus
peut-on les doter d'outi ls - a ujourd' hui u n peu passés de mode - de
Customer Relationship Management, q u i permettent - pour les par
ticul iers - u n e a pproche simplifiée des besoins d'assurance d u client.
Cela d it, outre q u'elle s' i nscrit dans une vision tradition nelle de la
d istributi on/prod uction (économiser les coûts de distribution et de
gestion et en fa i re bénéficier le client à travers u n e ta rification plus
basse mais sans en mod ifier les a lgorithmes de base), cette sol ution
de souscri ption « par I nternet » semble con naître de réelles difficul
tés à s' im poser. L'exemple le plus abouti, Amaguiz de Groupama, est
a ujourd' h u i pratiq uement mis en sommeil. Les acteu rs récem ment
créés dans le doma ine de « l'e-cou rtage », et en particul ier l es com
parateurs d'assu ra nce, sont a u ssi des exploita nts de platefo rmes
téléphoniq ues q u i gèrent, a près u n e a pproche I nternet, u n contact
vocal, voi re physique avec le client. I nternet est donc un outil de
démarchage commercial, où l'on retrouve d'a i l l e u rs le rôle des
réseaux sociaux, mais pas un outil Big Data .
Les observateurs assimi l ent a ujourd' hui le Big Data aux nouveaux
comportements de consommation des clients (partage, écha nge,
U be r, Bla blaca r) et à l'emploi d'objets connectés pour acquérir des
biens et des services. I l y a sans doute u n peu d'effet de mode dans
u n d iscou rs souvent confus, mais i l y a probablement u n lien fort avec
.µ
le Big Data, qui est l'attitude nouvelle des « nouveaux clients » (les
.s::.
CJl
·c
célè bres générations X et Y ou digital natives) à l'égard de leurs don
>
a.
0 n ées personnelles. Ce pou rrait être ce cha ngement d'attitude qui crée
u
la permissivité d'un nouvel écosystème de l'information. Si tel est le
cas, ce sont les mental ités et non les outils qui vont modifier l'attitude
des clients à l'égard de l'assura nce, et les nouvel l es générations de
clients qui vont bouleverser l'économie de l'i nformation disponible
46 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
Les nouveaux clients util isent naturel lement des outils informatiq ues
mais, comme on l'a vu, ceux-ci ne sont pas en eux-mêmes innovants.
Ils permettent j uste d'a l ler plus vite pour déposer une déclaration de
sinistre ou - pour les plus sophistiqués et les plus riches - de procéder à
un a rbitrage entre des fonds d'un contrat d'assu ra nce Vie en U nités de
Compte. La « digital isation » des assureurs répond à cette demande de
com munication di recte, plus ra pide, mais somme toute traditionnelle
du cl ient. I nternet et le SMS sont des a ppels téléphon iques auxquels
il est donné une réponse à cou p sûr, mais sans précipitation, et qui
la issent plus de traces, un écrit, qu'un échange téléphonique.
Dans l'assurance, pour l'insta nt, ces tendances sont fa iblement déve
loppées : la confi a nce dans la réputation d'une entreprise con n u e et
solide prévaut encore sur la solidarité loca l e . Mais rien ne dit que
les attitudes ne cha ngeront pas. L'assurance demeure un métier de
mutual isation et de solida rité, et les exemples ne manquent pas,
aux États-U n is et en Angleterre, de M utuel les locales de petite ta i l le,
constituées pour la couverture des risques d'une commu nauté locale
d'un club sportif, ou d'une association dont l'objet peut être éloigné de
l'assura nce. Ces structures sont souvent dénom mées affinity groups.
La cession du risque à u n porteu r de risque (une entité d'assura nce)
fait de ces orga nisations des q uasi-courtiers. L'étroitesse de la base de
mutual isation pou rrait, dans l'aven i r, i nciter ces structures à explorer
beaucoup plus précisément les risques qu'el les souscrivent. Peut-être
seront-el les les util isateurs d'a lgorith mes prospectifs comportemen
ta ux issus du Big Data, pour éviter des tarifications au coût moyen,
vite perçues comme i nj ustes, puisq u'opéra nt des tra nsferts fi na nciers
a u profit des certa ins mem bres de la mutual ité, qui « usent » trop
largement de l'assura nce. Nous entrerions ainsi dans une vérita ble
utilisation d u Big Data, qui pou rrait en effet révolutionner l'assurance
au n ivea u de sa ta rification et de sa solva bil ité.
Facebook est natu rel lement u n acteur majeur du Big Data, dans la
mesure où il permet à l'assureur d'accéder à des ressources de don
n ées com portementales considéra bles par leur profondeur et leur
d iversité. Facebook pou rra it donc deve n i r créateu r de mutualités
com portementales auxquel les il proposera it des assura nces adap
tées à l a spécificité de leurs besoins. Mais Facebook semble choisir
de demeurer un vendeur de données plus ou moins brutes plutôt que
de devenir l'exploitant de ces données à des fins assura ntiel les.
Google a man ifesté son i ntérêt pou r l'assu ra nce des pa rticuliers en
Fra n ce, mais a décidé de s'en retirer a près les premières études. La
démarche éta it probablement celle d'un « cou rtier grossiste » qui
a u rait proposé à des cl ients sélection nés par Google, sur la base de
« profils » d'util isation du moteur de recherche, des conditions de
ga ra nties très adaptées à leurs don nées comporteme nta les. O n peut
penser que Google a u ra it fa it porter le risque par des institutions
fi na ncières spécial isées, et instal lées dans des pays « accueillants »
sur le plan fi nancier, réglementa i re et fisca l .
* *
.µ
.s::.
CJl
·c
>
a.
0 La « révolution d igita le » pou r l'assura nce n'est pas l e Big Data, elle
u
n'e n est que la première phase et peut-être le facteur de déclenche
ment. E l le permet de donner au client des accès plus ra pides, plus
conviviaux aux services de l'assureur et de l'assisteur. Sans doute
permettra-t-elle de développer de nouveaux services. E l l e peut aussi
50 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
ass u rer l'accès à l'ass u ra nce de nouveaux clients dont les com porte
ments d'achat sont différents.
Les assu reurs doivent a ussi fa i re face à la plus gra nde volati l ité des
clients et, par conséq uent, utiliser les réseaux sociaux pour créer et
entretenir le contact avec ces nouveaux clients, et surtout pour assu
rer la qualité de leur « réputation » (la célèbre e-réputation). Mais la
présence et l'uti l isation des réseaux sociaux se situent a ujourd'hui
dans le domaine d u ma rketing classique face à des comporteme nts
de clients en évolution.
Le Big Data recèle une a utre « révol ution » . Nous montrerons que
l'a bondance d' informations non structurées change les bases mêmes
de la ta rification, d u ma rketing et de la gestion des ga ra nties d'assu
ra nce. Les outils d igita ux améliorent l'accès aux services, le Big
Data les transforme com plètement, et bouleverse aussi les services
eux-mêmes. Qua nt aux structures d'entreprises, le Big Data pose la
q uestion de savoir qui crée de la va leur et qui a ppréhende la m a rge,
ou mieux quelle est la meilleure position s u r la chaîne de va leur pour
a ppréhender la m a rge : porteu r de risque, concepteu r de produ it/
ta rif, gestionnaire de contrat, collecteur de données, gestionnaire et
organisateu r de ces don nées. Si l'on entre dans cette logiq ue, on com
prend q u e le Big Data bat et redistri bue des ca rtes q u e les tech niques
d igita les ont sim plement améliorées dans leur présentation .
.µ
.s::.
CJl
·c
>
a.
0
u
Chapitre 3
C
e chapitre propose quelques réflexions sur les données issues du
Big Data, en préa mbule à une descri ption de la réglementation
sur la confidentialité des don nées personne lles.
U n gra nd nom bre d'orga n ismes recueil lent des données « person
nelles » sur les particuliers et les e ntreprises, e n contrepartie d'une
vente de biens ou de services : télé phon istes, concessionnaires auto,
banq ues, ve ndeurs sur I nternet, Sécu rité socia le, etc. I l est plus ou
moins cla i r que la propriété de cette i nformation est « partagée »
e ntre l'émetteu r (le client) et l'uti lisate u r (vendeurs de biens et de
services). C'est le sujet du célèbre « secret banca i re » (la ba nque ne
peut com m u n iquer les i nformations dont elle d ispose sur les com ptes
et leur prop riéta ire) et du « secret médical » ( l'ensemble des « don
nées de sa nté » n'est partagé q u'entre le patie nt, le médecin et ... la
Sécu rité sociale), et d'a utres « secrets professionnels » . Cela couvre
éga lement le « scandale » d u pi ratage des don n ées déte n ues par
Ora nge ou les obl igations l éga les faites a ux entreprises de déclarer le
piratage ou le vol de don nées qu'elles ont recueillies.
.µ
Le Big Data bouscu l e profondément cette orga nisation de la propriété
.s::.
CJl
·c
des don nées personnel les.
>
a.
0
u
1.1 Certaines données échappent de fait à toute réglementation ou
droit de propriété, y compris dans les domaines qui intéressent
l'assurance.
C'est nota m ment le cas des don nées issues des contrôles d'entretien
52 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
Ces données, qui sont pou r certa ines proches des données
« médicales », fourn issent de précieuses i nformations sur l'état de
sa nté actuel ou probable dans le futur de chacun, et bousculent le
d iscours sur la confidentia l ité des données de sa nté. Soit chaque
individu conserve pour lui-même les données compo rtementa les
en cause. Il n'en tire donc aucun bénéfice, et ces don nées restent
confidentielles, ou au moins sa propriété. Mais el les peuvent être
recueil lies par u n acteur du Big Data, non dénommé et inconnu q u i, à
l'heure actuel le, peut les utiliser ou au moins les com mun iquer à des
.µ
tiers moyennant fi na nce. Soit l'ind ividu décide de « vend re » ses don
.s::.
CJl
·c
n ées, par exemple à un assureur Sa nté, las de classer somma irement
>
a.
0 ses clients par âge et sur le critère fu meur/non-fu meur, et qui espère
u
une ta rification prospective, comportementale et stochastique des
risques qu'il souscrit. Sans qu'il soit besoi n d'obten i r le bilan de sa nté
d'un client (potentiel lement coûteux et donc seulement demandé
par l e réassureur d u contrat de prévoya nce d'un client fortuné ou
L'ÉCOSYSTÈME DU BIG DATA AUJOURD'HUI 1 53
La polémique sur les don nées « person nelles » de sa nté n'est évi
demment pas innocente. Les Assu reurs cherchent depuis lo ngtemps
une voie d'accès à « l'i nformation médicale » pou r affiner leur tari
fication d u risque Sa nté i n d ividuelle et des garanties décès sur les
assura nces e m p runteurs. Or, le com bat est désespéré. En obl igea nt
.µ
le système de Sécu rité sociale à ouvrir ses bases de don nées et à
.s::.
CJl
·c
permettre leur traitement, l' État sait qu'il mettra it à mal le principe
>
a.
0 d'un icité des cotisations e n mettant à jour l es extrêmes différences
u
entre les consom mations médicales des mé nages et, par conséq uent,
les transferts mu lti ples entre les nivea ux de revenus et les classes
d'âge. Or, cette ouverture d'i nformation se ferait au profit d'assureurs
« privés » (quoique l a plupart du temps mutual istes), qui prétendent
54 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
« ta rifer » les risques Sa nté (Décès et Prévoya nce) sur l a base de leur
probabilité de surve nance et non les fina ncer par u n système quasi
fisca l (payer les dépenses par des recettes aj usta bles assises sur la
masse salariale des actifs et, à un moindre degré, sur les retraites), dit
de « solida rité nationale » .
Or, il est probable que cette ouverture des i nformations de sa nté n'est
pas indispensable à la ta rification prospective. Les don nées com por
tementales sont suffisantes pour générer une valorisation du risque,
et le client en est peut-être propriéta i re (voir ci-dessous). Chacun de
nous peut donc les « vendre » à un assureur qui ta riferait les proba
bil ités de survenance des risques de Sa nté sur des bases nouvel les.
Les paiements par ca rte banca i re sont les sources les plus évidentes,
de même q u e les comma ndes de produ its sur Internet.
Les gra nds collecte u rs de don nées sont les transformateurs de l'a bon
da nce de plomb (les données) en or (les marges), par le ve ndeur des
don n ées aux uti lisateurs (assure u rs).
3.1 Certains experts considèrent que le « Big Data » est, par essence,
non régulé.
Pour certains, le propriéta ire de la don née peut accepter qu'un tiers
traite cette donnée : c'est le consentement à mettre à disposition de l'as
sureur Santé les données de comportement enregistrées par des objets
connectés. La préoccupation logique des Pouvoirs publ ics est a lors de
chercher la preuve du consentement (sa « traçabil ité » ) . Elle est aussi
d'éviter que les données soient transférées dans un pays où le niveau de
protection n'est pas équivalent à cel ui de la France (donc, en pratique,
hors d'Europe). Cela réduit les possibilités de gérer des données dans
un c/oud installé hors d' Europe, dans un pays où la réglementation sur
l'utilisation des données serait plus laxiste qu'en France.
les mêmes concepts d' information exacte et précise d u clie nt sur les
produ its et d'i nformation du vendeur sur les besoins patrimoniaux
et les com pétences fin a ncières d u prospect. Cette demande d'i nfor
mation constitue bien une intrusion effective dans la vie privée de ce
prospect amené à révéler sa situation fi nancière et ses objectifs de
dévol ution successora le, nota m ment.
Il résulte de tout ceci l' idée répa ndue que les grandes entreprises
d'assurance ou de banque sont moins bien placées que les fintechs
ou les courtiers en l igne pour exploiter le Big Data. Le non-respect
ou le risque de non-respect de la réglementation est un facteur de
risque de réputation pour une grande entreprise d'assura nce. C'est
u n risque moindre pour une entreprise i ntermédiaire, en ligne, non
soumise aux contrai ntes de « conformité » i m posées par Solva bil ité 1 1,
et fi na lement peu sensible a u risque de réputation sur sa marque.
ne peut, en France, vendre ses orga nes (mais on peut les donner), ou ne
pou rrait « vendre » les informations sur leur fonctionnement (données
sur le rythme cardiaq ue, la tension a rtérielle, etc.).
En France, l'assu reu r ne peut recueillir et exploiter les seules don nées
qui sont autorisées par la CN I L a u nom de la protection de la vie pri
vée. Le « client » ne peut être « intéressé » à la fou rniture de données
person nelles : il ne pourrait consentir à les céder. L'assu reur est donc
dura blement ca ntonné à l'utilisation de « questionna ires » (l'âge du
permis, le type de véhicu le, le fait d'avoi r subi des opérations chirurgi
cales dans le passé, la présence de mesures de prévention/protection
minima les contre le vol du domicile, etc.). Ces données sont fra nçaises
et ne sauraient être exportées pour être utilisées à l'étranger (dans le
cloud ?), sauf à se trouver en contravention avec la loi.
Les experts juridiq ues font souvent référence à l'idée que l'absence de
traça bilité (mais est-ce le cas sur Facebook ?) fait passer dans la sphère
.µ
.s::. « grand public » les notions de données privées ou personnel les. Cela
CJl
·c
>
a.
revient à dire que poster des i nformations sur Facebook conduit à
0
u accepter leur utilisation par leur sortie de la « sphère privée ».
* *
Les contra i ntes juridiques q u i pèsent sur l a propriété des don nées
sont lourdes. El l es seront d'a utant plus pénal isa ntes qu'el les dépas
seront les seules « données de sa nté » q u i, en pratique, ne sont pas
majeu res dans le développement de « l'assu ra nce Big Data ». L'assu
ra nce Sa nté est et demeurera « com plémenta i re » de la Sécu rité
sociale. En reva nche, i l est bien possible que les contra i ntes o rientent
les assureurs vers des démarches i nterméd iées, pou r éviter tout
risque de conformité ou de réputation. Cela conduit à valoriser les
grands acteurs du Big Data déjà en place et en position de quasi
monopole, et surtout des acteurs que leur mondialisation favorise
pour échapper aux règles qui s' im posent aux assureurs : Google loca
lise ses don n ées de façon optimale sur le plan réglementa i re et fiscal,
AXA ne peut, en pratique, exporter ses fich iers hors d'Europe.
.µ
Cela étant, ces contra i ntes j u ridiq ues se déclinent de façon variable
.s::.
CJl
·c
selon les poi nts d'a pplication du Big Data. Sur la ta rification Sa nté
>
a.
0 et P révoya nce, elles sont lou rdes, et la ta rification comportemen
u
tale devra u ti l iser des voies spécifiques. Sur la tarification Auto, des
moyens d'orga nisation sont possi bles. Sur le marketing, la CN I L se
montre ouverte à l'exploitation de don nées, pourvu q u'el les soient
« anonym isées » .
Deuxième partie
Le Big Data et
les métiers de l'assurance
L'a pport d u Big Data ne s e réduit pas à la création d'un nouveau mode
.µ
de distri bution. Il mod ifie en profondeur le modèle économique de
.s::.
CJl
·c
la conception des prod u its et de la tarification de ceux-ci, en su bs
>
a.
0 tituant à des modèles de mutual isation celui du prix actua riel des
u
risques des particul iers et des entreprises. C'est une gra nde partie
de la théorie du risque et de l'assurabi lité qui se trouve bouleversée.
Le deuxième cha pitre reprend ici un a rticle sur le même sujet publié
dans le n u méro 103 de la revue Risques (septembre 2015) sous la
66 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
Pour a l ler au-delà, i l faut considérer que le Big Data mod ifiera les
cond itions de gestion des contrats (Vie et Non-Vie) et nota mment
les rachats, l'indemnisation et le ca lcul des provisions. C'est l'objet du
troisième chapitre.
Le cinqu ième cha pitre a bo rde les effets d u Big Data sur l'orga n isa
tion des Systèmes d'i nformation et sur les ressources humai nes,
a ujourd' h u i peu étudiés. Or le Big Data crée de nouveaux métiers et
pose des q uestions majeu res d'orga n isation des entreprises, a uxq uels
les structures existantes sont encore peu préparées, voi re dont e l les
sont peu conscie ntes .
.µ
.s::.
CJl
·c
>
a.
0
u
Chapitre 4
J
usq u'à une période récente, les a n nées 1995-2000, le ma rketing
était le pa rent pa uvre de l'entreprise d'assurance. Le « d i recteu r
commercia l » était l e plus souvent DRH des réseaux, recruteu r
et contrôleur d'agents généraux, négociateur d e rémunérations
(« i ntéressement » aux résultats techniques), d istributeur de facil ités
ta rifai res aux acteurs des réseaux dont il ava it la charge.
24. Followers.
25. Publicité télévisée de M MA.
LE BIG DATA ET LES MÉTIERS DE L'ASSURANCE 1 71
L'a ppréhension correcte des besoins de sécurité des clients par les
assureurs/ba nquiers devra it conduire à la diffusion large des produits
d'assurance Dépendance auprès de catégories de person nes âgées
sélectionnées. Or, il n'en est rien ; ce qui montre, en réalité, une inadap
tation réelle des produits, des tarifs, du ciblage ma rketing et/ou une
défaillance forte de l'information publicitaire des cl ients potentiels.
26. Garantie des Accidents de la Vie : assurance indemnita i re des risques liés à la
vie quotidienne et notamment ceux d'accidents domestiques.
72 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
.µ
.s::. 2.1 La conception des produits d'assurance
CJl
·c
>
a.
0 Le Big Data permettra de passer d'une collecte i ntu itive, fi nalement
u
assez a rtisa na le, des besoins d'assura nce exprimés ou ressentis par
les clients à une collecte industrielle d'i nformation sur leurs besoins
de sécu rité patrimoniale. Pou r l'i nstant, l'i ntuition des techniciens, les
pressions de l'environnement ou, désormais, les « chats », « blogs »,
« tweets » avec certa ines catégories de clients et les « panels » de
LE BIG DATA ET LES MÉTIERS DE L'ASSURANCE 1 73
clients sont les sources d'i nformation sur les dema ndes en matière
d'assura nce. La modestie de l'i nfo rmation et surtout le « biais » intro
duit d a ns la logique d'a ppréhension des i nformations sont évidents :
ne s'expriment que ceux qui y ont u n i ntérêt et cherchent à fa i re
prévaloir u n point de vue. On en a rrive à ce qui détruit l'efficacité
du dia logue sur la qua lité et l'adaptation du produit avec les com
merciaux des réseaux : les tech niciens pa rlent aux techn iciens, sans
gra nde considération pour le « client de base ».
Le Big Data donne accès à une profondeur d'i nfo rmation jamais
éga lée sur l'exposition a u risque des particuliers (et des P M E ), sur
l'attitude et les détermina nts de l'épargna nt, sur les risques effective
ment ressentis par eux comme menaçants, réels et coûteux. Or, cette
i nformation dû ment classée et qualifiée est inexistante actuel lement.
Le Big Data su bstitue a u « panel » de clients une information générale
et, par conséq uent, bea ucoup plus perti nente sur l'ensemble (ou une
gra nde partie) des clients potentiels.
Les actua i res pou rront procéder à des a na lyses prévisionnel les
des fl ux de rachats et surtout du comportement probables des
clients face à une perspective que les assu reurs jugent certa i ne,
74 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
27. Franco Modigliani {19 18-2003). Prix Nobel d'économie, auteur de la théorie
du cycle de vie {1953) qui met en évidence les changements de comporte
ments d'épargne des individus au cours de leur vie.
LE BIG DATA ET LES MÉTIERS DE L'ASSURANCE 1 75
2.2 Le Big Data ouvre la voie vers des travaux de marketing stra
tégique plus fi ns q ue ceux réalisés aujourd'hui.
* *
Le Big Data séduit les spécialistes du marketi ng, d'abord par l'accès
privilégié à de nom breux clie nts (c'est le réseau de GAFAM et les
réseaux sociaux en généra l ), mais a ussi parce qu'il enclenche une
.µ
.s::. révolution de l'approche client (qui est-il ? Et quels profi ls de clients
CJl
·c
>
a.
voulons-nous ?) et de la structuration des produ its (quels sont les
0
u besoins de protection fi nancière, réels et énoncés par le client
lui-même ?). Ce dernier point est majeur. Hormis les obl igations
d'assura nce, le système assura ntiel est pa uvre, aujourd'hui, dans sa
ca pacité à ana lyser l'a p pétence au risque des cl ients. Le Big Data en
donnera sûrement des moyens d'a ppréciation tota lement nouveaux.
Chapitre 5
Il en est de même pour les risq ues « d'entreprise » . L' i nformation sur
la cartogra phie des risques d'une e ntreprise est u n facteu r majeur
de son ass u ra b i l ité et la meil leure con na issance de l'exposition aux
risq ues de Responsabil ité Civile (exploitation, l ivraison, RCMS29
et demain Class Actions actions de groupe) peut fa i re évoluer le
-
dia logue entre assure u r et assu ré. I l fa ut ra ppeler que certains risk
managers considèrent q u e la description de leurs schémas de sous
traita nce et donc la loca l isation géogra phique des sous-traitants
relèvent du « secret des affaires » et ne peut donc être com m u ni
quée aux assureurs de Dom mages aux biens et pertes d'exploitation
de l'entreprise. Il reste donc du chemin à parcourir pou r mettre à jour
les moda l ités de tarification des dom mages ind ustriels, nota m ment
des gra nds grou pes dont la production est mondia lisée. Le Big Data
ré pond à ces besoins d' informations.
perfectionnée.
29. Responsa bilité Civile des Mandataires Sociaux : couverture des risques de
mise en cause de la respo nsabilité des d i rigeants d'entreprises du fait des
actes de gestion réalisés dans le cad re de l'activité de l'entreprise.
LE BIG DATA ET LES MÉTIERS DE L'ASSURANCE 1 85
devraient pas pouvoir être assu rés, mais trouvent dans la mutualisation,
large et rétrospective, un coût de prime acceptable. L'assureur surveille
l'équilibre de la m utualité, en résiliant les « mauvais » risques (expé
rience de sinistre) ou en ne souscrivant pas les éventuels mauvais risques
(réputés tels, d'après l'expérience statistique rétrospective du marché) .
Le tarif représente donc le risque, telle que la fréquence de survenance
en a été mesurée dans le passé, et le coût moyen des sinistres observés,
et non un ta rif fondé sur le risque actuariellement évalué du client ou du
prospect.
Il s'agit en réa l ité d'a ppliquer les tech niq ues d ites « de ta rif de créd i
.µ
.s::. b i l ité », que conna issent les souscripteu rs de risques industriels, aux
CJl
·c
>
a.
risq ues de particu liers. Sur la base d'une valeur en risque du client, on
0
u détermine l es facteurs de mi noration ou d'aggravation de ce risq ue
tels q u'esti més sur la base des proba bil ités com porte mentales calcu
lées à parti r des sources d'information du Big Data.
30. VAR : Value At Risk- mesure du risque de marché encouru par un portefeuille
d'actifs ou de risques d'assurance.
31. Open data : ouverture aux uti lisateurs potentiels des données collectées pa r
les systèmes publ ics, hors données de santé.
88 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
les assura nces obl igatoires, les Bureaux Centra ux de Ta rification ( BCT)
LE BIG DATA ET LES MÉTIERS DE L'ASSURANCE 1 89
Les besoins réels d' information pou r mener à bien ce type de démarche
ta rifa i re ont ra rement un ca ractère i ntrusif, sauf si l'on décidait que la
fréq uence de l'état d'ébriété fait partie de la vie privée ou que l' État
se réserve la conna issance des dépassements de vitesse. Il en est de
même, sans doute, pour les données comportementa les de santé.
Toute la médeci n e préd ictive ne se résume pas dans le décryptage
du génome h u m a i n : l'AppleWatch mesure nom bre de don nées com
portementales d' hygiène de vie ; la facture du supermarché indique
a isément les préoccupations diététiq ues, le contrôle de la tension
a rtérielle peut difficilement entrer dans le secret médical, etc.
La seconde condition est la mise e n place d'un open data des don
nées publiq ues. La construction d u système comportementa l et
prévisionnel pour le risque a utomobile suppose l'utilisation de nom
breuses données publiques, les a mendes pour excès de vitesse par
exem ple, les constats de police et de gendarmerie pou r l'éva l u ation
des sinistres, etc.
Com pte tenu des conditions mises et nota mme nt de la n écessité d'un
consentement d u clie nt, il est infi n iment probable q u e la tarification
des risq ues de particuliers sera pour longtemps à deux vitesses.
Nom bre de clients préfèrent un ta rif opaque et mutual isé à la disclo
sure de leur comportement routier et à l'i nventai re exact et valorisé
de leurs meu bles et objets de va leur, ou sim plement des mesu res
de sécurité prises pour protéger leur domicile contre l'intrusion. Des
entreprises seront sans doute réticentes à une trop large ouverture
de leur exposition a u risq ue con n u e de façon quasi conti n u e par
l'assu re u r.
Cha pitre 3 « Propriété des don nées »). A fortiori, il en sera a i nsi si
le client accepte d'ouvrir un com pte Facebook q u i ass u re la mise à
disposition de tous d'une partie de sa vie perso n nelle. I l est im portant
de réfléchir dès maintenant à une évolution de la réglementation de
la propriété des données q u i évite l'exode de cel les-ci hors d'Europe,
ma lgré l'i nterd iction q u i en est faite par la CN I L (« Pack Assu ra nce de
2015 »). Si tel éta it le cas, il y a fort à craindre qu'une pa rtie de l'assu
ra nce, et en particulier la souscri ption, la ta rification et le portage
du risq ue ne soient d u rablement local isés à l'extérieur de l'Europe,
le lieu de situation du risque conserva nt la gestion d u contrat et des
sinistres.
La segmentation des risq ues pou rrait être bouleversée. Cel le-ci serait
désormais comportementale et non plus fondée sur des critères
« objectifs » (l'âge du conducte u r, les m2 de l'habitation, le type de
véhicule, le « q uestionnaire médical »), donc sur des constats du passé.
Cette segmentation est évidem ment plus fi ne (les types de conduite,
l'éva luation du conten u des maisons, les besoins patrimoniaux réels)
et fondée sur des scén a rios d'évolution des comporteme nts, ce qui
produit des bouleversements majeurs dans l'a ppréciation d u risq ue.
À l'i nverse, mal assu rés pou r leurs biens, ils sont également mal
indemn isés e n cas de sin istre a ujourd'hui, ce qui n'est plus le cas dans
.µ
.s::. u n ta rif Big Data où valeur des biens et moyens de protection sont
CJl
·c
>
a.
pris en com pte et le sinistre éva l u é selon divers scénarios.
0
u
La q uestion inévita ble concerne la « j ustice » d'une telle démarche.
La société fra nçaise accorde une i m porta nce majeu re, du fa it de la
prégna nce des méca nismes de Sécu rité sociale et d u caractère obli
gatoire de la plu part des assu ra nces de marché, à l'équité dans le
92 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
La ta rification com porte menta le pou rra it mettre fin aux obl igations
tradition nel les d'assurance. En bonne logique, chacun de nous peut
choisi r son n iveau d'exposition au risque et, à la l i mite, ne s'assurer
que pour des situations fa i blement probables de catastrophes ou
d'accidents e ntraîna nt des coûts très élevés (en RC Auto, nota m
ment). C'est évidem ment u n a ppel à la responsabil ité de chacun en
ass u ra nce de Dom mages et un risque pour la société de devoir fa i re
face à l'i nsuffisa nce d'assura nce de certains res ponsa bles d'accidents.
Le Fonds de G a ra nties des Assu ra nces Obl igatoi res (FGAO) couvre
déjà ce risque d'insuffisa nce ou de non-assurance, et en Prévoya nce
ou en Sa nté complémenta i re, chacun choisit le n ivea u de ga ra ntie qui
l u i convient ou qu'il j uge l u i conve n i r. La justice répond a i nsi à la prise
de responsabi l ité.
Reste que l'on peut j uger inéq uita ble que des « Risques aggravés »
soient, dans ce système, couverts par les seu les pri mes comportemen
tales et non par u n e solida rité de fait qu'induit un ta rif mutua l isé (ou
fa iblement segme nté). Bien entendu, ce risque est particul ièrement
lourd dans les domai nes de la Sa nté ou des assurances Emprunteurs
où la probabi l ité s'a pp l ique sans que le client en soit le moins d u
monde responsa ble. C'est une situation pou r laquelle il n'y a pas de
sol ution satisfa isante. Tout au plus peut-on fa i re remarquer que les
tarifs actuels ne fou rn issent pas de solution meilleure : a près s'être
essayé à la segmentation rustiq ue, les ta rifs de Risques aggravés en
assu ra nce Em pru nteur font l'objet d'une récu rrente polémique a utour
.µ
d u système désormais législatif de l'AERAS (s'Assurer et Em pru nter
.s::.
CJl
·c
avec un Risque Aggravé de Santé).
>
a.
0
u Le Big Data n'a pas besoin d'être Big Brother pour engager une
réforme de la ta rification de l'ass u ra nce. L' I nternet des objets fou rn it,
d'ores et déjà, des sou rces abondantes d'info rmation aux assu reurs
sur le com portement de cl ients consentants ou non, q u i n'ont pas
un ca ractère i ntrusif. La réglementation fra nçaise et européenne se
LE BIG DATA ET LES MÉTIERS DE L'ASSURANCE J 93
Tout ceci est effectivement détruit par le Big Data q u i décrit les com
portements à risques (ou sans risques) du client. À l'ère du « Je ne
dis rien et je paie un peu plus peut-être q u e je ne devra is » succède
l'ère du « Je dis tout, mais j'en attends de réels ava ntages liés à la
94 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
Le peu de cu riosité de l'assu re u r s'a ppuie sur la loi des grands nom bres
et sur l'expérience statistique du risq ue. Plus il y a d'assu rés dans le
portefeuille, meil leure est l'expérience statistique passée pour u n
même type des risq ues, plus s'affi ne l a conna issance des probabil ités
de sin istres Dom mages, d'accidents, de rachats, plus l'i ncidence de
ces p hé nomè nes est proportionnellement modeste et plus faibles en
sont les conséquences sur la ta rification de l'ensemble des risq ues, au
titre de l'a n née su ivante. Le fonctionnement e n répa rtition de l'assu
ra nce Dom mages, Sa nté et Prévoya nce s'en trouve a i nsi conforté.
Pour des ra isons de « j ustice », d' « équité », on fera u n peu de seg
mentation de ta rifs ma is, fonda menta lement, les risques plus graves
seront subventionnés par les risques fa ibles, en vertu du principe de
mutual isation.
Cel les-ci ont pou r but de créer, par force de loi, des mutualités per
mettant de re ndre le risque assurable. C'est le principe de la Sécu rité
sociale : le n iveau de prime est accepta ble pour tous si les « bons »
risq ues payent par « solida rité forcée » pour les mauvais et les « mau
vais » payent moins cher que la Value At Risk qu'ils représentent.
Le Big Data ouvre une ère de conna issa nce et de ta rifi cation de ces
risq ues qui permettra à chacun de mesurer et d'assurer son risq ue ou
ce qu'il veut en conserver. La solida rité nationale risq ue d'y perdre
c beaucoup.
0
:;:::;
"'O
'CIJ
O'.l
0:::
5.4 La déstabilisation d u principe de mutualisation (obligatoire
ou non) va au-delà de simples réformes législatives des assu
rances obligatoires .
.µ
.s::.
CJl
·c
E l l e isole des risques q u i deviennent i nassura bles (ou ass u rables à
>
a.
0 des prix insupporta bles), d u fa it de la probabi l ité com portementale
u
i ndividuelle de réa lisation du risque et de son prix.
des méca n ismes de transferts fi nanciers des riches aux pa uvres, des
jeunes aux vieux, des ha bitants de la montagne aux ha bitants du bord
de mer ?
* *
Les assu reurs vont « optimiser » la vie quotid ienne des citoyens et
en ti rer d'efficaces a rgume nts commercia ux. Voi là q u i inquiète, mais
pas trop : les offres commerciales seront peut-être meilleures. L'uti
lisation de nouvea ux a lgorithmes de tarification et la volati lité des
tarifs q u e cela implique peuvent être plus inquiéta ntes. La mort d'une
théorie simple de l'assura nce, où grâce aux probabil ités du passé et
aux coûts moyens, on pouvait créer un ta rif s u p porta ble à tous, fait
a ppa raître le risque de catégorie « d'exclus » de l'assu ra nce.
1. Aujourd'hui
Pa r ailleurs, le niveau généra l d u tarif est fonction du coût des sin istres
(moyen, médian et esti mé sur la base de calculs subtils d'écrêtement
d u prix de sinistres graves peu fréquents) tel q u'observés dans le
passé, sous réserve de l'actua l isation par l'i nflation (le coût des
sinistres corporels « graves » est sou mis à u n e inflation au moins
triple de celle de l'ind ice général des prix i m p l icite au P I B en valeur).
.µ
.s::.
CJl
·c
>
a.
0
u
.µ
.s::.
CJl
·c
>
a.
0
u
Chapitre 6
Cette procédure permet aussi la mise à jour des cond itions du contrat
et surtout des éléments du risque. Le Big Data pourrait ainsi cond u i re
à défi n i r une liste de risques susceptibles d'être couverts beaucoup
plus fine et exacte que la nomenclature actuel le, et une ta rification
bea ucoup mieux suivie (ca r évoluant en temps réel par ra pport à la
va leur en risque d u client). Le client pou rra donc choisir de fa ire évo-
E luer ses ga ra nties dans le temps et décider de nouvelles garanties ou
� services à chaque révision du contrat.
ca
0:::
\0
.-f
0
N
1.2 I l en résu lte u n ca lcul plus exact d e s Sinistres Maxi m u m
@ Possibles {SMP).
·�
a.
La précision des modèles de coût des sin istres catastrophiques, qui
8 n'est pou r l'i nsta nt pas atteinte en sera amé liorée. Big Data vient a i nsi
au secours de la modél isation Catastrophe tradition nelle, en fou rnis
sant des éva luations de SMP plus solides.
LE BIG DATA ET LES MÉTIERS DE L'ASSURANCE 1 105
d u passé.
Sans aller trop loin dans la science-fiction, les assisteurs savent déjà
qu'une pa rtie i m portante de leurs services vont être req u is pour
gérer des services l iés à la dépendance des personnes âgées. L'échec
des systèmes d'inspiration « assura nce Vie/ É pargne » est probable.
L'assuré cotise à un âge précoce, en général à fonds perdu, pour
recevoir une « rente » qui sera, de fait, complémenta i re des a l loca
tions de l'Aide personna l isée à l'autonomie (q uasi-aide sociale versée
par l' État, dont le niveau dépend u n peu du nivea u de ressources et
beaucoup du degré, estimé par la Sécu rité sociale, de dépenda nce -
la grille AG I R) . L'assu reur est donc « complémenta i re » et lié par les
décisions de la Sécu rité sociale.
semblent aujourd' hui a p po rter des sol utions quasi idéa les. L'assu
ra nce paiera le robot (adapté) et son entretien, si et q u a nd su rvient
le niveau de dépenda nce assuré. Le Big Data utilisera les informations
com m u n iquées par l e robot pour assurer une assistance pa rfa ite et
le maintien a u domicile de la personne dépenda nte. Au demeura nt,
les souscripteurs du contrat seront probablement les « aida nts » plus
que l a personne dépenda nte, bénéficiaire des services si la dépen
da nce survient.
En défi n itive, le Big Data va aider à précipiter l'évol ution en cours des
systèmes d'indemnisation, du remboursement de dépe nses dû ment
aud itées par u n expert et j u ridiq uement vérifiées par l'assureur, vers
des prestations de services à coûts maîtrisés ex ante par l'assureur, à
travers des contrats conclus avec des prestata i res de services.
ou sur un site dédié d'I nternet ? Les assu reu rs doivent-i ls se préparer
à subir les effets de sites de « notation » de leur efficacité, comme il
en existe pour l'ensemble des prestations de l'ind ustrie du Tou risme ?
Mais, en même tem ps, l'i nformation recueillie à travers ces sites de
protestations, de critiq ues (et, q u i sa it, de loua nges ?) permet de
segmenter les prospects et clients, de comprendre leurs motivations
de résil iation des contrats (prix, prestations, démarchage, lassitude,
a bsence d'écha nge avec l'assureu r), et de les modél iser par catégo
ries fi nes (âge/attitude/CSP34/type d'activité). On pou rra it donc, un
jour prochain, déterminer le n iveau d'accepta bil ité d'une hausse de
ta rif par CSP ou par groupe de clients, défi n i r les profils des clients
à qui consentir des « gestes com merciaux », signaler aux acteurs de
terra in la gra nde sensi bilité d'un client à la générosité ou à la q u a l ité
de la gestion des sinistres qui pou rrait le conduire à résilier.
Ces a n a lyses sont d'a uta nt plus pertinentes qu'e l les concernent des
popu lations digital natives, et que l'entreprise s'est assuré une posi
tion forte sur les réseaux sociaux en ouvrant le dia logue avec el les.
Mais pour a utant, cela n'exclut pas de l'a na lyse les populations plus
âgées ou moins d igita l isées. L'observation des comportements des
seniors n'est pas moins instructive, ni moins i m po rtante pour la ges
tion des portefeui lles. Elle i m plique seulement l'uti lisation d'a utres
outils du Big Data que les réseaux sociaux (quoique ... ).
tion de contrats va devenir bea ucoup plus souple, par exem ple en ce
q u i concerne les fonds inclus dans l es produ its en UC et les possibili
tés d'a rbitrage ra pide entre ces fonds. Big Data mettra à disposition
des clients (qu'il a u ra permis de défi n i r et de cibler) des modèles
d'opti misation de risk/reward 35 adaptés à leur profil d'i nvestisseur,
défi n i par Big Data préa lablement à l'offre commerciale qui leur a été
faite, et prenant en com pte leurs objectifs patri moniaux.
Quelq ues exem ples montrent l'a m pleur de cette évolution : ana lyse
de la sensibil ité réelle des clie nts à la renta bil ité a n nuelle de l'épargne ;
détermination d u n iveau de « krach » obl igataire lié à la hausse des
ta ux q u i re ndra les cl ients sensibles (et quels clients ?) à la n écessité
.µ
.s::. de rachat ; à pa rti r de quelle ha usse des taux ? Quelles catégories de
CJl
·c
>
a.
clients en portefeuille décideront-e l les de racheter ? L'élasticité du
0
u Japse rate aux mouvements de la fisca l ité pou rra it être modél isée :
quelle ampleur de mouvements de rachats sera provoquée par l'évo-
lution des cond itions de quel type d'impôt ( 1 R36 - d roits de succession
- CSG37/CRDS38) ? Quels segments de cl ientè le seront concernés ? Ces
a lgorithmes préd ictifs fou rn i ront aussi des orientations aux assu reurs
lorsq u'ils soll icitent a u près des Pouvoirs publics des moyens d'action
pour éviter les rachats. Faut-il vrai ment demander l'amélioration
de certa ins aspects de la fisca l ité tels q u e l'aménagement du d roit
u n ique de succession à 20 % ou l'exonération d' I R pour les i ntérêts
capital isés a près 10 a ns de détention d u contrat ? Faut-il aider (fisca
lement, comme ce fut le cas, naguère, de l'amendement Fourgous39)
la conversion de contrats en cours fortement exposés a u risq ue de
ta ux en contrats E u ro-croissance ou en sim ples contrats en UC pour
éviter un fort accroissement des taux de rachat ? Faut-il pousser à
l'acquisition de contrats en U n ités de Com pte et pour quel type de
clie nts ? Etc. La connaissance a pprofondie des motivations de l'épar
gnant et des ra isons d'un éve ntuel rachat permettra de construire
u n vérita ble « ma rketing du rachat » com me en assura nces de Dom
mages, q u i atté nuera probablement l'ampleur et l es conséquences
bila ncielles des rachats, notamment grâce à une prévention efficace
liée à la conna issance des motivations réelles de l'épargnant.
L'a lgorithme prédictif s'e n richit de l'i nfo rmation s u r les coûts moyens
et les fréque nces de sinistres. La tarifi cation pou rrait donc s'ajuster
quasi automatiquement, de même que les propositions éve ntuel les
de cha ngements de produ its ou de formules.
.µ
.s::. 36 . I m pôt Sur le Revenu.
CJl
·c
>
37. Contribution Sociale Généralisée.
a.
0 38. Contribution pour l e Remboursement de la Dette Sociale.
u
39. L'amendement Fou rgous (insta u ré dans la loi dite Breton du 26 j u i l let 2005)
a pour objectif de réorienter !'Épargne-Vie li bellée en euros vers des contrats
d'assurance Vie en Unités de Com pte ou Multisupport (un m i n i m u m de 20 %
de l'épargne transférée doit être investie en UC). Cette transaction se fa it
sans perdre l'antériorité fisca le.
LE BIG DATA ET LES MÉTIERS DE L'ASSURANCE 1 113
Le Big Data ouvre la voie à la maîtrise possi ble des dépenses de sa nté
par les systèmes de soins conventionnés et, par conséquent, sur la
maîtrise des coûts des dépenses de sa nté cou ra ntes. Cette démarche
est le moyen d'une gestion active des dépenses de sa nté, en re m
placement de la simple logique budgéta ire de la Sécu rité sociale, qui
rembourse des coûts unita i res à des n iveaux de prix et à des taux
défi n i s par la réglementation. Le Big Data permet de savoir, pour
chaque patient, la cohérence entre ses pathologies et ses dépenses
de sa nté. Les secondes éta nt connues, les premières peuvent être
déduites, le comportement de consommateur d'actes médicaux du
client est décrit et le contrat évolue en conséq uence.
Tout ceci contou rne, voi re « tutoie » la con na issance de l'état de sa nté
d u client. Cela « i nterpel l e » le d roit positif et choque les consciences.
Mais le Big Data permettra peut-être de soigner, mieux et moins cher,
la grande majorité de nos concitoye ns.
D'a utant que le Big Data offre u n e impulsion forte aux activités de
prévention. La gestion du contrat de Sa nté sera, à terme, la gestion
du remboursement de dépenses de prévention, sur base a n n uel le,
permetta nt d'ajuster l'exposition au risq ue du client, et éventuel le
ment la tarification. La solida rité y perd ce que la qua lité de gestion
du risq ue et l'a m pleur des remboursements y gagnent.
* *
Le Big Data est perçu comme une « menace » pour l'activité des
assureurs sur le plan commercial et tarifaire, en ceci qu'il tra nsforme
les bases du ca lcul des tarifs et défie la position de com pétence
de l'assureur au profit d'autres acteurs mieux placés que lui pour
exploiter l'i nformation. Dans les métiers de gestion des produ its, de
d istri bution des services, de prévention de la résiliation des cl ients,
le Big Data pou rrait être un instrument d'action efficace et profi
table. L'assureur d ispose potentiellement des moyens de modéliser
.µ
.s::. des com po rteme nts q u i affectent non l a gestion du risque - c'est la
CJl
·c
>
a.
ta rification - mais la gestion d u contrat, donc l'évolution d u risq ue
0
u et l'évol ution du coût du risque (modél isation des indemnités et du
coût des dépenses de Sa nté) ainsi que l'évolution du com portement
d u client (modél isation des cumuls et des activités d'a rbitrage sur les
prod uits).
116 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
.µ
.s::.
CJl
·c
>
a.
0
u
Chapitre 7
a fra ude à l'assu ra nce est la question l a plus dél icate - plus
L encore que l'assu ra nce Sa nté - sur l'a pplication d u Big Data dans
l'industrie de l'assura nce. C'est aussi souvent l'uti lisation la plus fré
quem ment mise en ava nt par les assureurs, au grand dam des clients.
Le sujet contribue négativement à l'image du Big Data a ppliqué à
l'assu ra nce. Ce qui peut être présenté comme un avantage marketing
donné au cl ient, des produits mieux ada ptés, un moindre coût de
l'assu ra nce, une meil leure gestion du produ it, etc. se tra nsforme en
« espion nage » et en détection des fausses décla rations. Le processus
psychologique négatif, déjà sensible pour l'assura nce Sa nté (avec les
limites qu'impose la réglementation fra nçaise), pou rra it se répéter
sur le sujet de la détection de fra ude, avec ce qu'elle suppose d'intru
sion (cette fois non consentie par le client) dans des don nées que
celu i-ci juge personnel les. La q uestion concerne auta nt la commu ni
cation avec les clients, les prospects et la réputation de l'e ntreprise
que la tech n i que. E l le doit donc être gérée avec discernement.
Le sujet q u i nous intéresse est la fra ude à l'assura nce, acte dolosif à
l'égard de l'assu reu r dont le client se rend responsable. Cel a disti ngue
la fraude du sin istre criminel, fréquent en incendie des insta l lations
industriel les, où le client est non moins victi me d u fait cri minel (incen
die volontaire perpétré par un tiers) que l'assu reur.
Par ailleurs, la fra ude à l'assu rance dont nous parlons fait l'objet de
divers traitements. La prévention s'exerce lorsqu'a u n iveau de la
souscription l'assureur met en place des moyens de détection de la
probable fausse déclaration et ne souscrit pas un risque où il estime
qu'il y a proba bil ité de fraude. Lors de la déclaration de sin istre, l'assu
reu r met en œuvre des moyens de détection de la fra ude possible.
Encore faut-il que ceux-ci soient suffisam ment puissants et perti
nents pour lui permettre d'apporter la preuve de la fraude commise.
L'accusation de fraude est grave : elle permet de ne pas indemniser
le sinistre, mais ouvre un contentieux sur la matérialité de la preuve.
Le client est d'autant plus mécontent que la fra ude n'est pas prouvée
ou q u'elle porte sur u n fait jugé peu répréhensible par l u i . Pour u ne
optique de phare mise - fraudu leusement - à la charge de l'assureur,
ou u n simple refus d'indemn isation lié à u n soupçon de fraude, on peut
perdre un assuré Vie/É pargne im portant, un assuré Santé profitable,
voire un conducteu r plutôt habile et prudent. Enfin, la détection de la
fra ude après l'indem nisation ouvre des recours contre le client, sous
.µ
les mêmes conditions de solidité de la preuve que précédemment .
.s::.
CJl
·c
>
a.
G lobalement, le thème de la fraude à l'assu ra nce a bon ne presse
0
u chez les ass u reurs, très ma uva ise chez les clients. L' idée com mune
est celle de la sol idarité i nvolonta i re créée entre les fra ude u rs et les
hon nêtes gens, bien con n u e des fisca listes. L' i m pôt est lourd parce
que les rentrées sont i nsuffisa ntes à ca use de la fra ude. Les pri mes
sont élevées pa rce q u e la fra ude à l'assu ra nce réd u it le montant glo-
LE BIG DATA ET LES MÉTIERS DE L'ASSURANCE 1 119
bal de l'enca isse ment des primes nécessai res pour payer les sinistres.
L'a rgument i nverse est que le n iveau élevé des primes est une i ncita
tion à la fra ude d'a uta nt plus forte que les économ ies réa lisées sont
i m portantes en valeur. Et d'a i l leurs, pensent assurés et contri buables,
l'engagement de ba isse des i m pôts ou des primes si la fra ude était
érad iquée n'est pas vrai ment pris. Les assureurs se sont malheu
reusement engagés dans ce dialogue de sourds, qui a, par ailleurs,
l'i nconvénient d'assimiler la cotisation d'assurance à un im pôt, donc
à une contri bution obl igatoire sans contrepartie visi ble ou sensible.
C'est dans ce contexte pour le moins peu porteu r que le Big Data
i ntervient pou r fou rnir, notamment au stade de la prévention de
la fra ude, ce que beaucoup d'assureurs considèrent comme l'a rme
a bsolue.
Même sans i ntrusion réelle dans la vie privée des prospects à travers
le Big Data, l'ampleur des i nformations recueillies sur le futur client
permet de détecter les perso nnalités suscepti bles de développer une
attitude fraudu leuse à l'égard de l'assura nce.
D'ores et déjà, il existe des méthodes, développées nota mment par les
assureurs directs (téléphone) et les gestionnaires de sinistres pratiquant
l'expertise à d ista nce et l'indemnisation par téléphone, pour détecter
les diverses déclarations inexactes (ou frauduleuses). Ces méthodes
permettent d'exclure la souscription de prospects i ndésirables (ou ne
correspondant pas aux normes de souscription), et de refuser une
indem nisation excessive (ou exclue par les conditions du contrat) .
.µ
.s::.
CJl
·c
L'a pport d'i nformations m u ltiples sur le comportement d u futur client
>
a.
0 accroît su bsta ntiellement les probabil ités de détection d'un com po r
u
tement potentiellement fraudu leux. Cela s'a pplique non seu lement à
la détection de la fraude réalisée (fa usse décla ration souscrite), mais
a ussi à l'identification de proba bilités d'un com portement fraudu leux
dans l'aven i r. Quelques exem ples de ces possi bil ités de détection de
120 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
Dans la gestion des sinistres, les conditions d'uti l isation du Big Data
sont plus souples (sur le plan réglementai re) et probablement plus
efficaces, ca r i l s'agit d'i nformations sur les conditions de la réa l isa
tion d'une indemnisation a près accident. D'ores et déjà, et sans Big
Data, divers recoupements permettent de détecter les tentatives de
« gonfl ement » des dépenses d'indemn isation sur les véhicules. Les
d iverses tech niq ues de ca ptation d'i nformation s u r l es véhicules l iées
a u « pay how you drive » rendront presq ue i m possibles ces pratiques
frauduleuses.
Enfi n, le Big Data renforce les possibil ités de l u tte contre le blanchi
.µ
.s::. ment d'argent frauduleux et le fi na ncement du terrorisme, q u i ne sont
CJl
·c
>
a.
pas tant des formes de fra ude à l'assurance qu'une utilisation habile
0
u d u défaut de contrôle interne de l'assure u r. L'accès à l'ensemble des
don n ées ba nca i res et la vision globale de la situation patri moniale
d u client permettent a isément de détecter l'utilisation fra udu leuse
de l'assu ra nce Vie pou r blanchir des fonds d'o rigine i navoua ble, de
même que l'ensemble des « montages » utilisant l'assu ra nce Vie à ces
122 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
* *
La fraude à l'assurance
dans le « Pack Assurance » de la CNIL
L'Autorisation U n ique (AU) 39 de la C N I L donne u n e défi n ition d e la
fra ude à l'assu ra nce : « Tout acte ou om ission commis i ntentionnel
lement par une ou plusieurs personnes afi n d'obten i r un avantage
ou u n bénéfice de façon illégitime, illicite ou i l légal » . Elle inclut des
fa utes péna leme nt sanction nées (l'escroq uerie) et des fautes inten
tionnelles ou dolosives de l'assuré (ca ractère civi l ) .
L'a na lyse et la détection des actes présenta nt une anomalie, une i nco
h ére nce ou ayant fait l'objet d'un signalement pouvant révéler une
fra ude à l'assurance. Sont a utorisés le requétage automatique sur des
critères préa la blement déte rm i nés et perti nents ; des tech niques de
croisement de don nées et les a lgorith mes permettant de modéliser
des comportements. La porte est donc ouverte a u Big Data.
.µ
.s::.
CJl
·c
>
a.
0
u
.µ
.s::.
CJl
·c
>
a.
0
u
Chapitre 8
Si l'on considère que l'avenir du Big Data appa rtient a utant aux socié
tés d'assura nce qu'aux sociétés de cou rtage au n iveau du ma rketing
des clients et des prospects (recherche, ciblage, approche) et de l a
130 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
conception des produ its/ta rifs modifiés, on peut penser que toutes
ces entreprises vont acheter des données aux grands collecteurs. La
logique voud rait qu'ils cherchent à les exploiter eux-mê mes, ce qui
génère des coûts i m portants en ressou rces i nformatiques, en compé
tences « Hadoop » de la direction i nformatique, en data scientists et
surtout en actuaires. Le cumul des besoins de ressou rces SI et actua
riel les peut charger considéra blement le coût de mise en place de ces
orga nisations, ta nt pou r des structures de cou rtage qui souha itent
rester légères que pour des entités d'assurance qui aujourd'hui ne
disposent pas de ces ressources.
Certa i nes, et nota mment les plus gra ndes des com pagnies d'assu
ra nce, se dotent d'une structure de recherche & déve loppement dans
la science des données. I l s'agit en pratique d'ana lyser les sou rces et
« l'offre » de données, les outils de recueil et de tra itement de cette
de terra in est réel. I l est d'a utant plus fort que l'orga nisation est de
gra nde tai l l e : la « résistance au cha ngement », thème traditionnel
des consulta nts de la fin d u siècle dernier, n'existe pas que dans l'ima
ginaire des spécialistes de l'orga nisation. Pour être fréq uemment
dénoncée, l'attitude n'en est pas moins réelle. Les bouleversements
i ntrodu its par le Big Data dans la conception même du métier (la
mutual isation), dans la relation avec le client (« pay how you drive »)
et dans l es travaux de ciblage marketi ng, ne manq ueront pas de sus
citer des réticences des acteu rs traditionnels de l'assura nce.
fondés sur les don nées disponibles et éparses dans l'entreprise (ce
peut être des projets de central isation des compta bil ités) . Pour de
gra nds grou pes, où la gestion des trois com pta bi lités de Solvency I l
(statuta ire, I FRS43, prudentiel le), d u modèle i nterne, et des états de
contrôle par e ntité, du groupe, trimestriels et a n n uels, fa it peser un
risq ue d'explosion des coûts, le recours à une nouvelle forme soph is
tiquée de stockage et de data mining peut être une sou rce réelle
d'économie.
I l ne fait pas de doute que le Big Data sera porteur de création d'em
plois nouveaux et multi pl es dans l'assu ra nce. Pourtant, il suscite des
inquiétudes l iées a u cha ngement de profi ls des acteu rs.
de don nées, ou dans le nuage diffus des informations 3V, encore faut
i l savoir ce qu'il fa ut y chercher. Si l'on segmente u n nouveau tarif Auto
sur la base d'i nformations com portementales i nd ividuelles, il i m porte
de défi n i r ce qui est pertinent pour la ta rification. I l en est de même
lorsque le sujet est de déceler des i nformations « à bas bruit » sus
ceptibles d'être util isées dans la gestion du ma rketing stratégique, du
risq ue de réputation de l'assureur, voire du risque de rachat en Vie,
ou pour la définition d'une conception pertinente d'un produit Sa nté.
Former les data scientists aux bases de l'assurance est donc crucia l.
* *
Même si une partie des activités Big Data vient à se trouver local isée
.µ
dans des structu res extérieures aux entités porteuses de risques,
.s::.
CJl
·c
tels que les cou rtiers I nternet ou les start-ups d'a na lyse ma rketing
>
a.
0 des comportements, l'organ isation des entités d'assura nce tradi
u
tionnelles, au niveau des systèmes d' information et en matière de
ressou rces humai nes, sera im pactée par le déploiement des tech
niq ues Big Data.
LE BIG DATA ET LES MÉTIERS DE L'ASSURANCE 1 137
globale ne « bascu lera » pas dans son ensemble vers une tarification
Big Data en quelq ues mois. Cel le-ci s'adresse à des clients digital
natives plus qu'a ux seniors, q u i demeureront encore longte mps dans
les circu its tradition nels. Il faudra donc gérer des ta rifs radicalement
différents dans leur conception, mis à disposition de ca naux de distri
bution qui ne seront pas toujours « spécia l isés ». C'est évidem ment
un défi pou r les respo nsables d'encadrement de réseaux, pour ceux
q u i les recrutent et assurent leur formation .
.µ
.s::.
CJl
·c
>
a.
0
u
.µ
.s::.
CJl
·c
>
a.
0
u
Troisième partie
Le Big Data
et les entreprises
d'assurance
Le deuxième mesure les contra intes d'orga nisation à venir des entités
d'assurance q u i résu ltent de cette a n a lyse de la création de va leur et
de l'a ppréhension de la m a rge.
.µ
.s::.
CJl
·c
>
a.
0
u
Chapitre 9
44. Va leur des marges d'assurance produites par un client qui serait fidèle a u
m ê m e assureur pendant toute s a vie e t qui lui confierait la couverture de
ses besoins de protection financière tels qu'ils évoluent au cours de son
existence.
144 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
Ces exemples i l l ustrent la possi bilité d'amélio rer la m a rge de l'assu reur
dans la gestion d u client. Celui-ci accepte une plus grande « respon
sabilité » dans le choix de l'a m plitude des garanties et l'assu re u r en
déduit une tarification adéquate. Il peut a u ssi mettre à disposition
ou faire uti l iser des objets de contrôle q u i réd u isent la proba bilité de
survenance du sinistre. I l en résultera u n e a mélioration globa l e de la
marge tech n i q u e sur les prod u its vend us.
Tout ceci fonctionne sous réserve que cet échange soit possible juri
diquement et soit consenti. La sanction d'un refus « sociétal » de
communication contractuelle de l'information serait que les assureurs
« achètent », d'une façon ou d'une autre, les données aux GAFAM, en
se passant du consentement du client. La question revient donc à savoir
.µ
qui vendra les don nées comportementales à l'assureur : le prospect
.s::.
CJl
·c
individuel ou les GAFAM ? Et à condition que la réglementation n'inter
>
a.
0 dise pas toute cession de ces i nformations à l'un comme aux autres.
u
Certains a uteurs (Du puis et Berthelé, 201446) sou lignent les progrès
q u i pou rraient résu lter de l'a utomatisation des a l locations tactiques
d'actifs grâce aux a lgorithmes d'a pprentissage (machine learning).
D'autres considèrent que ces travaux concernent essentiellement les
activités de trading de titres, plus q u e l'i nvestissement des entités
d'assura nce, soumises a u principe de la prudent person47• Les pers
pectives de ga ins de marge s u r la gestion d'actifs liés au Big Data sont
.µ
donc d iscuta bles et, en tout cas, l i m itées .
.s::.
CJl
·c
>
a.
0
u
* *
En défi nitive, l'util isation des ressou rces en don nées multiples et
d iverses fourn ies par le Big Data est globa l ement favorable à l'a mé
lioration de la marge des assureurs, sauf pour une partie des ta rifs
de risq ues des particuliers et pour la gestion d'actifs. Cette ana lyse,
q u i n e peut se risquer à éva luer les ga ins de m a rge l iés a u Big Data,
montre surtout que la plupa rt des mail lons de la chaîne de va leur sont
concernés par l'augmentation et l'amélioration de l'information de
l'assureur sur les risques qu'il souscrit, y compris dans des segments
les moins prévisi bles. Le Big Data n'est pas seulement un i nstrument
d'a mélioration du marketing, tous les métiers peuvent contri buer à
l'accroissement de la marge q u i résu lte de l'exploitation des don nées
com portementa les. À condition que chacun se détermine à u ti l iser
.µ
ce levier. Il fa ut donc identifier les acteurs de la chaîne de valeur qui
.s::.
CJl
·c
sont les mieux placés pour extraire la va leur des données.
>
a.
0
u
LE BIG DATA ET LES ENTREPRISES D'ASSURANCE 1 149
Les don nées col lectées n'ont pas enco re de va leur au stade de leur
recuei l . Ce sont l es entités qui les traitent, les sélectionnent, les
agrègent ou les dispersent, les ana lysent (les données « à bas bruit »,
les « queues de d istribution ») qui les va lorisent. Ces o rga nismes
150 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
2.2. Qui est le mieux placé pour mener une stratégie gagnante
dans l'utilisation du Big Data ?
.µ
2.2.1 La question de la taille critique et des « barrières à l'entrée »
.s::.
CJl
·c
sur le marché de l'assurance
>
a.
0
u Dans un premier temps, le Big Data est a pparu comme une menace
pour les acteurs petits ou moyens de l'assura nce. Les capacités de
tra itement des don nées en masse n'a ppartena ient qu'aux gra ndes
entreprises d'assurance, de même qu'elles seules pouvaient consti
tuer les équi pes de data scientists et d'informaticiens nécessaires
LE BIG DATA ET LES ENTREPRISES D'ASSURANCE 1 151
.µ
Enfi n, ces « jeu nes » acteurs peuvent d'emblée disposer d'un système
.s::.
CJl
·c
d' information effectivement orienté « clie nts » et non « contrats », ce
>
a.
0 q u i réduit d'autant l'ampleur des investissements nécessa i res pour
u
« adapter » les systèmes d'i nformation actuels à la gestion Big Data.
« Big is comfortable » pour mener une aventure Big Data dans l'assu
ra nce, mais « small could be more efficient and faster ». Le Big Data
fait tomber les barrières à l'entrée sur le marché de l'assurance.
152 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
clients, via la gestion des com ptes coura nts. Pou r l'heure, les
banq ues semblent ava ncer lentement sur l'enrichissement de
leur con naissa nce « client » en direction de l'assura nce. Les
parts de marché d'assurance Vie/É pargne restent sta bles entre
les bancassureurs et les réseaux traditionnels. Le cross selling
sur l'assurance Dommages progresse peu, à l'exception de la
percée d'une grande ba nque de dépôt, depuis environ cinq ans.
La révo lution pou rra it donc a rriver. Certa ins experts pensent
que l'heure des ba nqu iers est venue d a ns les assura nces Dom
mages et Sa nté grâce au Big Data. Les assureurs tradition nels,
à q u i l'enfer de l'étra nglement par la ba ncassura nce est promis
depuis le début des a n nées 1980, sont plus sceptiq ues.
• Les cou rtiers, nota mment « e n l igne », sont convaincus de leur
positionnement favora ble pou r l'uti lisation d u Big Data. Ils
disposent de systèmes informatiques sou ples et suscepti bles
d'accueillir des données, maîtrisent désormais leur stratégie de
ta rification et de conception de produits (cou rtiers grossistes)
dans u n e logique d'a lgorith mes com portementaux prévision
n els, et le Big Data leur apporte un levier considérable pour leur
action commerciale. Le d iscours tenu par certa ins d'entre eux,
en Sa nté nota mment, et dema i n en Automobile (les compara-
teu rs), est souvent conva incant. I ls profitera ient pleinement de
c
0
:;:::;
la sépa ration des fonctions entre la souscription et le portage
"'O
'CIJ du risque pour s'a pproprier la marge sur les prod u its.
ca
0:::
\0
.-f
• Beaucoup pensent que le Big Data, même dans l'assura nce, est
0
N
affa ire de fintechs. On l'a dit, Solvency I l ne favorise pas que les
@
.µ
.s::. gra ndes entreprises d'ass u ra nce. E l l e pèse sur les porteurs de
CJl
·c
>-
a.
risq ues. La logique pourrait être, pour des start-ups, de conce
0
u voir, sur la base d'une i nformati q u e moderne, orientée SaaS48/
objets/clie nts (et non plus contrats/primes/si nistres/systèmes
propriéta i res), de générer des a lgorith mes de tarification
Big Data fait rêver à des produ its vendus partiel lement à perte e n
packages, mais avec des compensations mu ltiples entre les ga ra nties
incl uses dans le pack et une fidél ité accrue des clients assu ra nt la
compensation des pertes i n itia l es dans le temps. Big Data pou rrait
prendre en défaut les principes anciens des barrières à l'entrée, de la
solidité des réseaux éta blis et de la nécessaire ta ille critiq ue, au pro
fit de start-ups « Agiles ». D'autant que les marchés fi nanciers sont
a bonda nts en ca pita ux, pour au moins une décennie enco re, et que
Solvency Il e ncourage, de fait, la rétrocession des risq ues sous forme
de réassura nce proportion nelle et la séparation de la souscri ption et
de la gestion des risques (portage en capita l ) . La capture de la m a rge
nouve l le générée par les produ its dépendra donc, dans l'aven i r, de
l'insta llation d'une o rga n isation i n novante de la chaîne de va leur
entre le collecteu r de données, l'a n a lyste ma rketing, l a ta rification et
le portage du risque. Pour l'heure, les cou rtiers et courtiers grossistes
semblent être les mieux placés pour prendre la tête de la course .
.µ
.s::.
CJl
·c
>
a.
0
u
.µ
.s::.
CJl
·c
>
a.
0
u
Chapitre 1 0
1. Les hypothèses
Com pte tenu des contraintes j u ridiq ues, et sans doute des diffi
cu ltés d'aj ustement des systèmes d' information aux modal ités du
fonctionnement d u Big Data, i l est peu probable que les entreprises
d'assura nce (et sans doute en est-il de même pour les banq ues)
s'ada ptent elles-mêmes directement à la gestion Big Data.
com pta bi lités (local Gaap49, I F RS50, com pta bil ité prudentielle/
Solvency I l ) et des a utorités de contrôle publiques.
.µ
.s::. 2.1 L'objectif de toute entité économique marchande sur un
CJl
·c
>
a.
marché concurrentiel est de maximiser la marge tirée de son
0
u activité.
d'un marketi ng plus ciblé, d'une ta rification mieux segme ntée, des
travaux sur la fidélisation des clients et de la réd uction des rachats,
d'économ ies sur les coûts des sin istres ou sur la gestion des sin istres,
ou encore d'une stratégie de protection du capita l, nota mment via la
réassurance.
2.2 Les effets du Big Data sont variables selon les éléments de la
chaÎne de valeur de l'assurance auxquels ils s'appliquent.
La gra nde a nxiété des assureurs a ujou rd' h u i - et qui explique l'e m
bauche i m portante de data scientists par les grandes e ntreprises,
ou la formation massive de tels spécial istes, a u sei n des équipes
LE BIG DATA ET LES ENTREPRISES D'ASSURANCE 1 161
actua rielles ou des équipes i nformatiq ues - est que cette activité
« d'extracteur » ne conduise des acteurs extérieurs à l'assu rance à
La d ifficu lté de coha bitation de ces nouvel les logiques avec les struc
tu res traditionnel les est gra nde. La probabilité est fa ible de pouvoir
mod ifier complètement l'a pproche de souscription et de ma rketing
des réseaux commerciaux existants. La restructuration des services
com pétents des sociétés a utour de groupes de data scientists est
dél icate, nota m ment vis-à-vis des di rections de services i nforma
tiq ues. La seule exception probable est l a rénovation Big Data du
ma rketi ng stratégique de l'assu ra nce Vie et Non-Vie (avec création
d'une a pproche com m u n e du client), grâce à u n affi nage consi
dérable de l'a pproche des besoins d u prospect et de l a fidél ité du
client. La plu part des sociétés d'assurance considèrent le ma rketing
.µ
stratégique comme très proche des fonctions de gouvernance et de
.s::.
CJl
·c
la définition du business mode/ de l'entité. Il est donc vraisemblable
>
a.
0 que le nouveau ma rketing Big Data sera logé dans l'entité de tête du
u
groupe d'assu ra nce.
des clients des réseaux traditionnels de l'e ntre prise. Cet effort de
« non ca n n ibal isation » risq ue de créer d'importantes difficu ltés dans
le fonctionnement des systèmes d'i nformation et de générer des
conflits avec les réseaux existants.
Le sujet majeur tient dans les modal ités de distribution des produits.
L'a pproche ma rketi ng Big Data étant fortement ciblée, le système de
I' E-Business (démarchage et échanges I nternet avec le prospect) est la
voie raisonna ble de d istri bution, relayée par le contact téléphonique
avec le client. Reste à savoir si, dans certains domaines, et notamment
la gestion de l'épargne, le contact face à face n'est pas une exigence
du cl ient. I l fa ut donc pouvoir s'a p puye r sur un réseau de proxim ité.
Or, ceux-ci ne manq uent ni aux sociétés traditionnelles (agents,
« producteu rs sala riés », courtiers) ni aux bancassureurs (agences
Le courtier ca ptif peut utiliser bea ucoup plus aisément que l'entre
prise el l e-même les voies de tarification person n a l isée en Sa nté ou
en Automobile. La q uestion de la bonne gestion, au sei n d'une entre
prise uniq ue, de la d iversité des produ its (ta rifs) entre les réseaux qui
les d istribuent, est u n sujet a ncien de q uerelles de l'assu reur avec
ses divers réseaux. Le courtier « ca ptif » peut détenir le produit et la
tarification, concl u re avec le client les contrats et les gérer, en repor
ta nt le portage du risque sur la Compagnie à laquelle il appa rtient,
et, en ta nt que de besoin, en utilisant la co-assu ra nce. Ce cou rtier
ta rificateur peut deve n i r u n cou rtier grossiste qui gère le produ it/ta rif
nouvea u . Le principe est alors la mise à disposition du prod uit a u près
de distri buteurs plus traditionnels, tels que les agents généraux ou
des petits cou rtiers éventuel lement adhérents à des réseaux d'a utres
assu reu rs.
D La création d'un courtier (ou d'un réseau) spécial isé dans les
cl ients CSP+54, en portefeuille ou potentiels, dont les données
patri moniales et fa miliales pourraient être acquises dans la
perspective d'une offre récurrente de prod u its d'épargne, de
prévoya nce, de tra nsmission, de gestion i m mobilière etc. Ce
type de structure a p puyée sur une stratégie de collecte d'infor
mation serait un moyen efficace d'a n imation d'un réseau de
conseillers en gestion patri moniale.
Il en est a i nsi des assura nces des pratiques médicales (éta bl issements
.µ
.s::. publ ics ou privés et prati ciens libéraux) dont le Big Data permet de
CJl
·c
>
a.
connaître précisément le fonctionnement, même si l es don nées
médicales individ uelles restent non divulgables. É videmment, l'infor
0
u
mation open data risque d'être douloureuse pour certa i ns, avec une
conna issa nce approfondie des « bons » et des « mauvais » éta blis-
tech niques, i l faudra attirer des clients par une offre plus com
pétitive e n prix/garanties, donc faire du dumping sur les prix.
Chacun sait que les ta rifs « segmentés » (et le ta rif Big Data
conduit à une segmentation quasi parfaite du point de vue
actuariel) sont moins bien margés que les tarifs « mutual isés »,
calculés sur la base d'un coût moyen du risque. Donc, il est pos
sible que les perspectives de marges soient trop fa ibles pour
atti rer les GAFA, alors que des acteurs plus modestes peuvent
acquérir les données nécessa ires et réa l iser le travai l d'a nalyse
de celles-ci et développer la ta rification et la conception de
produits d'a ssurance. Les GAFA seront donc, pour l'instant,
fourn isseu rs de données à des courtie rs « spécialisés » .
Les systèmes d'i nformation sont globalement tou rnés vers la gestion
des contrats, donc ni vers le marketing, ni vers l'a ide à la ta rification
prospective.
Le Big Data privilège une orga nisation décentra l isée de l'assu reur
ou d u banquier ; non pas décentralisée dans l'acception tradition
nelle d'entités indépenda ntes dans leur gestion, soum ises à l a seule
centra l isation des com ptes et des résu ltats. Cette orga n isation
.µ
ne supportera pas les contrai ntes bureaucratiques de Solvency 1 1,
.s::.
CJl
·c
nota mment les obl igations lourdes de contrôle interne des risques.
>
a.
0 La nouvelle décentra l isation induite par le Big Data tient au rôle que
u
don n eront progressivement à l'assu reu r l'évolution des modalités de
gestion d'une information extérieu re majeure dans l a ta rification et la
gestion des contrats. La logique pourrait évoluer vers une autonomie
de structures ma rketing, « fa brica nt » des « cibles » i ndividuelles et
les propositions à leur fa i re, pour le com pte de réseaux traditionnels
170 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
L'assu reu r « Big Data » pourrait être un porteu r de risques sim plement
ga ra nt de la solvabilité des engagements pris. Dans ce cadre, l'assu
reu r doit demeurer le propriétaire des techniques de tarification/
provisionne ment et d'adossement actif/passif, ce q u i signifie qu'il a
pour pri nci pale fonction d'acq uérir les don nées et de constru i re et
déte n i r les « boîtes noires » de calculs d'a lgorith mes. C'est le rôle à
ve nir de l'actua riat que de piloter l'activité des data scientists (qu'ils
soient ou non intégrés dans les entreprises) et de gérer les données
formatées par ceux-ci. Cette o rga n isation sera d'ailleurs plus pro
tectrice des « secrets de fabrication » du ta rif et des conditions des
contrats que la situation actuelle où les « in novations prod uits » sont
i m méd iatement copiées.
perti nentes, soit de leur propre initiative, soit sur l a base de dema ndes
formu lées par l es util isate u rs (spécialistes du ma rketing, tarificateurs,
gestionnaires de sinistres).
li leur revient de chercher dans la masse des don nées disponi bles les
« corrélations fai bles » entre des don nées, ou des fréquences spé
* *
Le Big Data pou rrait entraîner une vraie révolution dans l'orga nisation
des entités d'assurance el les-mêmes, déjà fortement sollicitées par le
« choc » de Solvency I l (gouvernance, fonctions clé, contrôle interne,
La position des agents (des cou rtiers, des guichetiers) est commune :
i l s'agit pou r eux de démontrer q ue, à l'avenir, la vente face à face
entre le client et le « com mercial » demeurera une nécessité de la
souscription et de la gestion de contrat, même si les bases d u démar
chage com mercial et de la tarification sont profondément mod ifiées
et gérées centra lement par l'assureur.
* *
.µ
.s::.
CJl
·c
>
a.
0
u
Chapitre 11
1. Les hypothèses.
Nous pensons que le modèle le plus a isément réa lisable est fondé sur
l'utilisation d'un courtier (éventuellement ca ptif) qui é labore le pro
d uit, son ma rketi ng et sa tarification, fait souscrire le risq ue et le fait
comptabi l iser par l'entité d'assu ra nce, qui garde la responsabil ité de
la gestion des actifs. Cela minim ise les coûts informatiq ues de l'entité,
.µ
et crée u n centre de coût informatique a utonome chez le « courtier » .
.s::.
CJl
·c
Ce modèle donne quelques facil ités au regard de Solvency I l et des
>
a.
0 coûts salariaux des structures d'assu ra nce (charges sociales élevées) .
u
Le « courtier » est un « distri buteur » et n'est donc soumis qu'a ux
règles généra l es de protection de la cl ientè le (notamment s' i l s'agit
de produ its « Vie ») et de contrôle de l'honorabilité et de la com pé
tence, effectués en France par l'ORIAS.
LE BIG DATA ET LES ENTREPRISES D'ASSURANCE 1 177
Ce choix d'orga nisation comporte des aspects inéga lement favora bles :
1.4 Pour éviter les écueils réglementaires sur l'accès aux données,
tout en s'assurant que le modèle reflète bien les possibilités
offertes par le Big Data, nous avons choisi de décrire un pro
duit de garantie Automobile du particulier (RC et Dommages).
Le choix de ce prod uit évite l'écueil réglementaire fra nçais. Les don
nées sur la qua lité et la nature de la conduite automobile sont moins
sensibles politiquement que les don nées de santé. Elles sont aisément
disponi bles. Et elles peuvent fa i re l'objet d'un accord clai r de trans
parence de l'i nformation avec le cl ient, ce q u i n'est pas avéré pour le
risque Santé. Il est donc cohérent de raisonner sur le développement
.µ
.s::. rapide d'un nouveau produit de garantie Automobile « Big Data » .
CJl
·c
>
a.
0
u 2. Une évaluation des coûts de mise en œuvre du projet
Ils ne sont cependant pas diffé rents de ceux liés à l'éla boration
d'un nouveau prod uit d'assurance a utomobi le, sous rése rve de la
LE BIG DATA ET LES ENTREPRISES D'ASSURANCE 1 179
Quant aux péages d'autoroute, ils fourn issent de très précieuses don
nées, via les paiements par a bonnement ou ca rte banca i re, sur les
.µ
.s::. iti néra i res empru ntés et la vitesse moyenne sur chaque itinéra i re. Les
CJl
·c
>
a.
critères de l'i m porta nce des trajets sur autoroute/hors a utoroute et
0
u les dates de ces trajets pou rraient être des éléments de ta rification.
Beaucoup de données sont donc non seule ment disponi bles, mais
gratuites et même, pour i l l ustrer des propos précédents, publiq ues,
ce q u i veut d i re u ti l isables même en l'a bsence de consentement du
prospect/client.
Une partie seule ment de ces données req uiert u n e acquisition, mais
beaucoup s u p posent u n consentement du conducteur/client de
l'assu re u r. Cel ui-ci est-il très difficile à obtenir ? Plusieurs ord res de
réponses sont concevables, q u i im pactent diversement le retou r sur
i nvestissement d u projet.
.µ
• Nous n'imaginons pas que l'assureur se procure auprès des col
.s::.
CJl
·c
lecteu rs de données des informations sur les cl ients ou prospects
>
a.
0 sans l'autorisation de ces derniers. C'est un élément conflictuel
u
majeur de l'utilisation du Big Data. Chacun cède à Facebook ou
à Apple des informations sans vérita blement le savoir, et ces
gra nds collecteurs se considèrent comme les propriétai res de
ces don nées. À l'inverse, on a noté ci-dessus que nombre de
don nées nécessaires à la tarification comportementale étaient
182 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
57. Risques, n° 103, septem b re 2015, « Le choc du big data dans l'assurance ».
LE BIG DATA ET LES ENTREPRISES D'ASSURANCE 1 183
Pour les e ntreprises d'assura nce déjà i m p l iquées dans des démarches
ma rketing d'uti l isation des réseaux socia ux, les coûts ma rketi ng pour
ra ient être moins élevés qu'on ne l'i magine, compa rés par exemple
aux in itiatives a ntérieures d u ma rketi ng d i rect et de la souscri ption
I nternet. La publ icité télévisée est moins nécessaire à la nouvelle
stratégie marketi ng qu'une bonne impla ntation sur Facebook, dont
bénéficient déjà les assure u rs q u i ont affi rmé leur présence sur les
réseaux sociaux depuis plusieurs a n nées.
Il peut donc en résu lter, en moyenne période, des coûts de résil iation
d us au refus du client de la hausse générale du ta rif, hors cha nge
ment de comportement, l iée à l'i nflation du coût des sinistres. Le
ta rif Big Data rend plus difficile la pratique ancienne et efficace des
a ugmentations générales du ta rif, dites « presse-bouton », util isées
fréq uemment.
Le Big Data ne peut pallier une com pétitivité insuffisa nte dans la ges
tion des indemn isations. I l peut, en reva nche, i nformer ra pidement
l'e ntité sur une dérive générale de la sinistra l ité et s u r ses ca uses, a i nsi
que sur l'a na lyse de la dérive des coûts. Il en serait a i nsi, par exemple,
des changements i ntervenus dans les stratégies de rémunérations
des concessionna ires de la part des constructeu rs a utomobil es, des
prix des pièces détachées, etc.
La volatil ité des coûts de réparation pou rra it être, dans l'aven i r, u n
facteur de volatilité des produits eux-mêmes, l a seule réponse à la
hausse méca nique des coûts d'indemnisation étant de reformuler la
« proposition de va leur » fa ite au client, en modula nt ses ga ra nties.
Cela génère des coûts de gestion des produ its et un coût commercial,
lié à l'explication nécessaire a u client de sa facture de cotisation, en
plus des coûts de volati l ité de l a clientèle, qui peut remettre e n ca use
son contrat chaque a n n ée face au change ment de prix. L'une des
.µ
.s::. rares lois du marketi ng de l'assu ra nce est en effet q u e le client fidèle
CJl
·c
>
a.
est un client renta ble. Et, natu rel lement, la génération de clientèle
0
u (Web 2 .0 Facebook) à q u i s'adressent ces nouveaux contrats est
-
3. Synthèse.
Les coûts d'investissement d'un prod uit Big Data sont certainement
élevés : i nformatique « spécialisée » dans l'extraction des don nées
pertine ntes, coûts d'étude des éléments de « scoring comporte
mental », coût de la création de nouveaux produ its et tarifs, coûts
de formation des commerciaux. Les d u rées d'amortissement de ces
i nvestissements sont probablement de l'ordre de cinq a ns.
En reva nche, les coûts de m ise en place d'une structure déd iée au
prod uit Big Data sont plus modérés, de même que ceux propres à la
conception d u prod uit et d u ca lcul du tarif. Après l'orga nisation de la
col lecte et du tri des don nées, les coûts ne sont pas très d ifférents
de ceux qui résu ltera ient de la mise en place d'un nouveau prod uit
d'assurance Auto ; activité à laquelle les compagnies d'assurance se
livrent régulièrement, en pratique tous les cinq ans environ.
Les coûts marketi ng sont évidem ment considéra bles. C'est là que la
recherche de prospects les plus favora bles à cette nouvelle tarification
.µ
req uiert le plus d'a na lyses de don nées : c'est avec le SI l'i nvestisse
.s::.
CJl
·c
ment le plus lourd du projet.
>
a.
0
u Reste le plus délicat : le coût technique de positionnement du prix du
prod uit. N u l n'i magine se lancer dans l'aventure sans « acheter » le
consentement des clients, donc sans a pporter un avantage tarifaire
sensible. Sur un marché saturé et concu rrentiel, cela i m plique de
faire du dumping sur les prix, avec un risque réel de ne pas pouvoir
188 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
* *
Les e ntreprises et parmi el les les assu reurs sont beauco u p plus sen
sibles au respect de la réglementation que les individus, toujours
tentés de la contourner. La profession est réglementée par la d i rective
européenne Solvency 1 1, q u i prévoit le développement, a u sein de l a
.µ
.s::. gouverna nce des e ntités, d'une fonction « conformité » (compliance)
CJl
·c
>
a.
orientée vers la protection des consommateurs et, plus e ncore, par
0
u des règles de Droit en matière de protection de la vie privée, édictées
par la Comm ission nationale informatiq ue et li bertés (CN I L) . La CN I L
a édité e n novembre 2014, l e « Pack de Conformité Assu ra nce », qui
commente, après concertation avec les orga n ismes représentatifs
190 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
c
0
:;:::;
"'O
'CIJ
ca
0:::
\0
.-f
0
N
@
.µ
.s::.
CJl
·c
>-
a.
0
u
59. FFSA : Fédération Française des Sociétés d'Assurance. GEMA : Groupement
des Entreprises Mutuelles d'Assurance. F N M F : Fédération Nationale de la
Mutualité Française. CTIP : Centre Technique des Institutions de P révoya nce.
60. Démarche des entreprises consistant à s'éta blir dans des pays du monde o ù
les conditions réglementaires e t fisca les sont les p l u s favorables o u les moins
contraignantes.
LE BIG DATA ET LES ENTREPRISES D'ASSURANCE 1 191
61. Convention qui fixe les conditions de tarification des « Risques aggravés » en
matière de Santé pour l'assurance Prévoya nce des Emprunteurs.
192 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
fils suscepti bles de fa i re a ppa raître des don nées sensibles », est en
contradiction a pparente avec les recomma ndations de l'ACPR et de
l'EIOPA62 sur la conna issance des besoins patri moniaux du client, sa
com pétence en matière fi na ncière et son « a ppétit pour le risque »
a ppliqué à ses placements.
Les anciens élèves des écoles d' É tat-Major savent tous que dans
la l utte tech nologique entre l'obus et la cuirasse, l'obus a toujours
gagné la pa rtie. Sans succomber à l'envie de proposer u n ma nuel de
contou rnement des interdits j u ridiques, il fa ut tout de même relever
le décalage e ntre le d iscou rs « national » de la CN I L et les réa l ités
de la mondial isation des systèmes d'i nformation et des écha nges de
services d'assurance et de réassu ra nce.
Sans en exagérer les risques, ces montages pou rra ient fragiliser à
moyen terme les assureurs fra nçais. Si l'on su ppose que les concur
rents non européens s'i ntéressent à notre marché, d isposent de
moyens de ta rification Big Data i m po rtants et sont encou ragés par
leur réglementation n ationa le, ils peuvent être des acteurs agressifs
pour nos positions commerciales. Dans le cas d'une réforme à venir
de l'assu ra nce Maladie de la Sécu rité socia le, et son re mplaceme nt,
grâce à l'Accord National I nterprofessionnel par des « contrats col lec
tifs », pour gara nti r les risques cou ra nts de Sa nté, l'assurance fra nçaise
pou rra it perdre ra pidement des positions com merciales i m portantes.
4. Synthèse
.µ
La France et l'Europe de l'assu ra nce sont mal pa rties sur les ques
.s::.
CJl
·c
tions de Big Data : la conjonction du « Pack Assura nce » de la CN I L et
>
a.
0 les règles de Solvency I l , la compliance (conformité) dans l es divers
u
domai nes de respect des d roits du consom mateur et, demain, les
travaux en cours sur la qualité des don nées et la « gouverna nce » de
cel le-ci, mettent sur la défensive les assureurs fra nçais.
200 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
Le Big Data est considéré par les a utorités de contrôle, et par cer
ta ins gra nds acteurs, comme une menace ou, au moins, comme une
« charge supplémentai re » sur les systèmes d'information . Si l'on
adopte une démarche non agressive, tournée vers les clients des
nouvelles générations, le Big Data présente une cha nce com merciale
considéra ble, sur un marché saturé et bloqué sur la concu rrence par
les prix. Il fa ut donc cesser de « faire peur » ou de « se faire peur ».
À cet égard, le concept de Middle Data est probablement une voie
de com m u n ication publique uti le et efficace pour faire prospérer des
projets in novants .
.µ
.s::.
CJl
·c
>
a.
0
u
Conclusion
Menace ou opportunité ?
La révolution n'est pas tant dans les technologies que dans le ma rke
ti ng des services et dans la théorie du risque et de l'assu rabil ité.
Dans le premier domai ne, l'assurance n'est qu'un des « poi nts
d'appl ication » parmi d'autres d'un cha ngement en profondeur des
habitudes de consommation et des attitudes des consommate u rs où
se développent, d'un côté, les réseaux sociaux et, de l'a utre, « l'U bé
risation » de l'économie. Les conditions d'entrée dans de nom breuses
activités - l es « ba rrières à l'entrée » chères aux économistes - se
réd u isent à grande vitesse, pour l'assu ra nce comme pour les taxis.
.µ
Le « Big Data » est la résultante de ces nouveaux modes d'échanges,
.s::.
CJl
·c
dont il bénéficie : chacun commu nique désormais d'énormes q u a n
>
a.
0 tités d'i nformations s u r l u i-même, volonta i rement et gratu itement.
u
C'est une a u ba ine pour l'assu reu r jadis contraint d'obte n i r décl a ra
tions et certificats, plus ou moins bia isés ou inexacts, plus ou moins
exigés par l a réglementation, et difficiles à contrôler en cas de fra ude
su pposée et de fausse décla ration présu mée. Le Big Data est une
présom ption, ou une déclaration de consentement à l'exploitation de
202 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
don nées comportementales. C'est donc une chance pour l'ind ustrie
de l'assura nce.
Mais la menace n'est pas loin. La révolution est évidem ment coû
teuse, en jour/hommes informatiq ues, en i nvestissement, en études,
mais aussi en niveau a bsol u de la marge tech niq ue, dès lors qu'il fa u
d ra « acheter » le consentement du client à l'usage actuariel de ses
i nformations personne lles. S'i l existe un vérita ble obstacle a u déploie
ment des tech niq ues Big Data, i l tient beaucoup plus dans la q uestion
des coûts que dans le bouleversement des orga n isations (courtiers/
entités porteuses de risques) et des business models (relocal isation
de la marge tech nique et levée de barrières à l'entrée sur le marché).
Personne ne peut a ujourd' hui affirmer que le business mode/ de
l'assu ra nce Big Data est profita ble aux assureurs . I l est en reva nche
certa i nement favorable au consommateur, surtout s'il accepte d'a na
lyser son propre risq ue en termes de coût et de responsa bi lité.
Il faudra sans doute plus de temps que les thu riféra i res ou les
prophètes de malheur du Big Data ne le d isent pour que la « révolu
.µ
tion », chère à la marionnette de Tim Cook, produise ses effets. Mais
.s::.
CJl
·c
i l n'est pas douteux que cette révol ution a rrive, et que l'industrie de
>
a.
0 !'Assu ra nce devra non pas « s'y adapter » plus ou moins à contrecœur,
u
mais prendre la vague et l'uti l iser pour fa i re ava ncer l'assura bi lité des
risques dans les meilleures conditions pour les consommateurs.
.µ
.s::.
CJl
·c
>
a.
0
u
Annexe
.µ
.s::.
CJl
·c
>
a.
0
u
Exem ples d'a lgorithmes d'a ppre ntissage non su pervisé : K-means,
Réseaux de Kohonen, règles d'association (a lgorith me Apriori).
• Régressions linéaires.
• Arbre de decision.
• SVM (Sépa rateur à Vaste Marge) .
• Classification N aïve Bayésienne.
• Forêts aléatoires (random forest).
• Gradient Boosting.
• Réd uction de dimension avec l'ACP.
• K-Means.
• Les règles d'association (a lgorith me Apriori).
3. Application
[f... .,:J"] BOOK H VU>COS BlOG PACKT SUP90RT liPPA(lllll Cl_ fil J:
., .....
€27.41 J!: Add to C:..rt
.µ
.s::.
CJl
·c
> oo o •
a.
0
u C12.30 Get Unlimited Acctu to evtory PackteOoolc ond V1deo course
,, boclJ•!'ld\llllCMol-� .r-d�JO.ll'Mdtot.!111
'4 ..J<Ml'*-'ll ft'll•pbdON
a- f- Bouton
de téléchargement
de données
208 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
I l suffit de télécharger les données en cl iquant sur l' icone avec le label
Code Files et récupérer le fichier insurance.csv. Ce fichier contient 1
338 individus et 7 variables i ndiquant les ca ractéristiq ues des patients
à savoi r :
• charges : les dépenses tota les
• region : la région
• smoker : fu meur ou non
• children : le nom bre d'enfants à charge couvert par l'assura nce
• bmi : l'ind ice de masse corporelle = poids ( kg) / [ta i l l e (mètre)]A2
• sexe : l e sexe du souscripte u r
• age : l'âge du souscripte u r
require ( caret )
head ( a s s u rance)
## age sex bmi children smoker region charges
## 1 19 female 27 . 900 0 yes southwest 16884 . 924
## 2 18 male 33 . 770 1 no southeast 1725 . 552
## 3 28 male 33 . 000 3 no southeast 4449 . 462
## 4 33 male 22 . 705 0 no northwest 21984.471
## 5 32 male 28 . 880 0 no northwest 3866 . 855
## 6 31 female 2 5 . 740 0 no southeast 375 6 . 622
summary ( as s u rance)
## age sex bmi children smoker
## Min . : 1 8 . 00 fema l e : 662 Min . : 15 . 96 Min . : 0 . 000 no : 1064
## lst Qu . : 27 . 00 male : 676 lst Qu . : 26. 30 lst Qu . : 0 . 000 yes : 274
## Median : 39 . 00 Median : 30 . 40 Median : 1 . 000
## Mean : 39 . 21 Mean : 30 . 66 Mean : 1 . 095
## 3rd Qu . : 51 . 00 3rd Qu . : 34 . 69 3rd Qu . : 2 . 000
## Max . : 64 . 00 Max . : 53 . 13 Max . : 5 . 000
•
IllIIlIIIDIID
.. •
•
' ... .
- .
.µ
.s::.
J •
•
CJl .
·c •
> .n. ...
a.
u
0
_ .. _
l1
- - - .- - -
210 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
ln (1) : icpon os
u.port Dll::P1 u np
u:pon pMdas as pd
Xc::itplotlib 1ol1ne
Dimcn...o
.j n� du dntl\.frnmc
Out(4) : ( 1338 , 7)
St rn�tur;.· «! 1-. ha..,..· 11\ • h 1m111iir;..,. 10 pnmi rt':• \lll•ur:. prc"' JlfU' h- i11lliviJ11'
fonction qui re lie les va riables expl icatives à la va riable expl iq uée est
linéaire dans ses paramètres (source : wi kipedia ) .
x_train ass urance %>% select ( age, bmi, children) # variable exp l i cative
# Ajustement du modèle
fit_linear <- l m ( y_t rain - . , data = x)
u
## bmi 332 . 08 51 . 31 6 . 472 1 . 3 5 e - 10 ***
## - - -
## Signif . codes : 0 ' * * * ' 0 . 001 ' * * ' 0 . 01 '*' 0 . 05 ' . ' 0 . 1 ' ' 1
##
## Residual standard erro r : 11370 on 1334 degrees of freedom
212 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
In (8) : x_tra1n • assuran� c c •aae• . ' bc1 ' . 'chtldren • ] ] 1 variab tea ezpt•cative�
y_t�1o • 3ttura.oce cbarget. valU91 1 var1 abl� d �:pl19uar
Coo!Uc1ont :
( 239. 99447429 332.0833645 542. 86465225]
I ntercopt :
-6916. 2�3-34779
.µ
3.3 Mise en œuvre du modèle d'arbre de décision
.s::.
CJl
·c
>
a.
U n a rbre de décision est une technique d'a ppre ntissage su pervisé
0
u q u i modélise u n e hiéra rchie de tests ( règles) s u r l es va leurs d'un
ensemble de variables (va riables à expliquer). À l'issue de ces tests,
le modèle d'a rbre prod uit une valeur n u mérique ou choisit u n élé
ment dans un e nsemble discret de valeurs. O n parle de régression
dans le premier cas et de classement d a ns le second. Ces règles se
ANNEXE : ALGORITHMES DE MACHINE LEARN/NG 1 213
représentent intu itivement sous forme d'a rbre. Appliquer l'un de ces
a lgorithmes sur nos données donnerait u n résultat de la forme :
x_train = ass urance %>% select ( age, bmi, children) # variables exp l i catives
y_train = ass ura nce$charges # variable à expliquer
x <- cbind . data . frame ( x_t r a i n , y_train)
# Ajustement du modèle
# commande à exécuter après avoir installé Les packages rpart et rpart. plot
avec
# Les scripts : insta L L . packages ("rpart"); instaL L . packages("rpart . p lot")
require ( rpart )
require ( rpart . plot)
fit arbre <- rpart(y_train � . , data = x)
.µ
.s::. # Résultats : Affichage de L ' arbre
CJl
·c
>
a. rpart . plot(fit_arbre, type = 4, uniform = TRUE,
0
u fallen . leaves = FALS E )
214 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
age< 42
(�
bntl<�:�·J\ bml<3�
0
>- 30
# Prédictions
predictions = predict(fit_arbre, x_test)
On peut dire à travers cet arbre que la charge moyenne est de 13 000
et q u e si âge < 42 et l'ind ice d e masse corporel l e est inférieure à 30,
la charge va ut 8 174.
.µ
.s::. 3.4 Mise en œuvre du modèle du K-Means
CJl
·c
>
a.
0 C'est un a lgorith me de classification, qui consiste à désigner un repré
u
sentant pour chaque grou pe homogène créé par le modèle afin de
ca lculer les dista nces par ra p port à ce représentant pl utôt q u'avec
tous les éléments d'un même groupe. Dans l'a lgorithme k-mea ns, le
représentant d'une classe est souvent le ba rycentre des points de
cette classe (généralisation de la moyenne).
ANNEXE : ALGORITHMES DE MACHINE LEARNING 1 215
# Ajustement du modèle
# Détermination du nombre de classes optimales
require ( usefu l )
assurance_best <- FitKMeans ( x_train, max . clusters = 20)
PlotHartigan ( a ssurance_best) # On choisit à partir du graphique c i - dessous 17
= 16 + 1 clusters
.µ
.s::.
CJl
·c
>
a.
0
u
216 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
...
# Réalisation du K-means
fit_kmeans <- kmean s ( x_train, 17)
## [1] 2 1 7 13 1 6 1 3 13 7 1 1 15 5
?r�'tlJ'C:llO•I � ê.<ru16c*
ll\ �) : :t.,nnic • ��m•'· (l ' tliillf;�· , ·�:& ' . 'bel ' . 'cl:IU<ll'en • ] ) fi 11or,ob&es ci 11!ihser dons L• b°"c:
Bue
d •pprent11Uge 1•
Forets ol atoircs CART avec une sé cclJon a atoiro do m vanablcs parmi los p
d1 poo bl i; ll'll:lnt d sogmont r
•
.
/( fol fj /'(. Io )
B1) '
Les tech niques de forêts aléatoi res ont un bon pouvo i r prédictif mais
i l est plus difficile d'i nterpréter les résultats.
x_train = a s surance %>% select ( age, bmi , children) # variables expl icatives
##
## Call :
## randomForest ( formula = y_train - . , data = x , ntree 500)
## Type of random forest : regression
## Number of trees : 500
## N o . of variables tried at each split : 1
##
## Mean of s q u a red residuals : 138035757
## % Var explained : 5 . 81
#Predictions
predictions = predict( fit_randomforest , x_test)
l'
r\prntl..n •i <fot1111
In [3J : x_tra1o • a11ur"1Ct [ ( ' a,go • , 'tlct ' , 'ch1ldron ' ) ] # va,,ablC6 c:pl•cot1v�
y_train • assurance. chargea # vartable 4 e:pl1qver
P�hrt1<>n•
r
BASE
D'APPRENTISSAGE
Model 1
Model 2
Model j
' Meilleur
modèle
Comme pou r les forêts aléatoires, les tech niques de Boosting ont
un bon pouvoir prédictif mais il est plus difficile d'i nterpréter les
résultats.
.µ
3.6.1 Réa lisation du Boosting avec R
# Preparation des données pour La réalisation du Boosting
.s::.
CJl x_train = a s surance %>% select ( age, bmi , children) # variable exp l i cative
·c
>
a. y_train = a s s urance$charges # variable à expl iquer
0
u x <- cbind . data . fram e ( x_t r a i n , y_t r a i n )
#Predi.ctions
predictions = predict( fit_gbm, x_test )
## Using 200 trees . . .
Io [3) : x_tralo aaauraoce [['ngo ' , ' bel ' , 'childron' ) ) I vcr\eblca c:pl,cet ,vca
y_tra10 aaauraoce . çbargea I vcr\cble 4 e..-p l,9Mer
� • �._ • �AA
TI •
C' 127.00.1 ,
.,
:-:
�,....:.=
= ....-=
..:.... --=-
=:;;;.;.:.
=. .. :...=::...
-=- .:.... -=:...;.:.-=
... ::;-
AXA dotoviz
- -
-·-
•
FORSIDES
--
.µ
.s::.
CJl
·c
>
a.
0
u
65. Plate-forme Web dont l'objectif est de permettre aux entreprises (comme
Facebook, la NASA, etc.) d'orga n iser des concours de Big Data où s'affrontent
des m i l l iers de développeurs inscrits pour résoudre un problème donné avec
une récompense à la clé.
.µ
.s::.
CJl
·c
>
a.
0
u
Bibliographie
AFNOR, Livre blanc sur le Big Data, février 2015.
F. Ewa ld, P. Thou rot, « Big Data : défi et opportunités pour l es assu
reurs », Banque & Stratégie, n° 3 15, « Enass Pa pers 5 », juin 2013.
P. Giudici, S. Figi ni, Applied Data Mining for Business and lndustry,
Wiley, 2nd ed ition, 2009.
B. Schma rzo, Big Data -Tirer parti des données massives pour déve
lopper l'entreprise, Wiley, 2014.
N. Zumel, J. Mou nt, Practical Data Science with R, MAN N I NG, 2012 .
.µ
.s::.
CJl
·�
a.
Deux liens intéressants qui permettent de comprendre le vocabu-
8 laire en Data science :
-+ http://www.jeveuxetredatascientist.fr/le-vocabulaire-du-data
-scientist-pour-les-nu ls/
-+ https://azure.microsoft.com/fr-fr/services/machine-learni ng/
Chez le même éditeur
H O RS COLLECT I O N
·�
a.
Droit bancaire et financier Méla nges AEDBF Fra nce-VI
-
COLLECT I O N DROIT
Finance islamique ( La )
G . Ca usse-Braquet
COLLECT I O N MASTER
Droit bancaire
G. Decocq, Y. Géra rd et J. Morel-Maroger
.µ
.s::.
CJl
·c
Droit des assurances
>
a.
0 M . Asselain et Ch. Vercoutère
u
Fusions-acquisitions
Ph. Thomas
Principes de finance d'entreprise - Corporate Finance -
Création de va leur
Ph. Thomas
COLLECT I O N ASSURANCES
.µ
Ingénierie financière
.s::.
CJl
·c
Ph. Thomas
>
a.
0
u Introduction à la comptabilité bancaire
M . Formagne
www.revue-banque.fr
.µ
.s::.
CJl
·c
>
a.
0
u
e Big Data désigne rensemble des procédures de recueil et de 1raitement
d1nformatlons.. 11gh vo!11ne. hlgh velocltyand hlgh varlety •que les nouvelles
technologies rendent disponibles à ceux qui sauront les sélectionner et les
exploiter. Le Big Dataestà lafois une opportunité-que les �rs doivent
uti�set caril impactetous lesélémentsde lachainedevaleu'de rindustrîed'assuranœ
-et ine �olution qui remet en a•=e les conditions d'exerciœ de tous les métieis.
Pour l'ass..anœ, souvent prisornère de " fasymétrie d'information • sur le risque,
mieux con� du cUent que de l�reur. cette m� d1nformatlons modifie en
profonde.. les métiers de prise et de gestion de risques, la tarif.c:atloo, l'assurabillté,
maisaimi l'organisation des métiers etdes entreprises. Ce sont œs irrpcts potentiels
des nouwlles sourœs d'inf'onnation que les auteurs so.J\aitent 1T1011lief daN ..-.e
suite de monograplles sur dlacun des éléments de lachaine de vale11 de rw..anœ.
Ils pioposent une appréciation de lafaisab1ité de Cle$
évdutions.enévaluantleseffetsécalioniquesduBlg
Data SU' les patlques de ll'lilldlé, sur les CICOls de la
gestion des risques, sur lbrganlsatlon des e11t1Ejlifses
etsur les aidiilectures de S'pl:êmes d'inlOnnalion. lis
veulentmesurerl-.,leurdu •choc •que part�le
Big Data s1r le busTness modtlde l'assurance.Touten
� l1mportanœ théorique et l'amplltude
d'uneq�-invenion de l'asymétrie d'i 1
rcrmation, ils
n'en né&figent pas les diffic:.Jtés éthiques &êes à la
disponibilité tres faoûtée d'une masse oomicléfable
d'infurrnatior6 persomeles Uées à la vie privée des
dlents. Enfin, Ils alertEnt sur les risques de faible
nmi..- !U lnvestiss el'liEI
1t de pollti� extensives
d'utiUsation du Big Data, alOIS même que d�
inipélati
f.s irmlédiats po11 la gestion des e11liepii�
s'imposent àelles(Solvency 11,notammeut�
9178�!Jl12!J72 I