Kossi Ametepe Folly, Patrick Thourot - Big Data - Opportunité Ou Menace Pour L'assurance - REVUE BANQUE (2016)

�
OPPORTUNITE OU MENACE
POUR L'ASSURANCE ?
PATRICK THOUROT et KOSSI AMETEPE FOLLY
Préface de Denis Kessler
RB ÉDITION
DANGER
@) LE
PHOTOCOPWGE
lUELEUVRE
ISBN: 978-2-86325-727-2
Code Géodif : G70764
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
autorisation écrite de RB Édition ou du Centre français d'exploitation du d roit de

copie (CFC- 20, rue des Grands-Augustins, 75006 Paris), conformément aux disposi
tions du Code de la propriété intellectuelle.

BIG DATA
�
OPPORTUNITE OU MENACE
POUR L'ASSURANCE?
PATRICK THOUROT ET KOSSI AMETEPE FOLLY
- FO RSIDES -
Préface de Denis Kessler

Président-Directeur Général de SCOR
.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.
Kossi Ametepe FOLLY est Actuaire chez Forsides France et diplômé

de l'ENASS .
.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.
Ils expriment leur gratitude à M. Pierre-Grégoire M a rly (Professeur

des Facu ltés de Droit), M . Régis Delayat (DSI de SCOR), M . Philippe
Ma rie-Jea n ne (AXA), M . Pierre-Ala i n de M a l leray (DG de Santia ne),
M. Fabrice Pesi n (Médiateur du crédit au min istère des Fina nces), et
à l'ensemble des i nterlocuteurs q u i leur ont fou rni des informations
et des idées pou r la construction du livre.
Ils remercient enfi n Mesdames Florence Besset, Géraldine Fonta ine

et Gisèle M ichelet qui ont fait bien plus que tra nscrire avec talent et
patience leurs manuscrits, a près les avoir déch iffrés .
.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.
Les auteurs du présent ouvrage s'attachent justement à démontrer

comment Big Data révolutionne surtout le traitement des don nées
a i nsi que ses impacts sur les métiers et l'orga nisation des assureurs.
Ils ont su prend re, à juste titre, leurs dista nces avec la technologie
informatique des c/oud et autres objets connectés. Ca r le Big Data va,
en effet, bien au-delà de ses aspects technologiques et a n nonce des
bouleversements profonds dans l'activité d'assurance des personnes,
des biens, des entreprises et des particuliers.
À travers ce que l es auteu rs a ppellent le monde de l'algorithme

comportemental prédictif, poi nte toute une révol ution de la science
actuarielle et de la théorie même de l'assurance. Le prix actua riel du
risq ue prend le pas sur la segmentation traditionnelle des ta rifs, sur
la mutualisation nécessai re, sur le prix fixé en fonction du coût moyen
rétrospectif des sin istres. La tarification par la créd ibil ité remplace l a
tarification au coût moyen. La frontière d e l'assurabil ité est repoussée
et tout ce qui repose sur un aléa devient désormais assu ra ble.
Les auteurs font a insi entrevoir la fi n des régimes obl igatoires et

réglementés d'assura nce : à chacun d'assumer la q uote-part de
.µ
.s::. risque qu'il sou haite en fonction de son « a ppétit pou r le risque » et
CJl
·c
>
a.
de sa vision de sa propre solvabil ité.
0
u
Cela ne va pas sans difficu lté et les assureurs doivent trouver un équi
l i bre difficile entre utilisation des don n ées individuel les et protection
de la vie privée des assu rés. I l peut sembler paradoxa l d'observer
q u'a lors que la médeci ne préd ictive et le « profi lage » des fra udeurs
8 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'ASSURANCE ?
peuvent provoquer de vives réactions, l'usage des réseaux sociaux ou

des objets connectés, qui a pour conséquence de dévoiler de nom
breuses données privées gratu itement, ne sou lève pas les mêmes
réactions. Sagesse et prudence s' imposent donc : si l'on peut boule
verser la science actuariel le, on ne bouleverse pas le contrat socia l .
D e pl us, l a réglementation e n matière de protection des données s'in

tensifie. La France est pion nière en E u rope dans le contrôle de l'accès
aux données personnel les des citoyens. Les a uteurs démontrent bien
les hésitations des Pouvoirs publics e ntre la mise à disposition crois
sa nte de données publiques ( via l'open data) et l'encadrement de
l'exploitation des don nées privées, notamment en matière de sa nté.
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
Préface de Denis Kessler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

Président-Directeu r généra l de SCOR
Avant-Propos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Première Partie
L'écosystème du Big Data aujourd'hui . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Cha pitre 1 Les défi nitions et l'écosystème du Big Data . . .. . . . . . .... . . . 15
Annexe : Dictionnaire de la Data Science .................... 29
Cha pitre 2 Big Data et Révol ution Digita le . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .. . . . 41
Cha pitre 3 La propriété des don nées : frein ou levier ? . . . . . . . . . . . . . . . 51
Deuxième Partie
Le Big Data et les métiers de l'assurance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
Cha pitre 4 Le ma rketing 3.0 : du prod uit d'assurance

c
0
:;:::;
à la valeur client . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
"'O
'CIJ
ca
0:::
Cha pitre 5 Vers la ta rification prospective com portementale :
\0
.-f la révolution de la théorie du risque . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
0
N
@
.µ
Annexe : Princi pes de ta rification des risq ues
.s::.
CJl
·c
de particuliers, aujourd'hui et demain (avec utilisation
>-
a.
0 des facultés don nées par le Big Data) 99 . . . . . . . . . . . . . . . . . . . . . . . . .
Cha pitre 6 De la gestion des contrats à la gestion

des clients 3.0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
Cha pitre 7 U n e assurance sans fra ude ? . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . 117

.
Annexe : La fraude à l'assu ra nce dans le « Pack

Assurance » de la CN I L . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
. .
Cha pitre 8 Les hommes et les machines du Big Data . . . . . . . . . . . . . . . . . 129
Troisième Partie
Le Big Data et les entreprises d'assurance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
Cha pitre 9 Big Data et création de va leur :

qui est le mieux placé ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
Cha pitre 10 La révolution Big Data dans l'orga nisa tion

des e ntités d'assurance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
Cha pitre 11 Le modèle économique du Big Data : quel retou r

sur i nvestissement ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
Chapitre 12 Le cadre réglementa i re en Fra n ce et en Europe :

ouverture ou fermeture ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
Conclusion Menace ou Opportun ité ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201

c
0
:;:::;
Annexe Algorithmes de Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
"'O
'CIJ
� 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.
Les assureurs sont, comme les banquiers, des collecteurs et des

util isateurs de don nées en grande qua ntité. Mais la « Révolution d igi
tale » , le Web 2.0, les réseaux sociaux, les objets connectés, Google
- Amazon - Facebook - Apple - M icrosoft, défient leurs modèles
traditionnels de gestion des données, c'est-à-d i re leurs modalités
d'appréciation et de ga ra ntie des risques, donc les conditions de tari
fication et de gestion de la « protection fi na ncière » des entreprises
et des ménages.
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
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.
L'ouvrage s'adresse à des non-spécialistes : il a donc un but péda

gogique. I l comprend trois parties. La première décrit le concept de
Big Data, son écosystème informatique et les q uestions complexes
de propriété des données. La deuxième montre l'impact du Big
Data sur chacun des éléments de la chaîne de va leur et donc sur
chaque métier de l'assura nce. La dernière est consacrée au business
mode/ du Big Data dans l'assura nce, et en particulier à l'a na lyse d u
« Return o n l nvestment » des projets. Cette partie cherche aussi à
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
...-.et ouvrage ne traite pas du Big Data en ta nt que système de

col lecte et d'exploitation de données abonda ntes et non struc
tu rées, mais en ce que ces énormes qua ntités de données vont
-�influencer, modifier, voire révolutionner l'assurance, en France
et dans le monde. Pou r bien com prendre ce q u i se passe sous nos yeux,
et ce dont chacun de nous est l'acteu r, il est indispensable de décrire ce
q u i s'a ppelle désormais l'écosystème du Big Data .
Le premier chapitre est consacré à la définition du concept et aux

outils qu'il utilise.
Le deuxième opère une d isti nction majeure e ntre les évolutions

en cours dans l'assura nce, q u i se dénomment « d igital isation » ou
utilisation des réseaux sociaux (ce sont des méthodes de ma rketing
traditionnel bien que s'a ppuya nt sur certa ins outils du Big Data), et
les perspectives ouvertes par l'afflux de don n ées désormais gérées
.µ
.s::. comme des actifs (assets) par certai nes entreprises .
CJl
·c
>
a.
0 Le troisième pose la question centra le de l a propriété des don nées
u
et esquisse le cadre réglementa i re, encore confus, d a ns lequel se
déploiera - ou non - la révolution de l'uti l isation par l'assurance d'un
fl ux massif et consta nt de données sur les clients et les prospects de
l'assurance.
.µ
.s::.
CJl
·c
>
a.
0
u
Chapitre 1
Les définitions et l'écosystème du Big Data
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
1. Source : Le Big Data dans /'assurance, Marc Dupuis et Emmanuel Berthelé,

L'Argus de !'Assurance, collection Les Essentiels, décembre 2014 : 1 téraoctet
= 1012 octets= 6 m i l l ions d'ouvrages de li brairie.
électroniqu e, d a ns l'ensem ble de la société, dans un cad re très peu

structuré, et q u i la isse à penser que tout un chacun fourn it et reçoit,
mais a ussi peut utiliser toute cette masse d'i nformations disponibles
pour peu qu'il sache la ca na liser et la traiter. Des évé nements récents
(et parfois délictueux) montrent qu'il y a en réa l ité peu de li m ites à
l'obtention et à l'uti l isation des informations (Wiki Leaks).
Le monde de l'assu ra nce est, curieusement, pris à revers par cette

« Révol ution ». Curieusement, ca r l'assurance comme la banque
sont, depuis un demi-siècle, des gestionnaires de données de masse :
mouvements des com ptes coura nts, ordres de Bourse, émissions de
cotisations, gestion de contrats Vie et Non-Vie. Tous les mé nages
ou presque sont banca risés et la très gra nde majorité d'entre eux
sont assurés pour leurs biens, leurs responsa bil ités, leur sa nté, leur
é pa rgne. Mais l es données recueill ies sont très cloisonnées, sur un
com pte (nonobstant le fait que le clie nt peut en ouvrir plusieurs
a u p rès de la même banq ue), sur un contrat d'assurance Auto, M RH2,
Vie, Sa nté, Entre prise, sans que le ra pprochement de ces « couloirs »
d'i nformation sur la gestion d'un même client soit toujours possi ble
(voire tout sim plement i m possible). Le Big Data ouvre une ère d'in
formations m u lti ples et sans desti nation spécifique, des mouvements
banca i res aux photos de fa mille sur Facebook, en passant par les iti
néra i res su ivis sur le GPS d u vé hicule et tant d'autres i nformations sur
notre com portement, assuré le plus souvent. Ti m Cook a ra ison (au
moins sa marionnette dans « Les Guignols) », c'est pour l'assu ra nce
a ussi « une Révol ution ».
C'est pourquoi, ava nt de décri re comment l'industrie de l'assu ra nce

.µ
peut (et sans doute doit) transformer ses business models en uti l isant
.s::.
CJl
·c
cette « Révolution » , il est uti le d'esquisser à gra nds traits (pa rdon
>
a.
0 pour les spécialistes des systèmes d'i nfo rmation) la défin ition d u Big
u
Data, la n ature des outils qui créent son environnement (Dupuis et
2. M u ltirisques Habitation.
L'ÉCOSYSTÈME DU BIG DATA AUJOURD'HUI 1 17
Berthelé3 parlent de « l'écosystème » ), les acteurs d u Big Data, et

montrer comment se construit un « projet Big Data » pou r l'assura nce
a u sens la rge, sans pre ndre pa rti sur les acteurs de !'Ind ustrie les
mieux placés pour agir, ce q u i sera fait dans un a utre cha pitre.
* *
1. Big Data : essai de définition
Le G a rtner G roup4 a publié la définition de référence : « Big Data is

high volume, high velocity and high variety informaôon assets that
demand cost-effecôve, innovaôve forms of informaôon processing
for enhanced insight and decision making ». Tout est dit dans cette
excel lente défi n ition.
D Les 3V = volume, velocity, variety ca ractérisent la « révol ution

n u mérique ».
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
3. M. Du puis, E. Berthelé, Le Big Data dans l'assurance, Éditions de l'Argus de

!'Assurance, 2014.
4. ln Dupuis et Berthelé, op. cit.
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.
des mai llons de la chaîne de va leur de l'assura nce ? Qui, fi nale

ment, s'a ppropriera la marge générée par la gestion efficace d u
Big Data ?
C'est à ce poi nt qu'i ntervien nent les notions de « monétisation »

et de « m a rchandisation » des don nées, et le célèbre adage :
« Si c'est gratu it, c'est vous le prod uit ». Facebook et Twitter ne
connaîtra ient pas leur actuel succès en Bourse s'ils n'éta ient
que de sym pathiques lieux d'écha nges d'i nformations et de
retrouvai l les entre a nciens du Lycée de Romorantin. li s'agit
bien de céder des informations sur les clients et prospects et
de donner aux vendeurs de services l'accès à d'im menses bases
de don nées clients d isponibles. L'assureur est a ujourd' hui peu
fa m i lier de ces procédures de démarchage com mercial, même
si, depuis une diza ine d'a n nées, la présence de certa ins sur les
réseaux sociaux est avérée et efficace.
D Des formes nouvel les de gestion (processing) de l'i nformation

pour une meilleure gestion des e ntreprises. C'est là que la
tech nologie i ntervie nt. li fa ut collecter cette i nformation, la
stocker, la trier, la valider, etc. pour la rendre u ti l isable, donc
pertinente, pour les usagers ass u re u rs. Nous verrons comment
chacun des métiers de l'assu ra nce peut a i nsi extra i re de la
va leur d'une vague d'informations non cod ifiées et non orien
tées « métier » au profit de la com pétitivité de son activité.
I l manque à cette définition généra l e deux ca ractéristiques majeures

du Big Data qui en font u n e révol ution dans l'approche même d u
risq ue p o u r l'assureur.
.µ
.s::.
CJl
·c
• Aujourd' hui, les i nformations de gestion d u risq ue sont internes
>
a.
0 à l'entreprise, ou ont été i nternal isées (questionnaires, décla
u
rations, constat amia ble, éléments ch iffrés sur les transactions
du com pte en banque). Le Big Data ouvre d'innom brables voies
de renseignement externes sur le ou les clients ou prospects
à travers Google, Twitter, Facebook et les objets connectés.
L' i nformation n'est plus nécessairement maîtrisée par le pros

pect (jusq u'à la fausse déclaration ou les om issions), elle a rrive
d i rectement chez l'assureur (s'il se la procure et obtient le
consentement du client) . De même, c'en est fait des d iffici les et
peu sign ifiants « panels » de clie nts. Il est possible de disposer
d'une i nformation, infi n i ment plus riche et non orientée vers
l'assureur, sur les attentes et les besoins de sécurité fi nancière
et patrimoniale du client. Enco re faut-il savoir gére r cette infor
mation externe.
• L'i nformation est jusq u'à présent fortement normée et, en

fait, la plupa rt du temps ch iffrée. Le Big Data ouvre l'è re d'une
i nformation « narrative» sur les comportements et les risques.
C'est bea ucoup plus difficile à gérer, mais c'est a ussi infini ment
plus riche, comme l'affirment les assureurs spécialistes du mar
keting sur les réseaux sociaux que nous avons rencontrés.
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.
2. Les outils technologiques de la « Révolution digitale » (voi r

ci-a p rès le dictionnaire de la data science)
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.
des capacités de stockage », et « capacité à traiter des données peu

ou pas structurées ». Les auteurs précités notent que les « phases de
nettoyage, de préparation des don nées, d'agrégations préliminaires
peuvent représenter jusq u'à 80 % du temps d'un projet Big Data » ; ce
que confirment les auteurs de prototypes (proofofconcepts) rencontrés.
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.
2.3 L'analytique et les algorithmes
Le Big Data n'i nvente aucun des instruments mathématiques et sta

tistiq ues, et nota mment pas la modélisation, mais il oblige en réa l ité
à les réinventer ou à les redéployer de façon « révolutionnaire ». On
désigne souvent cette évolution sous le terme de machine learning9,
pour indiquer que le Big Data ouvre la voie à des calculs de proba
bil ités sur un nom bre très élevé de don nées. Nous montrerons que
les modèles simp les et rétrospectifs de ta rification en assurance
dommages, ou les modèles stochastiq ues sur les rachats de contrats
d'assura nce-épargne peuvent être considérablement améliorés, dès
lors que Big Data permet la construction d'a lgorith mes prospectifs
.µ
com portementaux beaucoup plus riches en don nées que les modèles
.s::.
CJl
·c
classiques (statistiques et rétrospectifs). La méthode de scoring
>
a.
0 des prospects devient plus efficace et surtout bénéficie d'une forte
u
« volatil ité », liée à l'étude e n temps réel des comportements, qui
8. Idem op. cit.

9. Voir l'annexe en fi n d'ouvrage.
pe rmet des révisions de ta rifs ou de politiques de souscri ption plus

ra pides, et moins brutales ou aveugles, que dans la situation actuelle.
Il est moins sûr que la gestion d'actifs bénéficie de l'utilisation d'algo

rithmes prédictifs, a u moins en ce qui concerne l'a llocation stratégiq ue,
qui reste cond itionnée par la réglementation et les charges en ca pita l
définies par Solvency 1110 pour chaque catégorie d'actifs. Les spécial istes
fondent en revanche bea ucoup d'espoirs sur la prospective en matière
d'allocation tactique, notam ment pour les produits de taux émis par les
entreprises et le cours des actions. La modélisation des portefeuil les,
a u titre des risques et de la profitabilité, a déjà fait des progrès consi
dérables. Le Big Data pou rra it apporter des informations en nombre et
en variété considérables sur les stratégies d'entreprises, ca pables de
nourrir des scénarios de modèles stochastiques et donc d'amél iorer la
prise de décision sur l'a l location tactique des actifs.
2.4 Enfin, le Big Data s'appuie sur l'ensemble des éléments que
nous dénommerons, par simplification, le « Web 2.0 » .
Le Web interactif et l es réseaux sociaux fou rnissent les i nformations

externes et non normées à l'ense mble des orga nismes collecteurs
d'i nformation Big Data . I ls posent évidemment la q uestion de l a
propriété des données et celle d u « consentement » à l e u r utilisa
tion de la part du client ou prospect. Mais ces réseaux ont aussi u n
ca ractère facil itateu r pou r l'assu reur. L'adage « S i c'est gratu it, c'est
vous le produit » est significatif. Le follower sur Twitter, cel u i qui
accepte d'utiliser Facebook ou Linkedln, sait qu'il com m u nique sur
lui-même et gratu itement des i nformations. I l est sans doute suscep
.µ
tible de comprendre et d'accepter que cette information soit utilisée,
.s::.
CJl
·c
éventuel leme nt d'a i l l e u rs à son profit. La CN I L11 el le-même a re noncé
>
a.
0 à défendre tota leme nt le b u n ker des données personnelles sous,
u
évidemment, de nombreuses réserves éth iques (et d'ailleurs parfai-
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.
Il en va de même en ce q u i concerne les réseaux sociaux. Le « Web

colla boratif » ouvre une manne précieuse d'i nformations sur les
besoins, les attentes, les réactions des clients ou prospects. C'est u n
outil de Big Data immédiatement utile aux assu reu rs, non seu l ement
par la fi nesse des informations données s u r les réactions du clie nt à
des produ its structurel lement diffici les à vendre com me les prod u its
d'assura nce, mais a ussi par l'ouverture possi ble et souhaitée du dia
logue avec ces clients et par la perception de « l'e-réputation » de
l'e ntreprise. Ce sont ainsi les vecteurs privi légiés de la com m u n ication
avec les « nouveaux clients » des générations digital natives, moins
enclins que les générations précédentes à la visite à l'agent général,
au cou rtier ou aux guichets des m utuel les et des banques.
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
»
Big Data pour !'Assu reur. Les « objets connectés » se développent

ra pidement : G PS, AppleWatch, produ its domotiques, a utomobile
connectée (ou au moins entretenue électroniquement), etc. Ces
produ its recueillent et transmettent de fréq uentes et d iverses infor
mations sur la sécu rité des biens, le mode de cond u ite d u propriéta i re
.µ
.s::. d u véhicule, le quantified self (c'est-à-d i re le suivi q uasi médical
CJl
·c
>
a.
consta nt du sujet - incluant par exemple sa tension a rtérielle, le bilan
0
u calorique de son a l i mentation et son activité physique), la surveil la nce
de l'entreprise, etc. l!l nternet des objets permet une mesure précise
et constante du risq ue, qu'il s'agisse de particul iers ou d'entreprises.
On est donc loin du q uestionnaire préa lable à la souscription et des
visites de risq ue, au mieux a n nuel le, du souscripteur et de l'ingénieur

prévention e nvoyés par !'Assureur.
3. Les acteurs du Big Data
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.
Ils sont désignés par le sigle GAFAM - Google - Amazon - Facebook -

Apple - M icrosoft -, mais i l en est un grand nombre d'autres. Il s'agit
notamment des fabricants d'objets dont la connectique s'est développée

au cours des dix dernières a nnées. !}automobile est l'exemple immédiat,
mais l'ensemble des insta llations domotiques de surveillance, sécurité,
prévention incendie en est un autre. Le Japon (et à moindre degré la
France) a pprend aux assisteurs et aux assureurs de la Dépendance
les possibilités de la robotique domestique. Le Big Data et les robots
apportent à l'assurance dépendance des solutions peu coûteuses pour la
surveil lance et les soins aux personnes dépendantes. Les constructeurs
de ces robots seront d'efficaces col lecteurs d'informations sur les besoins
d'assurance et d'assistance des personnes âgées. Ces informations seront
sans doute plus pertinentes que le classement en quelques catégories
« GI R12 » qui fonde l'octroi de l'Allocation Personnalisée d'Autonomie
(APA) et le soutien aux personnes dépendantes.
La question centra le est de savoir si ces collecteurs vont choisir des

solutions de vente de l'accès aux i nformations, en ouvra nt nota m
ment leurs sites à la proposition d'assura nce, ou s'ils vont chercher
l'i ntégration vertica le, c'est-à-d i re concevoir les produits et les ta rifs
d'assura nce et gérer les risques souscrits.
3.3 Les services de traitement du Big Data collecté
C'est le cœur tech nologique de la chaîne de valeur. Le Big Data com

mence par un gigantesque tri pour obtenir les don nées perti nentes,
mais qui peuvent être « à bas bruit » statistique. E n pratiq ue, le
Big Data conduit à consacrer beaucoup d'énergie et de travaux aux
q ueues de distri bution des cou rbes de Gauss.
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.
3.4 Les utilisateurs de l'information Big Data
Ce sont, pour ce q u i nous concerne, les d ivers acteurs des métiers

de l'assurance. Nous essayerons de démontrer q u e la plupart des
segments de la chaîne de prod uction de l'industrie sont affectés
- positivement - par la Révolution d igita l e, de la souscri ption à la
.µ
.s::. gestion d'actifs .
CJl
·c
>-
a.
8 3.5 Big Data et gestion de l'entreprise
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
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.
Quoi qu'il en soit, les exemples de proof of concepts disponibles

montrent que le Big Data ne saura it être l i mité à la gestion sur iPhone
des constats amiables ou à la recherche d'info rmations médicales
a ujourd' h u i confidentiel les. Tous les métiers ont vocation à trouver
une util isation des processus Big Data.
3.6 Structure d'entreprise et architecture i nformatique
Le processus d'insertion des projets Big Data dans la struct u re et

nota mment la l'a rchitecture i nformatique de l'assu reur pou rrait
su ivre l'enchaînement ci-dessous :
a ) Data scientists ( identification des don nées pertinentes).
-+ b) Ma rketing stratégique (équipes mixtes Big Data/

traditionnel les).
-+ c) Concepteu rs de produits (éq u i pes traditionnel les).
.... d) Ta rification (actuaires formés à la construction d'a lgo

rithmes prédictifs).
.... e) Commerciaux traditionnels chargés de l'animation des
réseaux sur la base des travaux du ma rketing stratégique .
.µ
.s::.
CJl
·c
.... f ) Retour vers les data scientists ( a ) pour itération e t nouvel
>
a.
0 aj ustement des produits et tarifs.
u
À chaque éta pe du projet dont le chaînage est construit de cette

manière, les Systèmes d'information interviennent largement. Mais
l' idée demeure q ue, dans l'industrie de l'assu ra nce, i l n'y a pas de
projet purement informatique qui fonctionne sans une forte implica

tion des util isateu rs, même si, comme pour le Big Data, les projets ont
un contenu tech nologique lourd (Hadoop).
Cet enchaînement ne préjuge pas la nature des acteurs de l'assurance

concernés. Ce schéma s'a pplique a ussi bien à une entité d'assurance
porteuse de risque, intégrée, et posséda nt en propre un réseau de
d istribution, qu'à un courtier grossiste apportant à un ou plusieurs
« fou rnisseu rs » les risques à couvrir qu'il a u rait identifié, structuré
dans un prod uit d'assurance et ta rifé.
* *
Le Big Data est « révolutionnaire » pour l'assura nce, et il est proba

blement inél ucta ble pou r les entités les plus importantes du m a rché,
ne sera it-ce que pa rce qu'il s'a ppuie sur les tech nologies et outi ls qui
sont uti l isés par les nouvelles générations de clients.
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
Dictionnaire de la Data Science
La data science13 foisonne de termes dont la conna issance est néces

saire pour a ppréhender le Big Data. Mais ava nt de donner ces termes
et leurs défin itions, il est i m portant d'expliquer le contexte dans
lequel ils ont vu le jour.
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.
De pl us, la forte demande des entreprises e n com pétences et outils

d'a n a lyse de don nées dépasse l'offre d'ingénieurs expérimentés. I l
est donc nécessa i re de fa i re a ppel à des solutions d'infrastructures
de traitement à la dema nde, non fondées sur les machi nes de
l'entreprise mais sur des serveurs distants mis à disposition par des
fourn isseu rs de service .
.µ
.s::.
CJl
·c
>
13. La data science ou science de don née est une discipline à la croisée de
a.
0 connaissances et com pétences business (enjeux métiers), informatiques et
u
mathé matiques permettant l'extraction de connaissances de données.
14. 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 a u rythme de la demande (en termes de stockage et/ou de
ca lcul). Sou rce : Wikipedia.
De nouveaux acteurs ont donc vu le jour pour répondre aux besoins

de tra itement. Rappelons que les données traitées dans le cadre
d u Big Data proviennent principale ment d u Web ( réseaux socia ux,
e-commerce, stockage et traitement de documents, de photos, de
vidéos, etc.), des objets connectés par I nternet, des sciences (gé no
miq ue, climatologie, etc.), des don nées commercia les (h isto rique
des t ra nsactions dans u n supermarché), des don n ées personnel les
(dossiers médicaux), des données publiques (open data). Ainsi, il
n'est pas étonnant que les leaders du Web soient les précurseu rs des
tech nologies dont nous parlerons par la su ite : Google (Ma pReduce et
Bigîable), Amazon (Dynamo, Amazon Web Service), Ya hoo ( H adoop),
Facebook (Cassa ndra, H ive), etc.
Du fait de la cultu re et du modèle économique de ces sociétés, la

plupa rt de ces projets sont open source, souvent réa l isés de manière
collaborative, après ouverture d u codage initia l développé en i nterne
ou confié à une e ntité extérieure. La fondation Apache est a i nsi par
ticu lièrement active dans ce domaine et a la ncé et/ou recuei lli plus
d'une dizaine de projets : Hadoop, H base, Hive, Pig, Mahaut, Zookee
per, etc.
Définitions
Saas : Le logiciel en tant que service ou software as a service est un

modèle d'exploitation com merciale des logiciels dans lequel ceux-ci
sont i nsta l lés sur des serveurs dista nts p l utôt que sur la machine de
l'utilisateu r. Les clie nts ne paient pas de l icence pour une version, mais
.µ
uti l isent généralement gratuite ment le service en l igne ou payent un
.s::.
CJl
·c
a bon neme nt récurrent (source : Wikipedia ).
>
a.
0
u AWS - Amazon Web Services Ensemble de services proposés par
:
Amazon sur le cloud, notamment de l'espace de stockage, de la puis

sance de calcul et des logiciels en location (SaaS).
am azon
web services...
Analytics : Processus de col lecte et d'a na lyse des données en vue de

générer des i nformations permetta nt une prise de décision fondée
sur des faits. La Business Analytics ( BA) est une offre de prod uits info r
matiques renvoya nt le plus souvent aux outils de restitution destinés
à l'aide à la prise de décision.
BigTable : Système de gestion de base de données (SGBD) com

pressées développé et exploité par Google. Il est ra pide et héberge
nota mment les services gmai/, Google Earth et Youtube. C'est une
base de don nées orientée colonnes (cf. schéma).
Multi-valued
Row Oriented Name Age lnterests

(RDBMS Mode() Ricky Soccer, Movles, Baseball
2 Ankur 20
null
3 Sam 25 Music
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
Cloud computing : Ensemble de processus qui consiste à utiliser la

:8 puissance de ca lcul et/ou de stockage de serveurs i nformatiq ues dis-
� ta nts à travers u n réseau, généralement I nternet.
ca
0:::
\0
.-f
0
N
@
.µ
.s::.
CJl
·c
>
a.
0
u
Cloud Com puti ng

Cluster : En réseau et système, u n cluster est une gra ppe de serveurs

(ou « ferme de ca lcul » ) constituée de deux serveu rs au minimum
(appelés aussi nœuds) et partageant une baie de disques commune.
Cela permet d'éviter la redondance de matériel. C'est l'i nverse de
l'architecture distribuée qui consiste à effectuer des tâches de calcul en
sollicitant plusieurs machi nes qui ne sont pas forcement géogra phique
ment proches, ne tournant pas forcement sur une même plate-forme.
DBMS - Data Base Management System : En Français, SGBD - système

de gestion de base de données. I l s'agit d'un logiciel système desti né
à stocker et à partager des i nformations dans une base de données,
en ga ra ntissant la q u a l ité, la péren nité et la confidenti a l ité des info r
mations, tout en cachant la complexité des opérations.
Les principaux types de DBMS :

• Modèle h iérarch ique .
• M odèle mu ltid imensionnel.
• M odèle relationnel.
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
DFS - Distributed File System : En fra n ça is, Système de fichiers distri

bués ou Système de fichiers en réseau. C'est un système de fichiers
qui permet l e partage de fichiers à plusieurs clients a u travers d u
résea u i nformatique. Contra i rement à u n système d e fichiers local,
le client n'a pas accès au système de stockage, et i nteragit avec le
système de fichiers via un protocole adéquat. Ce sont souvent des
services basés dans le cloud.
Datavisualisation : Aussi nom mée « Dataviz », il s'agit de technologies,

méthodes et outils de visual isation des données. La présentation
sous une forme i l l ustrée et interactive rend les données plus l isi bles
et com préhensibles.
DMP - Data Management Platform ou « Plate-forme de gestion

d'audience » : Outil permetta nt à u n e entreprise de regrouper l'en-
E semble des don n ées issues de différents ca naux (Web, mobi le, centre
� d'a p pels, etc. ) et d'en ti rer profit.
ca
0:::
\0
.-f DATA MANAGEMENT PLATFORM (OMP) '
0
N
@ Segment the DATA
.µ for Opt =I Ba�r Targotng
.s::.
CJl
·c lnterested ln Tech
>
a. Frequenl Visitors
0
u
lnlerested in Travel
From Thailand
Collect Data ..and More
On Your Wcbsite Users
,..
svnDACAST
-.,,...,.. ..........-
Fondation Apache : I l s'agit d'une orga nisation à but non l ucratif q u i

développe des logiciels open source sous l icence Apache. L a l icence
Apache est u n e licence de logiciel libre et open source. Les projets
les plus co n n u s sont le serveu r Web Apache HTTP Se rver, Apache
Hadoop, Cassandra ...
Framework : Est, comme son nom l'indique en a nglais, u n « cad re de

trava i l ». L'objectif d'un framework est généralement de sim plifier le
trava i l des développeurs informatiques, en leur offrant une a rch itec
t u re « prête à l'em ploi » et q u i leur permet de ne pas repartir de zéro
à chaque nouveau projet lors du développement d'une a pplication .
C'est u n ensemble d e bibliothèq ues, d'outils, d e conventions, et
de préconisations. I l peut être spécial isé ou non. C'est comme u n
modèle sta ndard, q u i permet l a réuti l isation d u code p a r l a suite. Pa r
exem ple, u n framework d'un logiciel de dessin contiendra des pin
ceaux, des palettes de cou l e u rs, etc.
Google App Engine Plate-forme de conception et d'hé berge ment

:
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
Hadoop : Plate-forme i nformatiq ue open source (framework java

libre) pour gérer de grands vol u mes de données, structurées ou non,
dans le cadre d'un système distri bué. Google est à l'origine de cette
.µ
plate-forme ca r i l cherchait u n moyen d'indexer les i nformations de
.s::.
CJl
·c
type texte qu'il col lectait, afin de présenter des résultats perti nents
>
a.
0 a ux util isateu rs lors de leurs recherches s u r le Web. Les trava ux ont
u
ensu ite été repris par La fondation Apache.
Hadoop a été déve loppé pour résoudre les problèmes l iés à la

volu métrie et à la variété des données (pas la vélocité des don nées) .
En termes d'a rchitect u re, Hadoop a été conçu pour fonctionner sur
L'ÉCOSYSTÈME DU BIG DATA AUJOURD'H U I 1 35
plusieurs serveu rs simultanément, chacun offra nt de la puissance et

du stockage. Les données sont répa rties sur différents serveu rs, et
Hadoop gère un système de réplication de façon à assu rer une ha ute
d is ponibilité des don nées, même lorsq u'un ou plusieurs serveu rs sont
défa i l l a nts. Les traitements para l lélisés sont gérés par M a p Reduce,
dont l e rôl e est de répa rti r les traiteme nts sur les différents serveu rs,
et ensuite d'agréger les résultats élémenta ires en u n résu ltat globa l.
Hadoop est constitué de plusieurs com posa nts couvrant l e stockage

et la répa rtition des données, les traitements d istribués, l'entrepôt
des don nées, la progra m mation et la coord i nation de l'ense mble des
com posa nts :
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.
Hive : Système d'entrepôt de données pou r Hadoop qui permet de

résumer des données, d'envoyer des requêtes et d'a na lyser des don
nées à l'a ide de H iveQL ( u n la ngage de requête similaire à SQL).
Pig : Plate-forme q u i permet de créer des progra mmes pour Hadoop

dans un la ngage procéd u ra l a ppelé Pig Lati n . Pig est une a lternative à
J ava, dédiée à la création de sol utions Ma pReduce.
Oozie : Outil de workj7ow/coordination dont l'objectif est de gérer la

séquence des différentes tâches Hadoop.
Mahout : Collection d'a lgorithmes à apprentissage a utomatique évo

l utif pré-insta llée sur les clusters Hadoop. E l l e contient des a lgorithmes
.µ
pour le tra itement des données, tel q u e le filtrage, la classification et
.s::.
CJl
·c
le clustering, mais cette bibliothèque est encore assez l i m itée par ra p
>
a.
0 port aux packages disponi bles sur des la ngages comme Python et R.
u
Zookeeper : Service centra l isé pour gérer les i nformations de confi

g u ration, de nommage, et assurer la synchron isation des d iffé rents
serve u rs à travers u n cluster.
MapReduce : MapReduce est u n e tech nique de progra mmation mais

surtout u n framework développé par Google. C'est une procéd u re de
développement i nformatique dans laquelle sont effectués des ca lculs
parallèles de don nées très vol u m i neuses, distri bués sur différentes
machi nes dans des l ieux d ifférents ( Clusters ou Cloud computing).
Trois éta pes :

• Map : Diviser les don nées à tra iter en partitions indépendantes
(envoi les don nées et la fonction à a ppliq uer aux don nées sur
une machine appa rtenant a u cluster) .
• Exécuter les fonctions en para l lèle.
• Reduce : Combiner les résultats (opération i nverse d u Map).
U n exemple de tâche Ma pRed uce de com ptage de mots de base est

i l l ustré dans le diagra m m e suivant :
Source : M icrosoft
� En synthèse, le stockage et l'exécution coexistent a u même endroit .

.µ
.s::.
CJl
·c
1/0 architecture : Architecture fa isant i ntervenir des entrées et des
>
a.
0 sorties de données.
u
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-
ment au business de chaque orga n isation. Les tech niques de Machine

Learning permettent de ti rer de la connaissa nce à pa rtir de ces gra nds
volumes de don nées.
Arthur Samuel disait : « L'a pprentissage a utomatiq ue, c'est la

capacité d'un ordinateur à a pprendre sans avoir été explicitement
progra mmé » .
Le Machine Learning ou a pprentissage a utomatique est une disci pline

qui mêle mathématiques (proba bilités, statistiq ues, optimisation) et
i nformatique ( I ntell igence a rtificielle) pour concevoi r des a lgorithmes
ada ptatifs, ne fa isant pas d' hypothèses fortes sur la d istribution des
don nées et donnant une bonne ca pacité de général isation sans
sur-apprentissage.
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.
ln-Memory : Se dit des traitements des données stockées en mémoire

sur des disques Solid State Drive (SSD) ou de la Random Access
Memory ( RAM) donnant plus de vélocité dans les a nalyses.
Data-driven : Stratégie pilotée par les données pou r une entreprise.
NLP - Natural Language Processing ou Traitement automatique

du langage naturel (TALN) en français. Ce sont des traitements q u i
permettent a u x machines d e mieux comprendre les éléments d e lan
gages de l'homme pour mieux i nteragir avec l u i (on peut citer dans
Python l'implémentation de la bibliothèque N LTK).
NoSQL Not Only SQL (Structured Query Language) : Les bases

-
NoSQL visent à gérer les bases de données de m a n ière horizonta le

en relâchant les cond itions fortes de tra nsactionnalité (ACID - Ato
miques, Cohérentes, Isolées et Durables) atte ndues des bases
trad ition nel les, et en renonça nt au modèle re lationnel. Ces bases de
don n ées n'util isent pas (ou pas seu lement) des tables et relations de
tables donc un modèle re lationnel, comme dans les bases de don
n ées classiq ues.
On dénom bre 4 types de bases de données NoSQL :

• Orientées clé-va leur (Dynamo) .
• Orientées colon nes (cf. Bigîable, Cassa ndra : clone de Bigîable) .
• Orientées document ( MongoDB) .
c
0
:;:::;
• Orientée graphe (ex. : N eo4j) .
"'O
'CIJ
ca
0:::
\0
.-f
0
N
@
.µ
.s::.
CJl
·c
>-
a.
0
u
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).
Exemple pour la base orientée gra phe
· Nom . Eric · Nom Mane

Age . 32 Age : 29
KNOWS
, Nom . Paul ..
�� : ?.�... .. .
Type . Groupe
Nom : NoSOL
Outils de programmation
Python : Langage de progra m mation open source, Python est d'usage

général et de haut n ivea u . Com paré à de nom breux autres la ngages,
il permet d'exprimer des concepts avec beaucoup moins de l ignes
de code. l i est très util isé dans le tra iteme nt des don nées en masse.
Il est facile à a pprendre et à utiliser, flexible (pour les données non
structurées de type texte, i mage, vidéo, etc.) et pu issa nt .
.µ
.s::.
python'"
CJl
il
·c
>
a.
0
u
R :Outil de référence en open source d'a na lyse statistique et

gra phique.
R est à la fois un l a ngage info rmatique et u n environnement de

trava i l open source destinés a u ca lcul de statistiq ues. Il i ntègre des
centaines de fonctions statistiq ues et possède son propre l a ngage de
progra mmation qui regroupe des aspects de la progra m mation fonc
tionnelle et de la progra mmation orientée objet. Il offre éga lement
des fonctionnalités gra ph iques étendues. R est l'envi ronnement de
progra m mation préféré des statisticiens professionnels.
Textmining ou Fouille de textes en fra nçais. C'est un ensemble de tra i

tements informatiq ues consistant à extraire des conna issances selon
un critère de nouvea uté ou de similarité dans des textes prod uits
par des humains pour des h u ma i ns. Dans la pratiq ue, cela revient à
mettre en a lgorithme un modèle simplifié des théories lingu istiques
dans des systè mes i nformatiques d'apprentissage et de statistiq ues.
Références
http://www.jeveuxetredatascientist.fr/le-voca bulaire-d u-data

scientist -po u r-les-nu ls/
.µ
https://azure. microsoft.com/fr-fr/
.s::.
CJl
·c
>
a.
0
u
Chapitre 2
Big Data et Révolution Digitale
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
outil ma rketing majeur, et su rtout le volonta riat des inscrits rend en

partie caduques les préoccu pations de confidenti a l ité des don nées
personnelles. Tous n'en sont sans doute pas conscients, mais ils
d ivulguent une q u a ntité considérable d'i nfo rmations personnel les,
et acceptent plus ou moins explicitement (plutôt moins) q u'el les
soient exploitées. C'est, si l'on peut d i re, une mine pour le Big Data
et le Data Mining, sous réserve que les tech niques des data scientists
sachent déterminer l es informations pertinentes et démêler l e vra i
d u fa ux, la biographie de la mythoman ie. Cela met en péril toute la
construction j u rid ique sur la protection des don nées personnelles,
qui se trouve en porte-à-faux dès lors q u e la personne com m u nique
volonta i rement ses informations sur l e réseau. Cette com m u nication
volonta i re restruct u re toute la ta rification des risques, sur la base
d'a lgorithmes prospectifs com portementaux. Le client com m u nique
les informations exactes sur le risque qu'il présente, accepte q u'on
les vérifie dans l'avenir, peut-être en écha nge d'une ta rification plus
agréable (ou mieux justifiée) de son risque.
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 :
D Les réseaux sociaux - comme les moteurs de recherche - sont

de puissa nts moyens de publ icité pour de nom breux prod uits
ou services.
D Les réseaux sociaux sont des voies de com m u n ication et de

réputation des e ntreprises d'assura nces. Certa ines com m u
niq uent déjà avec leurs clients via des réseaux socia ux, en
survei l la nt leur réputation, e n géra nt les réclamations et récri
m i n ations des clients, en faisant la promotion de leurs prod uits
ou services. Certa ines cherchent même à créer un réseau social
pour elles-mêmes et leurs clients.
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 .
2. Les gestionnaires des réseaux de distribution ont insisté,

depuis les années 2000, sur les possibilités offertes par Inter
net pour promouvoir la vente directe de produits.
On pou rra it appeler cette déma rche le « syndrome Amazon », d u nom

d u distributeur de produ its on line. Depuis qui nze a ns, presq ue toutes
les sociétés d'assurance ont essayé de développer la souscription et
la gestion de contrats d'assura nce en ligne. Les idées de base sont
simples. Les contrats de particuliers (Vie et Non-Vie) sont des prod u its
.µ
.s::. banalisés (des « commodités »), où la vente est fondée sur le niveau
CJl
·c
>
a.
de prix proposé et dont la souscription est s i m plifiable aisément. La
0
u Responsa bilité Civi le Auto15 est ta rifée en fonction d u coefficient de
réduction/majoration ( « bon us/malus » ), le dom mage automobi le
dépend de la valeur du véhicule, la prime de la M u lti risque Ha bitation
15. RC Auto.
se ca lcule e n fonction du nom bre de pièces ou m2 de l'ha bitation,

les meubles sont éva lués au forfait pour la garantie vol, etc. Ces
prod uits sont coûteux à distribuer dans les réseaux tradition nels,
q u i payent cher l'accès au client et, par conséquent, réclament une
ré m u nération élevée et renouvelée dans le temps (les commissions
d'interméd i a i res). L'outil I nternet permet d'accéder vite à bea ucoup
de clients et de leur faire fa i re à l'écran l'essentiel du trava il de saisie
de l a souscri ption . Les logiciels adaptés savent détecter les fra udes
possi bles (ces logiciels ont été conçus pour les ventes par téléphone
depuis longtem ps) ou les fausses déclarations.
Mais ces processus de souscription on fine n'ont en réalité rien à voi r

avec l e Big Data. I l s reproduisent les modalités d e souscription o u de
gestion traditionnelles, tel les qu'el les existent actuel lement et qui
sont fondées sur le remplissage d'un questionnaire de description du
risque. Dans l'exemple récent de « l'e-constat amiable », il s'agit de
saisir sur Smartphone le constat amiable papier, q u i était d'ai lleurs
scanné a ntérieurement dans les systèmes de gestion de l'expertise de
la convention I DA16• C'est donc une évolution d'outil, avec toujours le
souci de transférer le travai l administratif au client ; mais cela n'a guère
de ressembla nce avec la révolution qu'a pporte la multiplication des
sources et des natures d'information dénommée Big Data. C'est une
« appli » de Smartphone, comme YouTube ou des jeux vidéo en ligne.
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
16. I ndemn isation Directe de l'Assuré.

L'ÉCOSYSTÈME DU BIG DATA AUJOURD'H U I 1 45
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 .
3. Les nouveaux clients et l'économie dite « collaborative »
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
pour couvrir les risq ues, en particulier e n renversant l'asymétrie de

l'information entre assureur et assuré.
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.
Les nouveaux clients sont aussi adeptes de nouveaux modes de

consommation, que facil ite la sphère nouvelle de com m u n i cation de
don n ées. Nous entrons a lors dans la sphère du Big Data. Les nouveaux
clients, digital natives, veu lent uti l iser les masses d'i nformations
d is ponibles soit pour consommer des prod u its ou des services au
meilleur prix (au meilleur ra p port q u a l ité/prix), soit pour « consom
mer a utrement ».
• La première démarche est celle des comparateurs d'assu

ra nce, cou rtiers en l igne et cou rtiers grossistes qui utilisent au
mieux l'a bondance d'i nformations sur l'offre des assu reurs et
sur la demande des clie nts et prospects. La « d igita l isation »
des entreprises d'assu ra nce n'y est pour rien. Des cou rtiers
com pa rent des offres d'assureu rs, qui ont souvent noué des
partena riats payants avec eux, pou r figurer dans la liste des
.µ
.s::. assu reurs proposants. C'est ce que fait un cou rtier traditionnel,
CJl
·c
>
a.
mais les nouveaux acteurs disposent d'un outil i nfo rmatique
0
u plus performa nt. Le cou rtier com m u nique par mail avec son
client, mais a ussi par téléphone, et le client l'a contacté parce
que son nom est con n u par u n e publicité télévisée intense. Nous
som mes sur le business mode/ des assu reu rs dits « d i rects »
utilisant des plates-formes téléphoniq ues, depuis plus de vi ngt
a ns. Ceux-ci essayent d'a ppréhender la m a rge à leur profit a u

détri ment des structures d e d istribution. Les cou rtiers compa
rateu rs font désormais de même, mais en loca lisant la marge
chez eux, et non chez le porteu r de risq ue.
Le vérita ble a p port d e ces nouvel les structures est, pou r de

nouveaux consom mateurs, leur capacité à ana lyser plus d'in
formations, l'a p pa rente ga rantie qu'ils donnent a u prospect de
lui fou rn i r un très large pa norama, préa lablement « traité » de
l'offre disponible et, en retou r, dès lors q u e le client accepte de
fournir une bonne information sur ses besoins, de parve n i r à
une offre perfo rma nte en qual ité/prix du produit d'assurance.
La tech nologie fournit la ra pid ité de réaction et de proposition.
C'est en cela que ces orga nisations sont « d igita les » . Mais on
souligne à nouveau q u e le métier du courtier traditionnel est
de fournir le consei l le mieux adapté aux besoins du client. Les
comparateurs a p po rtent des i nformations sur une offre com
merciale et ta rifa i re tra ditionnelle, et d es conseils aux clie nts
sur la base des déclarations d u client, t ranscrites dans les
réponses à un questionnaire.
• La seconde démarche concerne les nouveaux modes de

consom mation, qu'il est conven u d'appeler « économie
collaborative » . Les locations de résidence de particulier à
particulier (Airbnb), les taxis occasionnels d ' U ber, les locations
de voiture, les divers co-voitu rages sont les manifestations de
ces nouve l les attitudes. E l les participent toutes, du côté du
consommate u r, d e l'idée que l'absence « d' i ntermédiaire »
.µ
permet de réd u i re les coûts, voi re de ren d re le marché plus
.s::.
CJl
·c
efficace. C'est l'éq u ivalent de l'éloge d u « circuit court » dans
>
a.
0 l'a l i mentation ou de la pratique d u « locavore » en achetant
u
des d e n rées a l i mentai res produ ites à proximité, si possible
« bio » et sans pesticides, mais vendues sur u n marché tradi
tionnel, dans les mêmes cond itions générales que l es produits
« industriels ».
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.
Un courtier pou rra ai nsi habilement mobiliser des mutualités de

digital natives, en leur promettant une assura nce sinon moins chère,
a u moins plus « équitable », plus « efficace », et naturellement plus
« accessi ble ». C'est à peu près ce que font Uber, Airbn b, et d'a utres,
qui « mettent en contact » des particuliers soucieux d'économie

d i recte. Ceux-ci se trouvent a i nsi avoir recours à un véritable courtier
dont ils rémunère nt le service (quoique discrètement). Ca r il est vra i
.µ
.s::. que l'adage vaut toujours : « Si c'est gratuit, vous êtes le produit ».
CJl
·c
>
a.
0
u 4. Google, Amazon, Facebook, Apple, Microsoft et Big Data
dans !'Assurance
Le prochain déferlement de GAFAM dans l'assu ra nce fait beaucoup

pour pol a riser l'attention sur le rôle du Big Data dans l'assurance. Or,
ce déferlement se fait attendre, même si les acteurs traditionnels de

l'assu ra nce man ifestent leur inquiétude à son éga rd .
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.
Amazon détient une information considérable sur les modes de

consommation des particuliers, ce qui en fait un vendeur des bases
d'a lgorithmes com portementaux, plus qu'un producteur d'assurance.
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
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
La propriété des données : frein ou levier ?
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.
1. La propriété des données recueillies est le sujet majeur pour

le développement du Big Data dans l'assurance.
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
des véhicules. Elles sont recueill ies par le réparateur (concessionnaire

de la m a rque la plus souvent) et a ppartiennent, de fa it, à la marque.
Elle doit d'a i l leurs s'en servir pou r étudier la sécu rité du véhicu le, la
longévité des pièces et des modèles, etc. Le constructe u r pourrait
les utiliser pour générer une ta rification prospective de l'assurance
Auto. Il est moins clair, en reva nche, que le cl ient propriéta i re du
véhicu l e pu isse en demander com m u n ication pour les transmettre à
son assureur.
1.2 Des données « personnelles » sur l'état de santé des individus

sont désormais disponibles grâce aux « objets connectés » .
C'est la SmartWatch/AppleWatch qui mesu re/en registre les pas, le

rythme ca rdiaq ue, la pression a rtérielle, !'éthylomètre (qui a fa i l l i
être obl igatoire) éventuellement connecté qui permet d e refuser à
u n conducteur le déma rrage de son véhicu le, la mesure des ca lo
ries ingérées à chaque repas, et sans doute bien d'a utres éléments
d'i nformation captées par d ivers moyens.
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
lors de la conclusion de traités non proportionnels d its « excess par

tête » pour un contrat « groupe »), l'assu reu r dispose d'i nformations
com portementales cédées par le client, en écha nge d'un cou ple
ta rification/prestations meilleur que celui obtenu dans le système
trad ition nel de ta rification. En outre, si le client achète ses ciga rettes
en payant par ca rte banca i re, sa consommation de tabac peut être
a isément esti mée, ce qui est à l'évidence une meilleure i nformation
que la dichotomie bruta le fu meur/non-fu meur sur la base d'une
« déclaration » du clie nt souvent peu fiable.
Dès lors que l e client ou le prospect, même sans demander une

« trah ison » d u secret médical, accepte de commu niquer des don nées
comportementa les, en écha nge d'un tarif adapté (et adaptable)
d'assurance maladie, la question de la confidentia lité des i nforma
tions personnel les plus ou moins médica les perd de son acu ité. Le
paiement par ca rte banca i re des dépenses médicales (médecins,
chi rurgien, pharmacien) permet, depuis 20 à 30 a ns, de connaître à
coup sûr, les affections dont les patients sont ou ont été attei nts. Est-il
bien utile de mener cette polémique délicate, et facteur de répulsion
pour l es assurés, sur les a ntécédents médicaux des demandeurs d'as
surances, surtout s'ils sont prêts à donner des don n ées individuelles
de comportement de leur propre gré ?
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
« 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 » .
L'ouverture est donc im probable s u r l e p l a n politique. O n se perd

dans des débats sur « l'anonymisation » des données de sa nté, sur
leur ouverture aux seu les structures « publiq ues » et aux chercheurs,
etc. La CN I L cherche un com p romis e n orientant le dé bat sur le
« consentement » d u demandeur d'assu ra nce complémenta i re (cf.
Cha pitre 12).
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.
1.3 Des données sont volontairement fou rnies gratuitement par

les particuliers à la terre entière : photos, opinions, Curricu
lum Vitae, demande de rendez-vous ou de rencontres figurant
sur Facebook, et commentées sur Twitter.
Les réseaux sociaux sont des mi nes de renseignements com por

tementa ux, parfaitement nomi nés, et gérables pour ceux qui les
reçoivent, sans bourse délier. Vous serez même sévèrement critiqué
si vous vous avisez de chercher à retirer des i nformations person
.µ
.s::. nelles « postées » sur Facebook. Dans ce cas, la naïveté est tota le,
CJl
·c
>
a.
le client participe en temps réel à un sondage d'opin ion précis sur
0
u l'assu ra nce, et « twitte », en fou rn issant à l'assureu r des i nformations
sur lui-même, ses besoins d'assura nce, et son attitude à l'égard du
ma rketing de l'assura nce. S' i l résiste aux propositions ciblées du com
mercial d'assu ra nce, c'est à désespérer de l'ana lyse comportementale
et de la ta rification préd ictive.
1.4 Des données provien nent des recoupements, agrégations,

combinaisons d'informations électroniques collectées sans
que le client soit conscient de fournir des données sur son
comportement.
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 conclusions de ce tour d'horizon ra pide (il y a sans doute d'autres

modalités de col lecte d'i nformations, nombreuses et mu ltiformes)
sont de trois ordres.
- La querelle des « données de sa nté » (confidentiel les, secrètes,

protégées) pourrait être largement obsolète, sans même uti
liser des procéd u res conda mnables de contou rnement de la
législation. L'a na lyse du comportement q uotidien ne suffit-elle
pas à proposer une ta rification com portementa le, d'a utant
que l'assu reur dispose souvent d'une conna issa nce précise
des revenus et patri moines, voire de l' intérêt q u e le prospect
porte à sa sa nté ? Et chacun de nous l u i donne accès à u n
gra nd nom bre d'i nformations complémenta ires via les objets
connectés.
- I l est u rgent pour les particul iers de protéger leurs données,

non pou r en mainten i r la confidential ité, mais pl utôt pou r pou
c
0
:;:::;
voir en mon nayer à leur profit l'usage qui en est fait. Ceci est
"'O
'CIJ vrai pour l es données collectées sur leur condu ite automobile
ca
0:::
\0
et l'util isation de leur véhicule, mais a ussi pour les données
.-f
0
N
recueil lies par les objets connectés.
@
.µ
.s::.
- Il est trop ta rd pour les usagers des réseaux sociaux : la conna is
CJl
·c
>-
a.
sa nce d'eux-mêmes est exp loita ble gratuitement par l'assu reu r.
0
u Et l'on sait que celui-ci est d'ores et déjà habile à manipuler
lesd its réseaux en sa fave u r ou en faveur de ses prod uits. Ces
résea ux fou rnissent une plate-forme de tests marketi ng effi
caces et u n outil parfait de communication avec le client.
2. Qui vend des données et à quel prix ?
Le collecteu r de données en est a ujourd'hui leur probable proprié

ta i re . Le marché est peu orga n isé, et la démarche théorique décrite
ci-dessus (on ve nd les données com portementales en registrées par
une AppleWatch à un assureur) est encore en devenir.
En pratiq u e, les vendeurs d'objets connectés, les vendeurs d'auto

mobiles, de protection de domiciles, les gestionnaires de Facebook,
Twitter et alii, disposent de don nées q u e le consommateur/uti l isateu r
leur a donné sans contrepartie, voi re avec reconna issance. La valeur
est créée par cel u i qui sait collecter les grandes masses de don nées,
quelle que soit leur nature (structu rée ou non) et leur forme (ch if
frée ou littéra i re), et saura ensuite les tra iter et les « nettoyer ». On
esti me en effet qu'un projet d'usage de Big Data utilise 80 % d u temps
(hommes et machi nes) à « nettoyer » les données pour l es rendre
i nterprétables par le commercial et le souscripteur d'assura nce.
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).
Cette situation tech nique a deux conséquences :

• La domi n ation logique d u m a rché par des coll ecteu rs « pro
c fessionnels » de données, dont les 5 gra nds connus sous le
0
:;:::;
"'O sigle GAFAM : Google, Amazon, Facebook, Apple, Microsoft. Ils
'CIJ
ca
0:::
sont partis de métiers différents pour a rriver à constru i re des
\0
.-f e ntrepôts de don nées. L'un est fou rnisse u r d'accès et moteur
0
N
de recherche sur I nternet, l'autre est une li bra i rie « on line » ,
@
.µ
.s::. devenue u n supermarché de la vente à distance ; le troisième
CJl
·c
>-
a.
est un réseau social où nous som mes heureux de publier à la
0
u face d u monde nos photos de vaca nces ; le quatrième com-
mercialise des objets de commu nication très performa nts ; le
dernier est un éditeur de logiciels. Le data est une résultante
de leur activité i n itia le, et devient la source de leur richesse par
son emploi ; il n'est pas l'objet de l'opération. Romain Dura nd17

montre bien que le Big Data permet une « i nterception auto
matique des don nées » q u i a commencé par le code-ba rres
d u supermarché, s'est poursu ivi avec le com pte courant
chez le banquier, et culmine désormais dans « l'i nterception
a utomatique de données de comportement non fi nancier »
(don nées personnel les, pratiq ues de sports, conduite automo
bile). Des outi ls, a priori a nodins, destinés au suivi des stocks,
à la gestion du budget fa milial, à la constatation d u « welfare
personnel » sont en pratique détou rnés de leur objectif et
retra itent des don nées au profit des uti l isate u rs.
• Les prod ucteurs traditionnels de don nées (les assureurs, les

banqu iers) ne sont pas les mieux placés pour gérer les don
nées qu'ils collectent. C'est un fait que l es sociétés de services
fi nanciers collectent des don nées i m portantes en nom bre
et en qua lité sur la situation patrimoniale de leurs clients.
Pour auta nt, l'uti lisation en a été modeste. Si l'on excepte le
tra nsfert historique d'épargne sur l'outil de collecte assurance
Vie opéré par les bancassureurs à partir des a n nées 1980, au
détriment de tous les autres modes de collecte de l'épargne,
nota mment banca i re, les don nées patri monia les disponibles
dans les comptes cou ra nts des clients n'ont guère été exploi
tées com mercialement. Le cross-selling reste exceptionnel et
difficile à orga niser. C'est vrai même pour le gisement consi
dérable de ventes de produits d'assura nce-Vie/ É pargne, que
constitue la cl ientèle automobile des grandes M utuelles Sans
I nterméd i a i res, pou rtant exceptionnel lement fidèle. L'exp l ica
.µ
.s::. tion de cette fa iblesse est simple. Les systèmes d'i nformation
CJl
·c
>
a.
de l'assurance et de la ba nque sont orientés vers la gestion des
0
u contrats et non des clients, et les tâches de suivi tech nique et
com pta ble des risques pou r l'une et la gestion des com ptes
coura nts et produ its d'épargne pour l'a utre. I l n'est donc pas
17. Risques, n° 95, septembre 2013.

a normal que les collecteurs de don nées traditionnels ne soient

pas les mieux placés pour les exploiter.
Pa r conséquent, le business mode/ des assureurs Big Data serait non

pas de prod uire des données, mais de chercher à util iser efficace
ment des données extérieures. Encore fa ut-il que la propriété des
données « personnel les » soit clai rement éta blie et que les cond itions
de « vente » soient fixées.
3. La réglementation est ambiguë sur la « vente » licite de données.
3.1 Certains experts considèrent que le « Big Data » est, par essence,
non régulé.
Le « Pack Assurance » de la CN I L s'i ntéresse principa l ement à l'accès

a u R N I PP18, c'est-à-d i re a u nu méro de Sécu rité sociale et aux données
personnel les « traçables ». Dès lors que les données recueillies sont
non traçables ( « a nonymisées » ), le collecteu r des données en est
propriéta i re et peut donc les céder. Cette orientation montre la posi
tion de fa iblesse relative de celui q u i collecte des don nées à des fins
de gestion (de contrats, par exemple), par ra pport à celui qui collecte
des données de façon quasi accessoire à son activité (GAFAM). La
CN I L s'i ntéresse essentiel lement aux données de sa nté et aux don
nées personnelles tenant à la rel igion, aux préférences sexuel les, aux
opinions politiques et aux a ppartena nces syndicales, ce qui ne saurait
susciter de critiq ues. La pri ncipale pierre d'achoppement de l a révo
lution Big Data serait en effet que celu i-ci a ppara isse dans l'opi nion
comme la re na issa nce de Big B rother, espion de la vie quotidienne
des citoyens. Les grands collecteurs de données recueillent très astu
.µ
.s::. cieusement des informations non moins personnelles, mais dont la
CJl
·c
>
a.
confidential ité est plus fa iblement ressentie dans la société et qui
0
u sont tout aussi i ntéressantes pour l'assu reu r.
18. Répertoire National d'identification des Personnes Physiques.

3.2 L'ambiguïté sur le droit de l'individu de « vendre » les données

personnelles demeure forte.
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.
Quant à la qualité du consentement du détenteur des données per

sonnel les, la CN I L précise que celui-ci doit être « l i bre et écla iré ». Ce
n'est pas sim ple, si l'on songe que le consentement li bre ne s'a pplique
pas dans l'e ntreprise (le salarié est soumis à sa hiéra rch ie). De même,
la notion de consentement « écla i ré » est com plexe car elle suppose
que le client soit largement conscient de l'emploi qui peut être fait des
don n ées qu'il tra nsmet et qui seront traitées. Ceci i m plique un degré
plus élevé de transpa rence que la situation actuelle où, en réa l ité, le
client ignore à peu près tout de l'usage qui sera fait de ses don nées
personnelles. S'il en éta it conscient, il pou rrait les céder à l'assureur
dans le cadre d'une sorte d'écha nge e ntre données personnel les et
avantages ta rifai res sur les assurances Auto, Sa nté, voi re M u l ti risques
Ha bitation et P révoya nce.
Le consentement doit être éga leme nt spécifique et exprès, ce qui

.µ
.s::. peut conduire à quelque paperasserie, mais pas plus lourde que celle
CJl
·c
>
a.
q u i s' insta u re dans la relation commerciale avec le client en assura nce
0
u Vie dans le cad re des d i rectives M I F I D19 et DIA220, q u i reposent sur
19. Di rective sur la protection d u consommateur, acheteur de produits d'épargne

et utilisateur de services bancaires.
20. Di rective en projet sur la distribution des produ its d'assurance.
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.
Ma lgré le récent « Pack Assura nce » (fin 2014) publié par la C N I L,

la réglementation fra nçaise et e u ropéenne reste très vigilante sur la
gestion des données personnel les par les assu reu rs. Cela n'est pas
sans conséq uence sur l'orga nisation possi ble de la gestion Big Data
dans l'aven i r. L'assureur pou rra it demain uti liser des don nées traitées
par u n tiers. Certa ins pensent à la m u ltiplication des intermédiaires
entre le particulier fou rnisseu r plus ou moins consenta nt de don nées
m u ltiples (dont les données personnel les) et l'assure u r : un collecteu r
d e données, u n stockeu r, un fou rnisseur d e tra itement d e don nées
à la dema nde, un spécial iste de l'agrégation des données, un tarifi
cateu r (gestionnaire d'a lgorithme), un souscripteur (celui qui fait
connaître la proposition commerciale au cl ient), un cou rtier ou cour
tier grossiste et le porteur de risq ue. L'assureur est situé au terme
d'une longue chaîne au cours de laquelle les don nées a u ront voyagé,
et a u ront sans doute été a nonymisées et agrégées. On n'imagine pas
en effet une personna lisation tota le du ta rif : les « tarifs Big Data »
seront sans doute très fi nement segmentés mais pas tota lement indi
vidue ls, ce q u i permettra I' « a nonymisation » des données.
La réglementation CN I L favorise donc l'intermédiation de la gestion

des données. E l l e peut a ussi créer une aspiration vers l'exté rieur de la
.µ
Fra n ce, voire de l'U nion e u ropéenne. Le principe j u ridique veut que
.s::.
CJl
·c
la consu ltation des données depuis la France ait pour effet de sou
>
a.
0 mettre les données et leur utilisation au d roit fra nçais. Le tra nsfert de
u
don n ées « d'origine fra nçaise » dans le cloud, pour consu ltation par
un ta rificateu r ou courtier européen, mais qui ferait porter le risq ue
en Fra n ce, peut créer de gra ndes a m biguïtés entre mondial isation et
contou rnement des règles nationales.
Certes, ces pratiques sont illéga les ou au moins borderline dans

leur emploi. Le compliance officer (le responsable du respect de la
« conformité » dans l'e ntreprise) d'un assureur fra nçais devra don
ner son avis sur la confo rm ité de la pratique adoptée avec les règles
édictées par la CN I L. Ce ra pport sera tra nsmis au Conseil d'ad m i n is
tration (AMSB21) et a pprouvé par celui-ci. Mais le d roit positif est
peut-être suffisa m ment confus pour permettre des i nterprétations
favora bles aux entreprises ...
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.
3.3 Les juristes spécialistes de la « conformité » en viennent à

dénier le d roit de propriété du particulier sur les données
extra-patrimoniales qui le concernent.
La logique j u ridique est que l'ordre public s'oppose à la vente des

don nées personnel les par leur titu laire, au titre de la protection d u
respect d e l a vie privée e t de l'i ntégrité d e la perso n ne humai ne.
À cette « barrière de l'ordre public », la volonté individuelle ou le
consenteme nt, fût-i l l i bre et écla i ré et même démontrable (traçable)
par un écrit, ne pourraient s'opposer.
.µ
.s::. Ces mêmes spécialistes avancent qu'en réalité les don nées person
CJl
·c
>
a.
nel les ne sont pas l'objet d'un véritable droit de propriété Uus utendi/
0
u d roit « d'usage », et abutendi/droit « d'abuser » donc d'a liéner). Ceci
exclura it toute tra nsaction sur les don nées personnel les. Pas plus qu'on
21. Administrative, Management o r Supervisory Body. Terme désignant l'i ns

tance de gouvernance de l'entité d'assurance dans la d i rective Solvency I l .
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.).
3.4 Cette situation de relative confusion juridique peut i ntroduire

un déséquilibre dans le marché des données pour l'assu rance.
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.
En reva nche, faute de vigila nce a ntérieure à l'émergence d u Big Data,

Google, Facebook, Apple et Amazon recueil lent des don nées person
nelles, souvent avec l'accord plus ou moins expl icite d u « client » . Il
a rrive même pou r l'un d'entre eux, que le client informe com plaisam
ment la pla nète de données personnel les qu'il eût été sans doute plus
prudent de conserver cachées. Il i m porte donc peu que la d ivu lgation
ou l'uti l isation de ces données se heurtent à l'ordre public fra nçais :
chacun devient son propre « paparazzi ».
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 ».
Le d roit o rga nise, en fa it, u n déséq u i l ibre d u marché et induit des

évolutions probables de structures et d'orga nisation.
Le quasi-monopole de fait de GAFAM sur les données est d'autant

plus conforta ble que l'entreprise utilisatrice est un i ntermédiaire dans
la gestion des don nées. Le droit positif est moins agressif q u a nt à la
propriété des données par le concessionnaire a utomobile sur le type
de conduite adopté par le cl ient. Mutatis mutandis, beaucoup de col
lecteu rs de données sont dans la situation faite au médecin/conseil
dans l'orga nisation de l'a ncienne « sélection médicale » en assurance
Prévoya nce sur les contrats d'em pru nts ou sur les assurances de
sa nté complémentaire. Ils peuvent recevoi r l'i nformation, en trier
des éléments de tarification, et commu niquer les résu ltats de leur
analyse à l'assureur. Le d roit fra nçais constitue une sorte de « secret
professionnel » au profit d' interméd iaires entre le client (détenteur
et fou rnisseu r d'informations) et l'assureur, collecteur, tarificateur et
vendeur du prod uit au client. Le bénéficiaire de la tra nsparence serait
donc l'interméd iaire. L'assureur perdrait de la marge au profit d'une
tarification plus « actua rielle » que « mutualisée ». Quant au client,
i l ne reçoit qu'une partie de la marge, alors même que ses données
ont été utilisées avec ou sans son consentement (sans, le plus souvent,
mais i l l'ignore ! ) .
C e schéma montre combien l a France, obnubi lée p a r l a protection

des don nées privées risq ue l'isolement. D'abord parce que le bout
de la logique est de privi légier l' É tat comme utilisateur des données ;
celu i-ci éta nt considéré comme le seul vra i protecteur de la vie privée
des citoyens. Les médeci ns, comme d'autres professions, n'ont pas
de secret professionnel pour l' État, mais l'opposent aux acte u rs de
l'assu ra nce ... et de la préve ntion. Ensu ite, pa rce q u e la logiq u e de
fermeture j u rid ique du marché correspond mal aux réa l ités d'inter
.µ
.s::. n ationalisation du Big Data. Arnaud Montebourg, dans le colloque de
CJl
·c
>
a.
m a rs 2014 sur le « Big Data », o rga n isé par Fra n çois Ewa ld avec le par
0
u ra i nage de SCOR, stigmatisait Google comme une sorte de « voleur »
de don nées. Mais cette réaction est trop ta rdive : la collecte des don
n ées est orga nisée et ce ne sont pas les assu reu rs q u i les exploitent,
faute de cad re j u ridique permissif. Les don nées risquent de n'être
local isées ni en France n i en E u rope et, fi nalement, le consommateur,
qu'il s'agissait de protéger ne percevra qu'une pa rtie seule ment d u

bénéfice d e la vente d e ses données dont l'essentiel i ra a u x collec
teu rs, tra iteurs et tarificateurs du risq ue.
La situation n'est pas différente pour le ma rketi ng où l'activité de

la CN I L est moins exigeante mais où la ca pacité des compagn ies
d'assurance se heurte à l'anonymat des données. Comment faire une
proposition de prévention/protection à un client sans lui dévoiler
q ue, grâce au Big Data, rien des conditions de fonctionnement de son
domicile n'est incon n u de l'assu reur ?
* *
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
a disponibilité d'un flux considérable et renouvelé d'i nfor

mations, le Big Data, peut mod ifier e n profondeur l'exercice
traditionnel des métiers de l'assura nce. Aujourd' hui, l'atte ntion
des spécial istes tend à se concentrer sur les possi bilités offertes
e n matière de ma rketi ng stratégique et de commercia lisation. Ce
sont les thèmes sous-jacents aux disco u rs sur la « digital isation » . I l
s'agit d e conquérir d e « nouveaux clients » o u a u moins des clie nts
potentiels dont les modes d'a pproche de l'assura nce sont - plus ou
moins - radicalement d ifférents de ceux de leurs aînés. Mais i l fa ut
a ussi optim iser l'uti lisation des outils technologiq ues de commu ni
cation. Le Big Data doit permettre de « révol u tionner » (toujours Tim
Cook) l'a pproche et la segmentation de la clientèle. C'est l'objet du
premier chapitre de cette partie .
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
signatu re de J.-M. N essi et des a uteurs : « Le choc du big data dans

l'assu ra nce ».
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 quatrième chapitre traite des impacts du Big Data sur la préven

tion et la détection de la fra ude à l'assurance. C'est le sujet le plus
délicat pour l'accepta bilité par la société du tra itement de masse des
i nformations par l'assurance. Le Big Data retrouve là, pou r l'opi nion
publique, l e fantôme de Big Brother. Mais, hélas, tous l es colloq ues
sur le Big Data traitent de ce sujet q u i, comme le risque de d ivu lgation
des don n ées de sa nté, aimante l'attention des assureurs. La C N I L y
consacre d'a i l leurs u n chapitre d u « Pack Assura nces » récemment
publié.
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
Le marketing 3.0 : du produit d'assurance

à la valeur client
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.
Le ma rketing proprement dit était réduit au m i ni m u m, c'est-à-d ire

aux a rgumenta i res de vente des produ its d'assurance. D'ailleurs, le
manuel « cu lte » du ma rketi ng de Kotler et Dubois22 indiquait clai
re ment qu'il n'y ava it pas de ma rketing possible pour des prod uits
suscitant peu de réactions positives des clients, tels que les ency
clopédies brita n niques et les polices d'assura nce, lesq uel les, dans la
tradition a nglo-saxonne, se vendent au porte à porte en usant de sub
terfuges pour i nciter (voire quasi contraindre) le client à les acheter.
Cette situation catastrophique d u poi nt de vue d u ma rketing trouve

son origine dans les nombreuses obligations d'assurance dont le
législateur fra nçais a acca blé l es clients, qui considèrent donc la plu
part des assura nces de biens et responsabil ités comme des im pôts,
des taxes i ndispensables pour pouvoir conduire une voiture, louer un
.µ
domicile ou exercer l a p l u pa rt des métiers. Les assura nces de per
.s::.
CJl
·c
sonnes su ivent la même voie avec l'assurance Sa nté obl igatoire créée
>
a.
0 par l'AN l23• Comme la structure des produits a longtemps fait l'objet
u
22. Du bois, Kotler, Keller et Manceau, Marketing Management, 14e éd.,

mai 2012, Pearson Education.
23. ANI, Accord National I nterprofessionnel de 2013 q u i oblige les entreprises ou
les branches industrielles à conclure des accords collectifs de Prévoyance et
d'un agrément de la pu issa nce publique et q u e les directives euro

péen nes actuelles tendent à réta blir un contrôle des énonciations du
contrat, des conditions de publicité qui sont faites et de la justification
de la rém u nération des com merciaux, les produits d'assura nce sont
très l a rgement homogènes, d'une entité à l'a utre. Toute in novation
risq ue d'être ra pidement copiée. Dès lors, la marge de manœuvre des
spécial istes du ma rketi ng pa raît très l i m itée, ou d u moins le paraissait
jusqu'à présent.
Depuis une qu inzaine d'a nnées, nous vivons u n e rénovation de l'acti

vité ma rketi ng d a ns l'assu ra nce et l'on peut affi rmer que les sources
m u ltiples d'informations disponi bles sur la vie des ind ividus, le Big
Data, surviennent à point nommé pour créer un effet de levier sur le
nouveau marketi ng de l'assu rance.
1. La rénovation du marketing de l'assurance depuis quinze ans

est peu décrite, alors que l'histoire récente est significative de
ses capacités d'évol ution rapide.
Le premier « choc » sur un monde éloigné de toute préoccupation

commercia le a été la création des marques plus attrayantes que les
é po uva nta bles sigles a ntéri e u rs : UAP, AGF, GAN ou même PFA et
« M utuelles d u Mans » (ainsi dénom mées d u fait de la local isation du
siège social de l'entreprise au M a ns). Ce fu rent AXA, ATH E N A, GROU
PAMA et les Brita n n iques AVI VA et P R U D E NTIAL, puis ALLIANZ et sa
m a rque uti l isée dans le monde entier, et curieusement MMA, sigle
baroque mais se su bstituant à « M utuelles du Mans ». La publicité de
m a rq u e et de notoriété pouvait com mencer.
.µ
.s::. L'émergence de la publicité fut u n second « choc » . La Profession véhi
CJl
·c
>
a.
culait la conviction que l e message serait particu lièrement difficile à
0
u énoncer et faire entendre. L'image de l'assura nce était considérée
comme exécra ble et toute publicité risq uait d'être contre-productive.
de Santé complémentaires des régimes publ ics de Sécurité sociale auxquels

les salariés seront obl igatoirement affiliés.
LE BIG DATA ET LES MÉTI ERS DE L'ASSURANCE 1 69
Chacun avait e n mémoire l e ca lamiteux « UAP, n° 1 obl ige » qui fut

en registré par les clients comme u n e « promesse de la marque » d'un
très grand ass u reur s'engageant à satisfa i re tous les besoins d'assu
ra nce des clients. À la su rprise générale, l'assu ra nce a pris sa place
dans la publicité télévisée, de la publicité de marque et de notoriété
à des promesses de marque : « La MAAF, je l'a u ra i un jour » est a i nsi
employé par cette mutuelle dans une publicité q u i parod ie la série
télévisée « Pa lace », et surtout le « Zéro tracas, zéro bla-bla » des
M MA dont on peut douter qu'il soit u ne « vérita ble » promesse, mais
constitue un pu issant facteu r d'image de l'entre prise. Enfin, et depuis
quelques a n nées, les assureurs ont entrepris des publicités sur les
produits ( M MA, G M F, MAIF, MACIF) afin de montrer la su périorité
de leur prod uit sur cel u i, pourtant souvent homogène, des autres
acteu rs d u marché. Ce développement de la publicité « prod uit » est
évidem ment un facteur déterminant de l'évol ution d u ma rketi ng :
les assureurs ne redoutent plus les formes de publicité com parative
entre les produits s u r lesquelles les fa brica nts d'a utomobile ont déve
loppé d'im portantes com pétences.
Le troisième « choc », réel ou supposé, est cel u i du développement

des approches « client » et non plus « produit » dont les ba ncas
sure u rs ont été crédités pour expliquer leur croissa nce ra pide en
assurance Vie. Teneurs des com ptes de l e u rs clients, suscepti bles
de leur octroyer des crédits divers (logement, consom mation, auto
mobile), les banques sont su pposées ca pables de démarcher leurs
clients pour leur proposer, presque à coup sûr, des assu rances
Dom mages, comme el les l'ont fa it pour le placement d'épargne en
assu ra nce Vie. Le com pte cou ra nt ba nca i re a ppa raît comme « une
.µ
.s::. mine » d'i nformations sur la situation patrimonia le, son évolution et
CJl
·c
>
a.
les besoins d'assu ra nce qu'elle provoq uait. Aujourd'hui, la banque
0
u d ispose toujours des i nformations don nées par les com ptes cou ra nts
banca i res de ses cl ients, la ba ncassurance Vie est u n succès évident
(60 % de parts de marché), mais les ventes d'assurances de Dom
mages semblent peiner. À 10 % de part de marché, la ba ncassurance
Dommages n'est pas parvenue à révol utionner la distribution de ces

assurances. Qui plus est, l'a ppréciation globale des besoins de sécu
rité du client ne semble pas avoir progressé. On vend des prod uits
d'assurance Vie/É pargne et des contrats d'assura nce Auto mais dans
une logique traditionnelle de « silos », qui n'est pas ce lle d'une vision
globale du client.
Le q uatrième « choc » rapproche le marketing de l'assurance de la

« révol ution digitale ». C'est la mise en œuvre de stratégies de com
munication des compagnies sur les réseaux sociaux, a u cours des
cinq dernières a n nées. Certa ines e ntreprises d'assurance ont ouvert
le dialogue avec leurs clie nts à travers les réseaux socia ux. L'idée est
double : proposer habilement des produ its d'assura nce plus ou moins
ada ptés, suggérer des évolutions de garanties et recuei l l i r des opi
nions des clients et prospects, d'une part, et, d'autre part, orga n iser
une « réputation » de l'entreprise de type publ icitai re, mais efficace
et ciblée, puisque fondée sur le dialogue avec le client. Ces contacts
permettent aussi de tra iter la question traditionnelle des réclama
tions des clients et d'a pporter des réponses personna lisées. Tout
ceci est renforcé par la création a rtificielle de « com m una utés » ou
« clubs »24 qui ide ntifient les liens privi légiés avec l'assureur et magni
fient l'écoute dont ses clie nts bénéficient ( « C'est qui les clients ?
C'est nous ! »25). Cette connexion nouvelle crée les conditions d'une
approche Big Data des clients menée par l'entreprise d'assu rance. Le
lien personnal isé avec le clie nt se révèle riche en i nformations va riées
sur les besoins en assurance (en placements, en services) de celui-ci.
La structuration de la clientèle e n communa utés qui dialoguent avec
l'assu reu r et entre leurs mem bres sur l es mêmes questions permet
.µ
.s::. de créer les linéa ments d'un ma rketi ng stratégique ciblé q u i est
CJl
·c
>
a.
a ujourd' h u i presque inexista nt.
0
u
24. Followers.
25. Publicité télévisée de M MA.
LE BIG DATA ET LES MÉTIERS DE L'ASSURANCE 1 71
Le ma rketing de l'assurance a fait d'é normes progrès dans l'util isation

des outils élémenta i res : marque, publicité, moyens de dialogue avec
les clients. I l n'en demeure pas moins aujourd'hui modeste dans ses
résultats concrets.
Ma lgré les d iscours sur le « client au cœur de la stratégie », les

dépenses considérables consenties dans les a n nées 2000 sur le Cus
tomer Relationship Management, puis l es percées dans l'uti l isation
des réseaux socia ux, les contrats restent vendus « en si los » , au gré
des besoins des clients, souvent par des intermédiaires différents. Les
assura nces Auto et Habitation sont fou rnies par l'agent général ou le
cou rtier, l'assurance Vie par les banq ues, de même que la ga ra ntie
des Accidents de la Vie. L'exemple même de l'absence de « ciblage »
efficace de la clientèle est fourni par les contrats Dépenda nce dont
le succès est fa ible, voire dont la vente régresse, a lors que la société
viei llit et que l'avenir des so lutions publiq ues est compromis : coût
é levé et efficacité i nsuffisante de l'Aide Personnal isée à !'Autonomie
(APA), éventuelle cinquième bra nche de la Sécu rité sociale.
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.
La conception des produ its d'assu ra nce reste i ntuitive et fortement

détermi née par la culture « tech nique » (définition du risq ue, lim ites
et excl usions des ga ra nties, ta rification). La vérification de l'adéqua
.µ
.s::. tion à des besoins clairement expri més et recueillis auprès des clients
CJl
·c
>
a.
est faible ou partielle. Ainsi, la GAV26 a été créée sur la base d'une
0
u prise de conscience par les assureurs de l'a m pleur des accidents
domestiques, six fois su périeurs, en nom bre de victimes, à celui des
26. Garantie des Accidents de la Vie : assurance indemnita i re des risques liés à la
vie quotidienne et notamment ceux d'accidents domestiques.
accidents de la route. Quelques exemples contra i res d'ada ptation des

produ its a pparaissent, tels que l'indemn isation des véhicules et de
certains objets volés en « va leur à neuf », sous la pression des récla
mations des clients. En reva nche, la plupart des mesu res prises par
les Pouvoi rs publics « e n faveu r des consommateurs » d'assurance
sont liées à des actions de lobbyisme de catégories de distributeurs et
non aux dema ndes des clients. La résiliation des contrats d'assurance
Auto en cours d'a n née et la nouvelle réglementation de l'assu ra nce
empru nteur répondent aux dema ndes des comparateurs d'assurance
et de ce rta ins acteurs du marché agressifs en matière de prix des
contrats et aux exigences des associations de consommateurs qui
ont peu de ra pport avec les besoins exprimés par les spécial istes de
l'écoute des clie nts.
L'échec - probable - de la « souscri ption d i recte en l igne » du client

montre que les outils de ma rketing électronique exista nts ne par
viennent pas à promouvoir des méca nismes d'a ssura nce directe, ni
même des stratégies efficaces d'acqu isition d u client. Les deux vagues
successives (an nées 2000-2001 et 2010) de projets de vente d'assu
ra nce et de gestion de contrats sur I nternet se sont retirées. Seuls
demeurent les « cou rtiers e n l igne » et « Cou rtiers grossistes » dont
le rôle est décrit par ailleurs. La souscription en l igne et la gestion en
ligne restent i ntermédiées, même si le client n'en est pas toujours
conscient.
2. Le Big Data pourrait opérer une double révolution dans le

marketing de 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
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.
Quelq ues exem ples permettront d'ill ustrer ce point :
• D'ores et déjà, les « Robo Advisors » proposent des al locations

d'actifs aux clients, sur la base de l'ana lyse de leur comportement
d'épargne. On peut imaginer q u e le traitement Big Data de
l'ensemble des mouvements d'épargne des ménages fra nçais
fournira dema in des éléments d'ana lyse m ulti-critères du com
portement, des corrélations entre divers événements de la vie et
ce com portement, de conna issance précise des motifs de rachat
d'assurance Vie, de l'incidence de la fiscalité sur les choix de
produits d'épargne, etc. Les effets sur la conception des produits
.µ
.s::. « profilés », sur la composition des produits multi-supports, sur
CJl
·c
>
a.
l'accepta bil ité de contrats complexes, comme le contrat « E u ro
0
u croissance » (contrat Euro diversifié) sont certai ns, de même que
les choix entre les divers supports des contrats d'assurance Vie.
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,
de taux de rendement bas. Celle-ci est considérée comme

menaça nte pour la collecte nette d'épargne, sans q u'on sache
clairement ce qu'en pensent les titu laires de contrats. Le main
tien d'un n iveau élevé de collecte depuis 2012, a lors q u e les
ta ux de rendeme nt sont à la baisse depuis une dizaine d'a n nées
désormais, tend à montrer que l'a na lyse actuelle mérite d'être
a pprofondie. I l e n est de même q u a nt à l'attitude qu'adopte
ra ient les assu rés en cas de remontée des taux. Le ma rketing
peut a insi défi nir et cibler des mesu res efficaces a nti-rachat
en cas de krach obligata i re . Les ana lystes pou rront vérifier
(enfi n !) les théories d u cycle de vie de Fra nco Modigl ian i27 et
en ti rer les conséquences sur l'évolution de l'offre de produits
d'épargne dans le tem ps, au regard de la situation patrimoniale
et fa miliale d u client. L'heure du contrat « sur mesure » ou d u
contrat évolutif dans l e temps pou rra it a i nsi s'ouvrir. En tout
cas, la conna issance fi ne des besoins de gestion patrimoniale
pou rra se traduire dans des produ its nouveaux ou sécu risés.
On pense, par exem ple, au prêt viager hypothéca i re (prêt s u r l a
vente future d'une réside nce principale a u décès d e l'emprun
teu r permettant de bénéficier d'une rente de complément de
retraite) a ujourd'hui produit banca i re peu util isé, alors qu'il
semble i ntu itive ment correspondre à un besoin de complé
ment de la retra ite pour des personnes menacées ou victi me
de la dépenda nce.
De même, le Big Data donnera aux spécial istes du ma rketing

u n outil d'a ppréciation de la situation des clients à la retraite
- réelle ou ressentie - et, par conséq uent, de l e u rs besoins, d u
.µ
.s::. nivea u d e complément nécessai re d e reve nu et des prod u its les
CJl
·c
>
a.
mieux adaptés à ces besoins. Dès lors que les besoins de com
0
u pléments de revenus à la retraite pou rra ient être a ppréhendés
d'une façon quasi i ndivid uelle, dans le cadre d'une vision patri-
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.
moniale globale et avec l'esti mation d'un « budget » de revenu

nécessa i re, com pte tenu des comportements prévisibles à l a
retraite, les produ its « Retraite » pou rront être ada ptés à l a
réa l ité d e la situation prévisible des clients.
• La conna issance de l'attitude à l'égard de la dépendance et des

ma ladies redoutées, telles que la ma ladie d'Alzheimer, peut
résu lter du Big Data (ana lyse de la fréquence des visites chez
les médecins, des factures de pharmacie, des échanges sur les
réseaux sociaux sur ces sujets). Les assureurs pou rront e nfin
comprendre la nature des produ its attendus : rente ou ser
vices, versements complémenta i res à l'APA, produ its desti nés
aux « aidants », recherche de ma isons de retraite médicalisées,
etc. Les assisteurs se prennent à rêver de contrats fi na nçant
l'acq u isition et l'entretien de « robots domestiq ues » a pporta nt
une sécu rité tota le aux person nes faiblement dépenda ntes et
maintenues à domicile. Les « aidants » fa milia ux, aujourd' hui
très soll icités par les personnes dépenda ntes et que l'on songe à
assurer ou à fi na ncer, accueille ront ces perspectives favora ble
ment et seront amenés à s'assurer pour en ga ra nti r la fourn iture
en cas de besoin. Le Big Data les y aidera certa inement.
Avec le Big Data, c'est l'attitude des nouvel les générations à

l'égard de l'uti l isation de l'automobile qui va cha nger la concep
tion des prod uits d'assu ra nce. La prolifération des don nées
ouvre aux assureurs la conna issa nce de ces comportements
nouveaux des utilisateu rs de véhicules. Le Big Data permet de
savoir si la propriété d'une automobile est effectivement une
.µ
va leur pérenne ou une attitude e n décli n . La d ispa rition de cet
.s::.
CJl
·c
i nstinct de propriété est attendue et proclamée depuis plus de
>
a.
0 vingt ans, au profit de l'échange, de la location, du co-voiturage,
u
de l'uti l isation tem pora i re. Blablaca r semble con naître le succès,
tandis que la location tempora i re de voitures électriq ues dans
les vil les déma rre. Big Data permet de connaître et de modéli
ser l'évolution de ces concepts de partage de la propriété ou de
l'usage. Donc, les prod uits d'assurance s'y adapteront, ce qui
promet de vraies difficultés dans la gestion des bases j u ridiq ues

de la RC Auto, dès lors que le conducteu r peut devenir une sorte
de chauffeur de taxi permanent. Le concept de « Pay how you
d rive », fondé sur une con naissance parfaite que donne le Big
Data de l'automobile et de son cond ucteur, nouveau prod uit et
nouveau ta rif, q u i répond à ces nouveaux comportements, est
présenté dans le chapitre suiva nt.
• De m a n ière moins a m bitieuse, le Big Data peut redonner à

l'assu reur son vérita ble rôle de conseiller d u client sur de nom
breuses dispositions de son contrat. Il e n est ainsi des conseils
en matière de niveau de garanties de sa nté complémenta i res
dont a vra i ment besoin le cl ient, com pte tenu de son état de
sa nté tel qu'il sera décrit par les i nformations dont la communi
cation sera a utorisée, de son niveau de revenu (acceptation de
reste à charge plus ou moins élevé), de sa situation de fa m i l le,
du niveau de gara nties collectives obtenues des entreprises
employeu rs, des habitudes de consu ltation de médecins à
dépassement d'honora i res, etc. I l peut en être de même pour
les dispositions des M u ltirisques Habitation, garantie Vol ou
Dégâts des Eaux ( i nfo rmations sur la vétusté des ca nal isations
d'un im meuble) ou sur la proposition à coup sûr de ga ranties
spécifiques Vol sur objets d'a rt ou objets précieux aux acqué
reurs récents de bijoux ou aux personnes dont la présence
fréquente dans les ventes aux enchères est avérée. La conna is
sance de la fréquentation récurrente des gra ndes su rfaces de
bricolage devra it conduire à proposer les ga ra nties d'accident
de la vie à ces personnes à risques et sans doute à réadapter
.µ
.s::. le prod uit. I l en est de même pour la pratique sportive. Big
CJl
·c
>
a.
Data peut étudier les profi ls de sportifs, les fréquences de pra
0
u tique et de conditions d'exercice (par exemple ski sur piste ou
pratique fréquente du hors-piste). Les prod uits GAV ou indivi
duelles Accidents peuvent ainsi deve n i r de vérita bles prod uits
adaptés et ta rifés en fonction du com portement des clie nts.
Le Big Data propose donc une substantielle amélioration de la connais

sance des risques et de l'attitude d u client à leur égard, une véritable
capacité à a na lyser leur évolution (le nouvea u com portement des
a utomobil istes) et surtout une véritable connaissa nce des attentes
du client consommateur q u i ne sont a ujourd'hui que dédu ites ou
simpl ement supposées, sur la base de quelques indices épars et de
panels de consommateurs, le plus souvent bia isés ou statistiquement
peu sign ificatifs. I l offre donc des possi bilités d'études prospectives
sur l'attitude du client et sur des produits eux-mêmes évolutifs.
2.2 Le Big Data ouvre la voie vers des travaux de marketing stra
tégique plus fi ns q ue ceux réalisés aujourd'hui.
Avec une tarification centrée sur le risque rétrospectivement mesuré

et non sur le comportement possible prospectif, le ma rketing opé
rationnel reste fondé sur le prix du prod uit. Le prospect accepte ou
n'accepte pas ce prix qui sert aussi à écarter les clients i ndésira bles.
Donc, la prospection commerciale consiste princi palement à mettre en
avant le prix le moins élevé ( « j usq u'à x. % d'économies » , « Si vous
trouvez moins cher, nous rembourserons la différence », etc.). En réa
l ité, le marketing ne « cible » les clients qu'indirectement, en écartant
par le prix les prospects réputés « inassurables » (car i nsuffisa mment
fortunés ou trop risq ués). Cette pratique peut d'a i l leurs s'étendre si les
restrictions apportées dans certains domai nes à la con naissance d u
risque présenté p a r l e client persistent (Santé : l e p l u s simple est d'éca r
ter les person nes âgées - réputées risquées - par u n tarif excessif).
Le Big Data peut donner à ce « ciblage » des clients, a ppelé générale

.µ
ment « ma rketing stratégique », des perspectives nouvelles . J usq u'à
.s::.
CJl
·c
présent, ce marketing est celui des constats. L'assureur « constate » la
>
a.
0 com position de son portefeuille et peut éventuel lement souhaiter en
u
infléch i r la composition, à supposer que les systèmes i nformatiq ues
l u i permettent de connaître et de gérer la notion de client globa l en
Dommages et en Vie, en risque d'entreprise et de particulier (chef
d'e ntreprise), etc. À ce constat s'appliquent quelques lignes d i rec
trices, essentiellement défi nies par le souci d'a mélioration tech nique
d u portefeuille de risques : sura bondance de « jeunes » en Auto qu'il

faut écarter, viei llissement des assu rés Sa nté q u i dégrade les résul
tats tech niq ues, développement n écessa i re des assura nces É pargne
en u n ités de com pte pour a l l éger la charge en capital, etc. Tout
ceci est clairement étra nger à la logique d'un vérita ble ma rketi ng
opérationnel.
Le Big Data ouvre, d'ores et déjà, des voies de progrès, en su bstituant

à la segmentation classique sur l'âge et la catégorie socio-profes
sionnelle une segmentation sur les comporteme nts plus fine et qui
contient à la fois la logique du démarchage et celle de la ta rification
(mutual ités homogènes de com portement). Le Big Data permet en
effet d'accéder à une segmentation nouvelle de la clientèle, non
seulement sur ses moyens fi n a nciers (a uxquels peuvent déjà accé
der les ba nq ues), mais sur l'ensemble de sa situation patrimon i a le
et ses h a bitudes de vie. I l existe a ujourd'hui d a ns le secteu r ba nca i re
des « banques privées » prétendu ment axées sur la clientèle la plus
a isée. Cette pratique, a u demeurant méd iocre sur le plan marketing,
n'a pas été mise en place par les assureurs, notamment parce qu'ils
considèrent - h istoriquement - l es assurés les plus a isés comme
de « mauvais risq ues » : voitu res haut de gam me, com porte ment
n égligent à l'égard des biens, logements luxueux où les répa rations
sont coûteuses. Ces clie nts ne trouvent grâce que dans le domaine
de l'assurance Vie où l'assureur est d'a i l l eu rs concu rrencé victorieu
sement par les éta bl issements banca i res.
Le Big Data ouvre la possibilité de re-segmenter la tota lité de la clien

tèle sur la base de son attitude/exposition au risq ue. Nous savons mal
.µ
a ujourd' hui quelle est la corrélation entre le niveau de patri moine/
.s::.
CJl
·c
de reve nu et l'attitude à l'égard de la retraite ou de la dépenda nce.
>
a.
0 L'a mpleur des informations permettra de trouver de nouvelles corré
u
lations expliquant l'attitude des diverses catégories de clients face au
risque et de constituer des mutual ités de comportements défi n issant
les nouveaux segments de la démarche ma rketing.
Le Big Data refonde donc le ma rketing opérationnel dont il recom

pose les bases : q u i cherche-t-on à séd uire com me client ? Non pl us,
comme aujourd'hui, les personnes âgées mid-aff/uents28, mais les
personnes qui ont les attitudes à l'égard de la protection fi nancière
q u i correspondent à la stratégie de développement, de structuration
de portefeuille et d'emploi optimal des fonds propres disponibles
de l'entreprise d'assu ra nce. À court terme, cela milite en faveu r de
tarifications globales des clients et non des risques eux-mêmes, l'un
i ndépendamment de l'a utre. L'assu reu r fera it alors son affa i re de la
répa rtition du montant des primes reçues entre les d ivers risques
couverts au profit du client. Cel u i-ci paiera un « montant global de
protection » (Vie et Non-Vie) homogène avec celui payé par d'autres
membres d'une mutualité définie par des comportements sembla bles.
Tout dans la réglementation s'oppose à cette démarche, y compris la

pratique consumériste qui s'a pplique par type de contrat ( É pargne,
Auto, Ha bitation, Sa nté). Mais elle est bien celle que tendent à pro
mouvoir les réseaux sociaux aujourd'hui : comportements homogènes
à l'égard de la consommation de produ its risqués ou des a léas de la vie,
accidents domestiq ues, sa nté, retra ite. Dans la gra nde restructuration
du ma rketing stratégique que va promouvoir le Big Data, il pou rrait
y avoir une place de choix pour des packages « ga ra nties de style de
vie » adaptés à des comportements présents et futurs probabi lisés.
Les commerciaux rêvent à la péren nité de ces prod u its globaux

d'assura nce. Les fi n a nciers rêve nt a ussi aux perspectives de m a rges
sur ces prod uits globa ux, où les arbitrages de tarifs se font entre les
com posa ntes : Auto peu margée, mais Assistance et Protection j u ri
.µ
dique très profitables, É pargne modeste, mais Sa nté i nd ividuelle et
.s::.
CJl
·c
Dépenda nce bénéficiaires. Les d i rigeants rêvent de la péren nité des
>
a.
0 contrats et des clients et de l'adapta bilité des ga ra nties.
u
28. Revenus moyens ou moyens/supérieurs.

2.3 L'utilité marketing actuelle du Big Data tient dans le ciblage

efficace du prospect et du produit.
C'est aujourd'hui ce que vendent Google, Amazon a nd Co. La société

de vente par correspondance connaît ses clients mieux que n'importe
qui, et nota mment le contenu d u « caddy » acheté sur I nternet. Donc,
le marketing du nouveau produit se fait à coup s û r ou, au moi ns, à
moi ndre coût par ra pport à la publi cité télévisée où l'on vante d iffici
lement le prix fa ible d'une ga rantie donnée, quel que soit le client que
l'on veut atti rer dans le réseau commerci a l . L'abonné de Facebook,
le client d'Amazon sont infini ment plus réceptifs au message publi
cita i re, surtout si, sur les réseaux sociaux, le prospect reçoit des avis
favora bles sur ledit prod uit de la part de ses « amis » ou relations. Ce
n'est pas de la science-fiction, n i même de l'a ntici pation . Cela fonc
tionne, mais au profit de produ its existants. GAFAM est seu lement
pour l'i nstant un nouveau ca nal de d istribution de produits conven
tionnels. Cela pou rrait cha nger ra pidement en proposa nt un produit
adapté au profi l du prospect « détecté ». La détection du client
débouchera it alors sur une nouvelle conception des produits. Voilà
qui justifie l'inqu iétude des acteurs traditionnels de l'assu ra nce face
a u ciblage, non des seuls prospects, mais des prod uits eux-mêmes.
* *
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
Vers la tarification prospective

comportementale : la révolution
de la théorie du risque
' i ndustrie de l'assurance est confrontée au développement du Big

L Data, ensemble de systèmes de collecte d'i nformations i nternes ou
externes, multi ples, inorgan isées, issues des innombra bles connec
tions que les citoyens développent avec des outils nu mériques qui
e n registrent et conservent des i nformations (don nées) sur les per
sonnes, les biens, les entreprises.
Les réactions sont actuellement de deux ordres :
D Certains assureurs s' inquiètent de voir des acteurs écono

miq ues, récepteu rs et propriéta i res de nombreuses don nées,
les utiliser à la place de l'assureur pour vendre des prod uits
d'assurance m ieux ada ptés ou mieux ta rifés que ceux actuelle
ment proposés.
D D'a utres cherchent à s'équiper d'outils nécessa i res à la collecte

c
0
:;:::;
ou à l'acqu isition, puis au traitement de ces don nées, pour
"'O
'CIJ proposer aux cl ients des solutions nouvel l es d'assura nce. Une
ca
0:::
\0
partie de ce coura nt, porté par l a mode et les discours des
.-f
0
N
consu ltants et agences de notation, conduit les entreprises
@ d'assurance à i nsister sur l'ava ncement de leur « d igita lisa
.µ
.s::.
CJl
·c
tion », notion q u i, à notre avis, concerne les outils de connexion
>-
a.
0 avec les clients, mais accessoirement le Big Data.
u
Il s'agit ici de décrire l es effets sur l'activité de tarification des risques

assurés, de l'arrivée de sou rces multiples d'i nformation abonda ntes
et diverses, quoique non (ou peu) structurées sur les suppo rts info r
matiques de l'assureur. Celui-ci peut être, en fonction de l'évolution
de l'orga n isation de la chaîne de va l e u r dans l'assurance que le Big

Data risq ue de « révol ution ner », u ne entité d'assura nce, un cou rtier
(grossiste o u non), u n col lecteu r de don nées a ppuyé par une struc
t u re actuarielle susceptible de générer u n prix du risq ue ou u n acteu r
extérieu r à l'assura nce q u i propose à une e ntité porteuse d e risq ue
un portefeuille de clients d û ment ta rifé (par exem ple, un construc
teu r a utomobile ou une société d'assista nce).
Cette a pplication d u Big Data à la tarification d u risq ue n'épuise pas

les effets de cette révol ution des don n ées sur la chaîne de valeur de
l'assu ra nce : le ma rketing stratégique, le provisionnement, l'étude des
lois statistiq u es de résiliation des contrats (/apse rate), la modélisa
tion des catastrophes et de la protection d u ca pita l, voire l'évol ution
de la gestion des services d'assura nce et de prévention sont a u ssi
concernés. Mais l'a pplication du Big Data à la ta rification est la plus
sensible aux assureurs (évol ution de l'asymétrie d'information), aux
clients (util isation de données sensibles ou personnel les) et aux Pou
voirs publics (comp/iance, règles de protection de la clientèle et de la
vie privée).
1. Le Big Data ouvre la possibilité à une entité d'assurance (quel

que soit son statut) de disposer d'une quantité considérable
d'informations sur le client.
Ces i nformations sont éve ntuellement non ch iffrées et surtout livrées

de façon i norga n isée. À charge pour un i ntermédiaire ou l'util isateu r
fi nal d e trier, su iva nt les a rguments perti nents e t utiles pou r l u i, les
i nformations q u i lui permettent d'atteind re ses objectifs.
.µ
.s::. Pour le responsable de tarification de risques (Vie ou Non-Vie, de
CJl
·c
>
a.
particu liers ou d'entreprises), le Big Data ouvre l'oppo rtun ité de modi
0
u fier à son profit l'asymétrie d'information qui ca ractérise la relation
assu ré/assureur dans la théorie classique du risq ue. L'assureur ne sait
sur le risque q u e ce que le « prospect » l u i donne com me i nformation,
dans le cad re d'un questionnaire « normé » et forcément succinct
et incom plet. S'ajoutent à ces difficultés, les ca ractéristiques de la
situation fra nçaise : sanction modeste, voi re inexistante de la « fausse

décla ration », surtout sans i ntention dolosive, secret médical, secret
professionnel, protection des don nées affé ra nt à la vie privée (CN I L) .
Le Big Data donne à l'ass u reur accès à d'im portantes i nformations et

i nverse l'asymétrie d'i nformation avec le client ou, au moi ns, permet
u n dia logue avec celui-ci sur la connaissance approfondie d u risq ue
pris par l'assu reur. Le client peut, en effet, choisir une stratégie de non
disc/osure (non-divu lgation) d'i nformations com portementales et res
ter dans la logique d'un produ it/tarif traditionnel, dont le ca lcul inclut
nécessa i rement une marge de couve rt u re de l'i nformation « rete
nue » (on pou rra it parler, comme l es assu reu rs RC et Construction de
« passé inconnu » ) ou une stratégie de partage de l'i nformation avec
l'assu re u r. Cette stratégie permet de fixer des l i mites à l'i nfo rmation
partagée. Pour i l l ustrer caricatura lement le propos, on peut imagi
ner u ne situation où l'i nformation sur les opérations chirurgicales
a ntérieurement subies ou sur l es bilans de sa nté des cl ients serait
partagée, mais pas celle sur ses habitudes sexuelles, ses convictions
rel igieuses ou ses options politiques et syndicales.
La littérature actuelle tend à se concentrer sur les questions de secret

méd ica l, de don nées personnel les, etc. et, par conséquent, sur les
sujets les plus dél icats de l'assurance de Santé. C'est d'autant moins
perti nent que les assureurs (sociétés, institutions de prévoya nce et
mutuelles) représentaient 13, 7 % des dépenses de santé en 2013 et
que les assureurs ont versé 25,8 milliards d'eu ros de prestations de
sa nté, à compa rer aux 50,3 milliards d'euros de cotisations d'assurance
Dommages pour la même a n née. L'attention sociétale s'est malheu
.µ
reusement pola risée sur le couple Big Data/assurance Santé qui fait
.s::.
CJl
·c
intervenir les sujets inqu iétants de la médecine prédictive, du décodage
>
a.
0 du génome humain et les fantasmes sur le « pi ratage » des données, au
u
profit d u « privé » et « au détriment » de la Sécurité sociale.
La réa l ité pourrait être plus modérée ou moins « orwellienne ». L'as

sure u r Sa nté se contentera sans doute des i nformations tra nsmises
par l'AppleWatch du client, l'assu reur Auto u ti l isera les i nformations
contenues d a ns les révisions périod iq ues du véhicule fa m i l ia l sur la

façon de conduire d u client, etc.
Au demeura nt, l'util isation d u Big Data ne saurait se limiter aux

risq ues Auto et Sa nté des particuliers. On peut très bien imaginer une
masse d'i nformations domotiques qui réduise su bsta ntiel lement les
risq ues d'i ncendie, vol ou dégâts des eaux pour les particuliers.
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.
2. La tarification actuelle, notamment pour les risques de

particuliers, repose sur une logique désormais ancienne (le
modèle GLM Generalized Linear Mode/), mais sans cesse
-
perfectionnée.
L'ass u reur souscrit individ uellement des risques q u i constituent des

.µ
.s::. portefe u i l les de contrats. Il ne s'agit pas de portefeuil les de clients,
CJl
·c
>
a.
chaque contrat éta nt traité, ta rifé et géré individuel lement. L'objectif
0
u est de créer des portefeu i l les globaux d'un même risq ue dont sont
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.
ou seront é l i mi nés les « mauvais risques » (en Auto, les conducteurs

« mal ussés », mais aussi les a utomobiles de luxe i nsuffisamment
protégées ; e n M R H, les habitations exceptionnelles par leurtaille ou les
zones à risques telles que la Corse ; en Sa nté, l es « Risques aggravés »
et notamment les malades guéris de maladies redoutées). Le principe
est en réa l ité le coût moyen d u risque - fondé sur le princi pe de la
mutual isation - sur la base d'une a n a lyse rétrospective des risq ues
qu'ill ustre bien le coefficient de réduction/majoration en RC Auto
(bonus/malus) . Le risque se mesure à l'aune du com porte ment passé
et de la statistique moyenne du marché (fréquences et coûts moyens
des sin istres par « bra nche » ) .
Ce système est conforté et borné p a r les « obl igations d'assurance » .

La polémique récurrente s u r les « Risques aggravés » ( e n assurance
Em pru nteur, nota mme nt) montre l'attitude sociétale en face d'une
q uasi-obligation d'assurance (pas d'acq uisition de logement sans prêt
et pas de prêt sans assura nce). Le refus de prise de risque suscite
l'i ncom préhension face à une assura nce considérée comme un quasi
« Service public » (proche de la Sécurité sociale).
La ségrégation est i nacceptable d a ns un système d'assura nce obli

gatoi re, la sélection inadm issible, la majoration pour risq ue à peine
tolérée. C'est bien la logique des mutual isations larges.
Ces attitudes sont heureusement modu lées par une segmentation

des ta rifs. Mais il faut bien considérer comme rustiques ces modu
lations (les zones « Vol » en M RH, les plans d'exposition au risq ue
en Catastrophes naturel les) ou comme exagérément complexes et, le
plus souvent, i n utiles ou dépassées (le bonus/malus e n RC Auto, les
.µ
.s::. « groupes/classes » de véhicules, etc.) .
CJl
·c
>
a.
0 En réalité, les tarifs actuellement pratiqués (sauf en risques industriels)
u
peuvent être qualifiés de « tarifs moyens » tirés de la loi des grands
nombres. L'expérience statistique fait « présumer » le risque d'un
conducteur donné et les bons conducteurs continuent à payer trop cher
pour financer les « mauvais » conducteurs (réels ou supposés) qui ne
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.
Tout va dans le sens de la création de mutualité de risq ues très vastes

q u i peuvent fi na ncer des mauvais risq ues (cinq entités d'assura nce
souscrivent 70 % des risq ues Automobi les en Fra n ce et six entités
souscrivent l'essentiel de l'assu ra nce Em pru nteur). La segmentation
devient i n u tile. Dans le même ordre d' idée, certains soutien nent que
l'on ne peut assurer u n risque dont on n'a pas l'expérience statistique
rétrospective, ce qui est objectivement inexact, mais largement
accrédité dans certa ins travaux sur l'assura bil ité des risques.
3. Le Big Data, même restreint aux données dont l'utilisation

est autorisée par la CNIL, permet de modifier totalement les
bases de la tarification.
Cel les-ci peuvent être fondées sur des algorithmes comportemen

taux prospectifs et la constitution de groupes homogènes de risques
(de clients) constitués sur la base de proba bilités semblables de mise
en jeu de la ga ra ntie.
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.
L'a mplitude considérable des i nformations sur le client permet d'a p-

procher u ne notion de Value At Risk30 de celui-ci. Concrètement, dans

l'exemple sim ple du ta rif Automobile, l'i nformation contenue dans
les données recueillies lors de l'entretien a n nuel du véhicule sur l'état
de celui-ci, l'util isation d u G PS d u véhicule et l'en registrement de l a
vitesse, d e l a consommation, etc. permettent d'obte n i r une image d u
comportement du cond ucteu r. O n établit des scénarios d'évolution de
ce comportement dans l'avenir et l'on obtient une vision prospective
de la va leur en risque d u cl ient. Combinées avec les mêmes a n a lyses
de bases de don nées d'indemn isation globa les, on associe un coût de
sin istres à ces probabil ités : répa ration du véhicu le, mais a u ssi coût
probable d'un sinistre corporel grave ou non, l u i-même probabilisé.
L'open data31 devra it permettre, à court terme, d'étudier sérieu

sement les coûts probables en fonction de l'âge, de la situation de
fa mi lle, du patri moine, des victimes d'accidents corporels. Naturel
lement, l'ensemble « com portement/coût » des sinistres probables
peut fa ire l'objet de scénarios.
Reste à constru i re un ta rif q u i serait désormais fondé sur le profil de

risq ue (ou va leur en risq ue) du client et sur deux compléments :
• Une notion de pay-back q u e conna issent bien l es réassu reurs

et qui, dans notre exem ple, couvrirait la probabilité de dérive
(d' i nflation) des coûts de sin istres probables et un risq ue j u ri
c dique ( refus de tra nsaction, par exemple).
0
:;:::;
"'O
'CIJ • Une notion de « prime de solida rité » calculée à l' i ntérieur
ca
0:::
\0
d'un groupe qui présente des probabil ités de risques homo
.-f
0
N
gènes. C'est, si l'on peut d i re, ce qui reste de la mutual isation
@ traditionnelle dans le nouvel a lgorith me de tarifi cation. Les
.µ
.s::.
CJl
·c
souscri pteurs de flottes a utomobiles connaissent ces méthodes
>-
a.
0 de ca lcul à travers la notion de « réserve pour risq ues corpo-
u
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.
reis graves » q u i vient alourd i r la prime de base (fondée sur

l'expérience de la flotte a utomobi le). Elle sert aussi, au-delà de
la théorie d u risq ue, à couvrir l e phénomène de pay-back, en
fa isant porter (quand on le peut commercia lement) u ne pa rtie
des pertes de l'exercice N sur la prime de l'exercice N + 1 .
La réassurance fou rnit une justification supplémenta i re à ces aggra

vations de la prime comportementa le grâce à la notion de primes de
risque « Catastrophe ». I l s'agit de couvri r la proba bil ité de scénarios
très éloignés du com porte ment moyen le plus proba ble. Même les
meil leurs conducteurs ne sont pas à l'a bri de provoq uer ou d'être
victimes (faute d'avoir pu l'éviter) d'un accident grave, justement le
jour où ils ont em pru nté la Ferrari d'un ami détru ite dans l'accident.
La « prime de solida rité » payée par tous les mem bres d'un groupe
homogèn e de risques com portementaux couvre cette probabilité.
Quant à la souscription el l e-même, ce système de ta rification évite les

risques d'excl usion de l'assurance dont sont généra l ement accusées
les méthodes de fa ible mutual isation et que les tarifs très segmentés
traditionnels n'ont pas vérita blement su pprimés. Le ta rif Big Data
cherche des homogénéités de risq u es actua riel lement calcu lées, non
une large mutual isation solida i re (qui conduit souvent aux résiliations
pour « com porte ment non mutualiste » dû aux fréquences jugées
« anormales » de sinistres).
Malheureusement, il est possible que certains comportements dan

gereux, et probablement constants, conduisent à rendre une pa rtie
de la popu lation i nassura ble a u titre d u risque Automobile. L'éthy
lisme récurrent, la permanence de l'excès de vitesse, les proba bil ités
.µ
.s::. élevées d'accidents de sa nté a u volant peuvent être reflétés dans u n
CJl
·c
>
a.
ta ux d e prime très élevé. O n peut penser q u e cela est salutaire et,
0
u e n tout cas, plus représentatif d u risq ue que la pénalisation auto
matique des jeunes conducte u rs ou des véhicules de couleur rouge
(le cas s'est prod uit ! ) . I l reste à trouver des solutions de ta rification
« non act u a rielle » pour ce type de risq ues. C'est ce que font, pour
les assura nces obl igatoires, les Bureaux Centra ux de Ta rification ( BCT)
lorsque la segmentation statistique actuelle prod uit u n n iveau de

cotisation jugé insupporta ble. Le tarif du Big Data ne prod u i ra sans
doute pas plus de situations de quasi-inassurabilité que les modèles
actuels de ta rification rétrospective, situations qui sont aujourd'hui
efficacement gérées par les m a rchés.
Le « pay how you drive » institué par cette tarification comportementale

permet une révision annuelle du tarif par mesure de l'évolution du
comportement passé et vérification de la cohérence de celui-ci avec le
scénario prospectif sur lequel est constitué le tarif a ppliqué, et donc la
vérification de l'appartenance à un groupe donné de risques homogènes.
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.
En réa l ité, pour mettre en place des ta rifications comportementales,

deux conditions doivent être rempl ies.
La première est le consentement du client, ce q u i suppose qu'il

trouve un i ntérêt soit fi nancier, soit de n iveau de services, à la d ivul
gation d'informations qui réduisent l'asymétrie d'information. Les
.µ
réglementations M I F I D ou DIA2 i m p l iq uent déjà obligatoirement le
.s::.
CJl
·c
conse i l ler fina ncier, vendeur de prod uit d'assu ra nce Vie, dans l'a ppré
>
a.
0 ciation (dûment traça ble et justifiée) de la situation et des intentions
u
patrimonia les du cl ient. L'assura nce É pargne postule que le client a un
i ntérêt (de protection financière) à réduire l'asymétrie d'information.
Pourq uoi e n serait-il différemment pour le client d'assu ra nce Auto ou
Sa nté complémenta ire ou la PME qui recherche une couverture RC,
perte d'exploitation ou bris de machine ?
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.
4. Les principales conséquences de ce nouveau système de

tarification
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.
Les entreprises d'assurance géreront d'a uta nt plus longtemps deux

tarifs qu'il n'est pas certa i n que le ta rif « Big Data » soit nécessa i
rement et globalement beaucoup plus favorable au cl ient. Mais
l'engagement de l'assu reur q u i en résu lte est plus clair dès lors que
le sin istre est quasi certai n ement éva l u é à son prix fi n a l d'indemni
sation, dès sa survenance. Le rôle de l'expertise pou rra it s'en trouver
massivement d i m i n ué (vol, dégât des ea ux, catastrophes natu rel les,
.µ
dom mages a uto, bris de machine, perte d'exploitation) et les coûts de
.s::.
CJl
·c
gestion très a l l égés.
>
a.
0
u Si les conditions de tarification des risques de particuliers se révèlent
favora bles et si les particul iers et les entreprises adoptent une atti
tude positive à l'éga rd d u partage avec l'assu reur de leurs don nées
personnel les, il sera difficile de mainten i r la réglementation euro
péenne de la propriété des don nées dans sa com position actuelle (cf.
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.
Elle induit a ussi des comportements nouveaux de la part des clients.

Ceux-ci sont beaucou p plus nettement mis « en responsabil ité » :
leurs excès de vitesse répétés se tradu isent dans l e u r ta rif Automo
bile, a lors qu'ils peuvent espérer, avec un peu d'habi leté, échapper au
gendarme et n'être pas sanctionnés dans leur ta rif Auto.
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
traitement (la ta rification ) des risques. Le prix actuariel d u risque est

exact, i l peut n e pas être équitable.
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
trompe probablement de cible en cherchant à réd u i re l es accès aux

don n ées, alors que les clients, via Facebook, l ivrent d'é normes q u a n
tités d'informations personnel les et professionnelles à l'ensemble d u
monde et gratu itement.
S. Révolution des théories du risque et de l'assurance
Ce q u i pou rra it a ppa raître comme une p u re révolution dans le mode

de ca lcul des ta rifs, donc comme u n e préoccu pation interne à la Pro
fession, provoque en réa l ité u n e révision en profondeur de la théorie
de l'assura nce et de l'assurabilité des risques. Si l'on considère que le
profil des risques des e ntités d'ass u ra n ce est a ujourd' h u i la « pierre
de touche » de leur solvabi lité, (directive Solvabi lité I l ) , on voit bien
que ces trava ux sur la mesure nouvelle des risq ues couverts et sur
leur assurabil ité sont maj e u rs. C'est que la théorie de l'assu ra nce est
bousculée dans ses convictions.
5.1 L'asymétrie d'i nformation n'est plus au cœur d e l'assurance
L'assureur ta rifie a pproxi mativement ( « à la moyenne » ) u n risq ue

qu'il n'apprécie q u'en partie ou i nsuffisa m ment. Il ne sait de la q u a l ité
de cond ucteur du client que ce que lui en dit le coefficient de réduc
tion/majoration. Il ne sait du domicile et du contenu d u domicile du
client que ce que cel ui-ci déclare. Et bien entendu, les proposa nts en
Prévoya nce et Sa nté individ uelle ne fu ment pas et boivent ra re ment
de l'a lcool. Le tout construit une théorie de l'asymétrie d'informa
tion : l'assu reu r tient ces i nformations pour vra ies et tarifie l es risques
- plus ou moins homogènes - a insi définis à la moyenne du coût des
.µ
sinistres enco u rus dans le passé, pour une catégorie donnée. Il ne
.s::.
CJl
·c
cherche guère à en savoir plus, et lorsq u'il le souha ite, la réglementa
>
a.
0 tion ne l u i est pas favora ble.
u
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
ta rification individuelle d u risque que je permets à l'assu reu r de

ca lculer » . À la transpa rence du comportement et à l'a m pleur des
i nformations données sur le risq ue doit répondre l'exactitude actua
rielle du ta rif.
5.2 La transparence sur le risque met à mal un second concept

traditionnel de l'assurance : la mutualisation.
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.
Si la ta rification com portementa le prospective s'a ppliq ue, i l n'est nul

besoi n de mutual isation. Le risque s'a pprécie selon le principe de
« crédibilité » indépendam ment des autres risques qui lui sont asso
ciés au sein d'une même mutual ité. À moins que cette mutualité soit
celle de catégories homogènes de comportements proba bles (« how
you drive » ), ce q u i n'a rien à voir avec les catégories grossières ti rées
.µ du coefficient de réduction/majoration rétrospectif et lié aux sin istres
.s::.
CJl
·c
RC « responsables ». L'assu rabilité du risque dépend désormais de sa
>
a.
0 conna issa nce et de son éva l u ation, et non plus de la possibilité de le
u
mutual iser sur un gra nd nom bre de cli ents. C'en est fi ni de l'expé
rience statistique rétrospective et de la mutualisation suffisa nte d u
risq ue p o u r l e rendre assurable : l'information complète et satisfa i
sa nte permet de le ta rifer en soi et sans expérience statistique.
5.3 La nécessité des assurances obligatoires n'en est pas moins

déstabilisée.
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 jeu du prix actuariel du risque vient mettre en d ifficulté cette

solidarité forcée. Pourq uoi payer une prime « Inondation » lorsqu'on
ha bite au se étage, loin de tout cours d'eau ? Mais aussi, pourquoi
payer une prime élevée d'assu ra nce Sa nté lorsq u'on est jeu ne, en
ignorant (ou en prenant le risq ue) la possibilité d'un accident de sa nté
à u n âge précoce ? La solidarité forcée cache le risque d'une mauvaise
a ppréciation du risque personnel de chacu n. Qua nt aux tempêtes et
cyclones, beaucoup se pensent protégés de ces causes de sinistres par
leur éloignement de la mer - sans doute à juste titre -, mais ils payent
néanmoins des cotisations d'assurance Tem pêtes et Catastrophes
naturelles obl igatoirement calcu lées et perçues par leur assu reu r.
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.
Faire payer le prix de son risq ue réel au spéléologue, au spécialiste du

parapente, voi re au rugbyman a mateur, est-il toléra ble socialement ?
Rappelons que notre société vient de consacrer beaucoup de temps
à débattre de l'inclusion dans la Convention AE RAS (s'Assu rer et

Em pru nter avec un Risque Aggravé de Sa nté) de la notion de « d roit à
l'oubli » pour des personnes guéries de ma ladies graves, ce qui élargit
à ces personnes la « solida rité forcée » du ta rif moyen de primes du
risque de Prévoya nce des ga ra nties Empru nteurs .
La société actuelle n'est sans doute pas prête à la bruta lité d e l a

ta rification actuarielle du risque, sauf s i l e marché s'orga n ise et sait
proposer des solutions d'assu rabilité pour les Risques aggravés. C'est
possible, comme l'ont montré les i n i tiatives Assurpol, Assuratome,
GAREAT (terro risme) et d'autres encore. Mais la société civile peut s'y
montrer très hostile et fai re échouer l e projet. L' État peut aussi pré
férer fi na ncer des « fonds » publ ics par l'impôt (FGTI ) pl utôt que de
la isser les assureurs tarifer l'exposition réelle au risq ue. C'est ce qu'il
a fait dans le passé, en augmentant les prélèvements obligatoi res.
5.5 La recherche « du prix actuariel exact » n'en demeure pas

moins u ne avancée majeure dans la théorie de l'assurabilité
des risques.
Le seul vra i sujet de l'assura b i l ité demeure l'existence d'un aléa et

peut-être - à un bien moindre nivea u - l'a bsence d'anti-sélection (a léa
mora l ) . Certes, seuls les acteurs économiq ues exposés au risque s'as
sureront : mais n'est-ce pas logique ? Faut-il assurer l'optique quand
tout le monde est s û r de porter un jour des lunettes (défaut d'a léa) ?
Faut-il assurer contre l'inondation ceux q u i n'ont presque aucune
probabil ité de la subir ? À l'i nverse, bea ucoup de risques trouveront
une capacité d'assurance q u i leur est a ujourd'hui refusée : risques
.µ
envi ronnementaux, responsabilités civiles d iverses, risques émer
.s::.
CJl
·c
gents, sécheresse agricole, etc. Les risques deviennent assurables en
>
a.
0 fonction de leurs propres sinistres, mais les cotisations peuvent être
u
a ussi plus élevées. On touche ainsi aux conflits d'intérêts à l'intérieur
des systèmes publ ics et privés de mutual isation des risq ues : s'agit-il
de mutua liser pour « rendre assurable » des risques a ppréciés sur
une moyenne de fréque nce et de coûts ? Ou e ncore de promouvoir
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 ?
* *
Le changement de paradigme de ta rification des risq ues que permet

le Big Data est plus agressif pour le contrat social q u e le d iscou rs
« catastroph iste » des amate u rs de sensationnel. C'est l'assurabilité
à un prix déra ison nable plus que la transparence des données q u i est
en jeu.
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.
Jad is, en Ca l ifornie, un Gouverneur ava it « nationa lisé » les prix de

l'assu ra nce RC Auto, ayant constaté que le prix a n n u e l de l'assura nce
était, pour u n jeune conducteur, équiva lent a u prix d'une a utomobile
d'occasion. L'anecdote prend tout son poids quand on sait que ce
Gouverneur de Cal ifornie s'a ppelait Ronald Reaga n, dont les convic
tions étatistes étaient pou r le moins l i m itées .
.µ
.s::.
CJl
·c
>
a.
0
u
.µ
.s::.
CJl
·c
>
a.
0
u
Annexe
Principes de tarification des risques

de particuliers, aujourd'hui et demain
(avec utilisation des facultés données
par le Big Data)
(Auteurs : Patrick Thourot, Jean-Marie Nessi et Kossi Ametepe Fol/y)
1. Aujourd'hui
La prime de risque d'un assu ré Auto est calculée dans l es modèles

G M L uti l isés actuellement sur le risque d'un i ndividu dont le com
portement de conducteur est celui de la moyenne de la population
assurée, extra polé sur l'expérience du passé pou r ce type de risque.
La « segmentation » d u ta rif se fait sur un e nsemble de critères rudi

menta i res qui tie n nent au véhicule - grou pe/classe -, à l'usage de
celu i-ci déclaré par le conducteur et, surtout, en RC Auto (40 % de la
prime), à l'âge (les jeunes condu isent plus mal, faute d'expérience,
que l es seniors, enco re que ... ) et au coefficient de réduction/majo
ration (plus con n u sous le nom de bonus/malus) . Celui-ci est une
approche grossière de la qualité de condu ite fondée sur le fait d'avoi r
ou non causé des sin istres réputés responsables.
Le ta rif tient donc un com pte majeur de la sinistralité passée du

.µ
client et se fonde sur la notion juridique de responsabilité d'un ou
.s::.
CJl
·c
de plusieurs accidents. Cela ne signifie pas que le proposa nt conduit
>
« bien » . On ne ra ppelle jamais assez que le bon conducteur est
a.
0
u
surtout celui qui, par son habileté, évite des collisions dont serait
responsable un autre usager de la route. Le « Bonus 50 » est aussi
un conducteur habile ou chanceux q u i a su n'être victi me que d'acci
de nts dont il n'était pas responsable.
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).
Le système, au demeura nt très e ncadré (bonus/malus et valeur de

la « demi-responsa bilité » du recours forfa ita i re CG-I RSA32 et I RCA33),
est fondé sur le com portement supposé, et en tout cas observé
dans le passé, d'une catégorie de conducte u rs (mutua l ité homo
gène au rega rd des critères choisis dont nous avons dit qu'ils sont
rudime nta i res).
2. Demain, grâce à Big Data
La ta rification prospective est fondée sur l'appréciation mu lticritère du

comportement de condu ite. Le conducteur sage, tel qu'on peut l'ap
précier par l'état des pièces de son véhicule, le kilométrage parcouru,
les itinéraires util isés, les réparations effectuées suite ou non à une
coll ision, quel que soit le responsable de cette col lision, bénéficie d'une
prime minorée par rapport à la prime de l'individu moyen, nécessaire
pour couvrir les sin istres des assu rés prudents. L'individu au compor
tement plus risqué paiera une prime supérieure à celle payée par
l'i ndividu moyen des assu rés prudents. Le système de bonus/malus à
i nertie forte (et fondé sur les seules collisions et sinistres responsables)
est rem placé par un système mobile de ta ux de prime fondée sur le
scoring du com portement et son ajustement annuel.
.µ
.s::. On peut a pprocher la différence de tarif sur cet exemple : soit 1 1
CJl
·c
>
a.
groupes de com portements, le moyen étant le groupe 6. Le groupe 6
0
u
32. La convention I RSA a succédé à la convention d'i ndemnisation Di recte de

l'Assuré ( I DA).
33. Convention sur l'indemn isation des « petits » sinistres corporels Auto définis
par le taux d'inva l id ité permanente constatée.
paie la prime actuelle, le groupe 1 paie 50 % de celle-ci, le groupe 11,

200 %. L'actuariat peut évidem ment fournir des déclinaisons mu ltiples
de groupes de scoring (que Big Data enrichit sans cesse de critères
perti nents nouveaux) et de pondération de la prime entre les groupes.
Les principales différences avec le ta rif actuel sont que la segmen

tation est beaucoup plus fi ne et évolutive (le bon conducteur peut
deve n i r risqué et le cond ucteu r éthyl ique être dési ntoxiqué) et,
surtout, que la segmentation a lgorithmique comportementa le est
prospective. Elle réduit aussi la solida rité forcée e ntre les cond ucteu rs
relativement bons et relativement ma uva is en homogénéisant les
comportements inclus dans une même mutual ité. Enfi n, la correction
du ta rif peut être i m méd iate sur la base du constat du com portement
et non sur l'a ppréciation de l'h istorique des sin istres du cond ucteur.
.µ
.s::.
CJl
·c
>
a.
0
u
.µ
.s::.
CJl
·c
>
a.
0
u
Chapitre 6
De la gestion des contrats à la gestion

des clients 3.0
es spécialistes du Big Data i nsistent en généra l sur la « révolution »
L q u e l1a bondance de données person nelles va provoquer dans l a
conception même d u ma rketing (le « ciblage » très amélio ré des
prospects, la fidélisation des clients) et sur la ta rification des prod u its
( 11a lgorithme com portemental prospectif). I l s tendent, en reva nche,
à négliger l1a pport potentiel du Big Data à la gestion des contrats,
c1est-à-dire les mod ifications contractuel les (avena nts, mais a u ssi
a rbitrages pour l es contrats d1assurance Vie/ É pargne en U n ités de
Com pte - UC), la gestion des sin istres en assurance de Dommages,
l1ensemble des activités de services qui accompagnent ou se su bsti
tuent à la gestion de sinistres, la prévention des résil iations et rachats
de contrats Vie, la conception du progra mme de cession en réassu
ra nce et la protection du capita l .
Pour cet ensemble considéra ble d e tâches, dont l e rôle d a n s l a

construction d e la va leur d e l1activité d1assurances est maj e u r, le Big
Data va sinon révol u tionner, au moins transformer leur exécution.
Peut-être même jouera-t-il u n rôle d1amélioration de la marge des
entreprises, au contra i re de ce q u e l1on observe en matière de ta ri
fication, où le ta rif individ ual isé n1a de sens que si le client y trouve
un i ntérêt, donc u ne réduction de prix (à ga ra nties éga les), et dans
.µ
.s::. le domaine d u ma rketing, où les efforts de ciblage sont coûteux, et
CJl
·c
>
a.
peuvent écha pper à l1assureur a u profit de distributeurs indépenda nts.
0
u
1. Les contrats d'assurance d u particulier en Dom mages
1.1 Le Big Data doit ouvrir u ne automatisation simple de la mise

à jour du contrat d'assurance.
Désorma is, le nouveau domici le, la nouvelle automobile, l'acquisition

d'objets de valeur sont connus et doivent se traduire dans les gara n
ties d u contrat. l i est probable que le client ne mettra pas en ca use
l'augmentation du contenu ga ra nti dans le contrat dès lors que les
nouveaux éléments acquis sont i m méd iatement recon n us, ga ra ntis
et tarifés. Le client, bien q u e cha ngea nt d'a utomobile et sortant de la
concession avec un nouveau véhicule, et qui voit appa raître l'avenant
a u contrat et sa nouvelle ta rification (évidemment par prélèvement
banca i re mensual isé), sera-t-il poussé à refuser l'offre et à chercher
sur I nternet un contrat à prix réduit ? P robablement non, sauf si l'éca rt
entre le prix de l'assurance de l'ancien véhicule et celui du nouveau
pa raît à l'évidence excessif.
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.
Cette définition du S M P permettra d'affiner les modèles de catas

trophes naturel les, tem pête, neige et grêle de l'assureur. Si les bases
statistiques sont plus l a rges, les hypothèses de S M P seront amélio
rées, et donc la tarification plus précise ou plus exacte, sinon plus
« solidai re ». Big Data permet a ussi de connaître l'étendue précise
(et non régleme nta i re) de la zone d'i nondation, de l'impact de la

tem pête, la vitesse du vent par zone, la durée de la tem pête par
zone, etc. C'est la fin des plans « i ntuitifs » ou rétrospectifs d'expo
sition aux risq ues, pour e ntrer dans la conception prospective et
stochastique des catastrophes. Pa r exemple, sous d ivers scéna rios
de fréque nce et d' intensité du phénomène cli mati q ue dit « orage
céve nol » en Languedoc, l'assura nce I nondation des q u a rtiers de
Béziers, M ontpellier, Lunel, N a rbonne devient ta rifable, en dehors du
système de « solida rité nationale » mis en œuvre par la loi de 1985
sur les catastrophes naturelles. Il en résu lte une mod ification pro
fonde des conditions de conception et de souscri ption des traités de
réassurance « Catastrophe » et la d ispa rition, de fait, du régime légal
fra nçais d'indemn isation des catastrophes naturelles. L'exposition à
la catastrophe résu lte de la va leur d u bien (acte notarié - prix du m2
loué) et des scéna rios stochastiques de destruction du bien, com pte
tenu de sa situation. L'assureur vis-à-vis du réassureur, comme d'ail
leurs l'assuré dans sa relation avec l'assureur, choisit donc l'exposition
a u risque q u ' i l veut conserver, en éta nt parfaitement i nformé de ses
cumuls géogra phiques de risq ue et de leur éva luation. Le S M P n'est
plus décla ratif, il est modél isé, scéna risé, et projeté dans le temps. La
réassura nce redevient u n véritable métier de prêt de ca pita l, de prêt
de ca pacité et de protection du ca pital contre une sous-éva l uation
.µ
du SMP, et non plus une subvention publique à la souscri ption de
.s::.
CJl
·c
la « branche » Catastrophes naturelles, et une couverture du risque
>
a.
0 Tem pête, N eige et G rêle, ta rifée en fonction de l'exposition réelle et
u
du coût effectif des sinistres potentiels.
1.3 Dans la gestion classique des sinistres Dommages, le Big Data

ouvre des perspectives moins révolutionnaires, mais caracté
ristiques d'évolutions déjà engagées, que l'abondance et le
traitement des données vont accélérer, voire transformer.
D L'entreprise peut centra l iser l 'éval uation d u sin istre, dossier

par dossier, à l'ouverture. L' i nfo rmation sur la descri ption
du sin istre à l'ouverture, fortement enrichie par le Big Data
(procès-verbal de Police, expertise d ' u n expert d'assura nce,
peut-être premières constatations médicales, factures de
médicaments), permet de fa i re u ne évaluation immédiate
réa l iste, voire exacte, du sin istre corporel (nonobstant le secret
médical). Sur cette base, le Big Data permet de fixer la provision
du dossier de façon non forfa ita i re : c'est la fin de la pratique du
« coût moyen à l'ouverture » défi n i sur la base de l'expérience
d u passé.
En associant à cette démarche, somme toute prudentiel le,

une i nformation s u r l 'attitude de la victime et/ou de ses ayants
d roit (caractère revendicatif ou non, tendance à l'ouverture de
conte ntieux, etc.), on peut établir des scénarios prospectifs de
déroulement du processus d'indemn isation s u r la proba bi lité
d'une tra nsaction ou d'un contentieux, sur le paiement en
capital ou en rente, sur le nombre des tierces person nes, sur
c
0
:;:::;
l 'attitude en matière de fixation des indemnités de chacun
"'O
'CIJ des j uges saisis dans chacune des cou rs d'a ppel (esti mée sur
ca
0:::
\0
la base de statistiq ues disponi bles dans l'open data) en cas de
.-f
0
N
recou rs a u contentieux jud icia i re.
@
.µ
.s::. 0 Avec quelq ues trava ux mathématiq ues, le Big Data devrait offri r
CJl
·c
>-
a.
à l'assureur-indemnisateur une vision exacte des hypothèses
0
u q u i gouvernent l'éva luation d'un sinistre grave à un stade très
précoce. Les techn iciens com p rendront q u e ceci s'apparente à
u n ba rème prospectif, interne à l'entreprise, d'éva l uation des
sinistres corporels graves. Reste à fa i re admettre ces démarches
aux structures de l'entreprise, et à les faire accepter par les
Contrôles des assurances, inquiets peut-être de voi r passer

cette com pétence entre les mains des actuaires, sur la base
de scéna rios, avec la seu le responsabilité pour les « manage
ments » de décider de la « marge de sécu rité » nécessaire et d u
choix d u scé n a rio d e déroulement d e la liquidation d u sinistre.
Il en résultera pourtant u n e forte amélioration de l ' i m p l ication
de la gouverna nce dans la construction du provisionnement, et
donc du résu ltat, au moins des sociétés Dommages.
D L'exemple choisi est fortement i nspiré de la situation des

sin istres corporels Automobile, mais il s'applique à l'ensemble
d u provisionnement des sin istres graves de toutes natu res
(corporels ou non). Ces méthodes de projection permettent de
clore nom bre de débats avec les réassureu rs (vision du coût
probable des sin istres ga ra ntis), avec les comm issa i res a ux
com ptes, avec les contrôleurs (adhésion a u calcul d u S M P, aux
hypothèses des liqu idations des sin istres et aux bonis latents
de sin istres fondés sur les scénarios de référence choisis).
Conformément aux objectifs de la d i rective Solvency 1 1, cette
démarche de prévision de charges de sinistres fondées sur
des scénarios permet d'associer le ma nagement et le conseil
d'admin istration aux choix de provisionnement des sin istres
graves. Les décisions de localisation éventuelle de la m a rge
dans les provisions tech niq ues sont désormais explicitées, les
moyens de l'externa l iser a ussi .
1.4 Le Big Data modifie la teneur et l'ampleur des services asso

ciés à la gestion de l'indemnisation des Dommages .
.µ
.s::.
CJl
·c
Le fl ux d'i nformations massif et diversifié conduira l'assure u r à rénover
>
a.
0 en profondeur ses modal ités d'action en cas de sin istres. L'Assista nce
u
pou rra it deve n i r un acteu r incontou rnable de la réparation. Rempla
çant l'indemn isation, elle d isposera d'un e nsemble d'i nformations
sur le lieu de l'accident, ses mod a l ités, l'état du véhicule ou du bien
affecté, sur les conditions d'i ntervention d'acteurs sur place (experts,
répa rateurs), qui doivent dès lors i ntervenir ra pidement et efficace

ment. Cela concerne la mise en œuvre du dépann age, remorq uage et
répa ration du véhicule, avec l'ém ission d'un devis on fine de répara
tions et l'engagement sur un délai de réa l isation. Ce peut être aussi
l es conditions d' intervention dans des dommages aux biens lors de
catastrophes n aturel les, avec une bonne adaptation des moyens de
sauvetage mis en œuvre à la conna issa nce du risque assuré.
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.
Or, le vérita ble produit de dépenda nce est logiqueme nt u n pro

duit d'assistance, qui doit offri r, lorsque le besoin d'assista nce est
constaté, un service personnalisé à la personne dépenda nte. La
conna issa nce précise, de type Big Data, des ha bitudes, des besoi ns,
du lieu de vie de la personne est un éléme nt déterminant du ca librage
du prod uit. La conna issa nce des probabil ités de dépenda nce du cl ient
et de la gravité de l'état est éga lement fournie par les élé ments Big
Data, qui assurent une tarification exacte du prod uit. Sans exagérer
.µ
les perspectives « science-fiction », il est probable que la robotiq ue,
.s::.
CJl
·c
qui se développe au J a pon (où la dépenda nce des personnes âgées
>
a.
0 atteint des proportions considérables), et la réduction ra pide du prix
u
des robots « de compagnie » vont transformer la logique même de
produ its d'assu ra n ce (ou sans doute de services, l'aléa ne porta nt que
sur l'âge d'entrée en dépendance), qui seront tournés vers la fou rni
ture des moyens de maintien au domicile. Les robots domestiq ues
LE BIG DATA ET LES MÉTIERS DE L'A SSURANCE 1 109
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.
1.5 La prévention des résiliations en assurance de Dommages

sera le domaine d'élection d u Big Data dans le domaine de la
gestion des contrats.
Les études sont très proches de cel les d u ma rketing stratégique. Le

Big Data fou rnit une mine d'i nformations sur l'attitude des consom
mateurs à l'égard de l'assurance. C'est a ujourd'hui vrai des nouvel les
générations de clients, q u i écha ngent et se consu ltent sur les réseaux
sociaux pour leurs choix de formules d'assura nce et d'assureur, et
construisent, par ce moyen, la ré putation de l'assureur auprès des
mem bres de leur résea u . Cela expl ique l es efforts consentis par
certa i nes grandes e ntreprises pour assu rer, gérer, conforter, ré pa
rer leur réputation sur ces réseaux. Ces informations permettent
.µ
de segmenter les cl ientèles pote ntielles (les prospects), mais aussi
.s::.
CJl
·c
les clients en portefeuille, sur la base de leur attitude à l'égard de
>
a.
0 l'assurance en généra l et de leur assureur en particulier. On pou rra
u
désormais répondre aux questions a nciennes du « marketing de la
résiliation » : combien coûte un sin istre considéré comme mal réglé,
en résiliations de contrats ? Combien de clie nts/prospects sont tou
chés par la ma uva ise gestion du sin istre décrite sur Facebook, Twitter,
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 ... ).
2. Les contrats d'assurance de Personnes sont souvent cités

comme les « bénéficiaires » potentiels majeurs d u Big Data.
2.1 La gestion des contrats d' É pargne va connaître la véritable

:::: « révolution », chère à la marionnette de Tim Cook.
CJl
·c
>
a.
8 L'ensemble de la gestion fi na ncière est un contributeur certa i n à
l'expa nsion du Big Data. Si, com me on peut le penser, les contrats
d'assu ra nce Vie/ É pargne en U n ités de Compte se multi plient, la ges-
34. Catégorie socioprofessionnelle.

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.
Cette perspective i m pose de concevoir des prod u its d'architecture

ouve rte particulièrement performa nts, sachant que l'a rbitrage ne
sera plus une particu la rité exceptionnelle de quelques clients, mais
probablement une démarche générale. L'assureur devra donc géné
ra liser la proposition de modalités d'a rbitrage à ses clients sur les
contrats d'assurance Vie/É pargne en U n ités de Com pte.
2.2 Big Data ouvre la voie à u ne modélisation précise du compor

tement de rachat en assurance Vie/ É pargne.
Les a lgorithmes comportementaux prédictifs conduiront à construire

des groupes homogènes de comportements des clients, à a n a lyser
la proba bil ité de survena nce des événeme nts déclenchant le rachat
et la sensi bilité plus ou moins grande d u cl ient à cette survenance.
O n passe d'une logique d'extra polation sur le futu r des lapse rates
observés dans le passé à un effort de modélisation préd ictive.
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-
35. Risk/reward : comparaison entre le risque pris par l'investisseur et le rende

ment obtenu du placement.
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.
2.3 Pour les assurances de Santé, l'échange entre la tarification du

contrat et l'utilisation qui en est faite par le client est constant.
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 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.
Cette évol ution su ppose une modification, d'a i l l e u rs modeste, du

cad re réglementaire. À système j u ridique constant, la gestion du
risq ue Sa nté et la maîtrise des dépenses remboursées par le consensus
Assu ra nce maladie publique/assureurs com plémenta i res (assureurs,
mutuel les, institutions de prévoya nce) ne s'amélio reront pas. Avec
.µ
.s::. l'ouverture de l'open data, qui permettra it l'accès des assu reurs à
CJl
·c
>
a.
u n petit nom bre de don n ées (achats de médicaments/fréquence et
0
u coût des visites du médeci n ) et l'i ntégration d'une pa rtie d u monde
médical dans les ci rcuits d'i nformation Big Data, la modernisation du
service des soins et la maîtrise de ses coûts (et donc, des dépe nses de
sa nté) pou rra ient progresser fortement.
2.4 Le rôle du Big Data dans la gestion des divers contrats de

risques individ uels d'accidents (dont la GAV40}
Les modal ités de souscri ption de ces ga ra nties pourraient ressembler

demain à une toise issue de l'expérience, déterminant les proba bil ités
d'accidents du proposa nt en fonction de ses ca ractéristiq ues com
portementales (sports dangereux, i m portante activité domestique,
etc.). Sur la base d'un premier tarif où joueraient les exclusions en
cas de comportement dangereux, puis le constat de la sinistral ité du
clie nt (coûts et fréquences), la société d'assu ra nce devra it trouver u n
équili bre efficace d e l a tarification e n fonction des sin istres constatés
et des coûts de sinistres probabi lisés. Le Big Data a pporte ainsi aux
actuaires des bases renouvelées d'éva luation des probabil ités, alors
que la ta rification est aujourd'hui presque intuitive (coût moyen
x proba bilité recon n u e dans le passé pour chaque type de risq ue).
Mais l a ta rification sur le coût réel d u risque su ppose une gestion
très précise de l'éva luation individuelle des sinistres du client, ce q u e
n e permet pas l'actuelle gestion « a u coût moyen d'ouverture des
sin istres ». L'a mélioration de la prévision des coûts de sin istres se
traduit par un accroissement de la pertinence du ta rif et donc de son
accepta bil ité.
3. Réassurance et protection du capital
Le Big Data permet l'exploitation opti m a le du calcul de la proba bilité

de ruine présentée par les contrats en portefeuil le. Celle-ci est définie
par u n événement de période de retour de deux cents ans dans l a
d i rective Solvency 11, m a i s les entités peuvent fa i re des calculs spéci
.µ
fiq u es sur d'autres proba bilités, et surtout ca lculer plus précisément
.s::.
CJl
·c
l e u r protection nécessaire de capita l par la réassurance. I l amél iore
>
a.
0 a ussi su bsta ntiel lement l a q u a l ité de la modélisation des cumuls de
u
risque et du risque catastrophique sur les portefeuilles de contrats.
40. Garantie des Accidents de la Vie.

Comme on l'a vu dans le chapitre sur la ta rification, le Big Data génère

une tarification actuarielle d u coût du risque, q u i s'a ppa rente à une
démarche de choix d'une conservation plus ou moins large du coût
du risque par le client. Ce principe s'a pplique naturellement dans la
relation de l'assu reu r cédant avec le réassureu r, dont l'intervention
s'a ppuie sur le coût en ca pita l pour l'assureur de catastrophes modé
lisées sur des portefeuil les désormais mieux connus et a ppréhendés.
Pa rmi d'autres facteurs, et nota mment la réglementation Solvency I l,

le Big Data devra it sortir l'acquisition de réassurance de son statut de
« coût d'exploitation » pou r en faire un élément de prise en cha rge
de l'exposition a u risque, notam ment catastrophique, dès lors que

le Big Data en améliorerait la conna issa nce et fia biliserait les valeurs
de Sinistres maxi maux possibles, donc les plafonds de réassura nce
choisis par la société céda nte.
* *
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).
Ces évol u tions ne mettent pas en cause les réglementations q u i pro

tègent la vie privée des clients. Le Big Data permet seulement, dans
ce doma ine de la gestion, d'obtenir (et surtout de traiter) u n nom bre
considérable de don nées. Celles-ci font gagner de l'effi cacité dans les
process de gestion, la définition des besoins et des coûts de réassu
ra nce et permettent de prévoir, donc de lutter efficacement contre
les résiliations et rachats. L'a pplica tion du Big Data à la gestion de
contrats sera peut-être la principale sou rce de résultats positifs, et
donc de création de va leur pour l'assureur, a lors que pour la ta rifica
tion et le ma rketing les coûts élevés d'i nvestisse ment en recherche
actuarielle et en développements informatiques, a insi que les ba isses
de tarif attendues par le client, font craindre de la destruction de
va leur pou r l'assureur.
.µ
.s::.
CJl
·c
>
a.
0
u
Chapitre 7
Une assurance sans fraude ?
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.
1. L'existence de la fraude à l'assurance est avérée.
Les éva l uations en sont souvent très généreuses (5 % des primes ?

2,5 milliards d'eu ros ?), comme il est d'usage dans ces matières. I l
existe d e même des éva luations de la fra ude fisca l e et sociale en
.µ
.s::. d izai nes de milliards d'euros. Malheureusement, ces ch iffres sont
CJl
·c
>
a.
i nj ustifia bles et, surtout, i l s mêlent des données de nature d iffé
0
u rentes : d u modeste complément de répa ration d'un véhicule obte nu
d u ca rrossier et d u bris d'optique de phare de complaisance, à la
fra ude à l'état de sa nté lors de la souscri ption d'une i m portante assu
ra nce décès, et à la construction d'un sin istre incendie où les biens
détru its sont suréva lués, etc. Sans parler des intrigues de roman
policier, heureusement le plus souvent imaginaires, sur les fa ux cam

briolages et la revente à l'étra nger des œuvres d'art volées, afin de
contou rner la législation fra nçaise et d'a ugmenter le prix de vente de
ces objets d'art.
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-
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.
2. L'apport du Big Data à lutte contre la fraude
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
comportements fraudu leux fe ront frémir une société civile soucieuse

d u cloisonnement de l'information. Seraient a i nsi considérés comme
des clients potentiellement tentés par la fra ude à l'assu rance ceux qui
présentera ient les ca ractéristiq ues su ivantes :
• La multipl ication d'a mendes pour station nement i nterd it non

payées.
• Les découverts banca i res mu lti p l iés, ou d ifficilement couverts.

• Les pratiq ues en matière de sa nté, tel les que les consu ltations
m u lti ples de praticiens, et le recours systématique aux indem
n ités journalières sans ce rtificat médical, donc à l'a bsentéisme
indem nisé.
• Les déclarations multiples de bris de glace a utomobiles.

• Etc.
La possibilité de concentrer l'i nformation sur le com portement du client

potentiel est un facteu r efficace de gestion de la souscription et de la
sélection du cl ient. U ne partie im portante de l'i nformation concerne
la situation financière du client et donc sa propension à « fai re payer
par l'assureur » l'entretien de son automobile ou la gestion de ses
dépenses de santé et celles de sa famil le. La souscription d'un contrat
complémentaire d'assurance Santé individuelle à la veille d'une opé
ration d'orthodontie ou d'une hospita lisation (dont la réal isation est
connue d u cl ient avant la souscription) peut être ainsi refusée, dès lors
que les informations utiles sont disponibles pour l'assu reur.
Cela peut conduire à u n e utilisation intrusive d u Big Data, puisqu'il

.µ
.s::. s'agit de détecter des probabilités de comportement frauduleux,
CJl
·c
>
a.
et non de préjuger la reconduction dans l'ave n i r de comportements
0
u constatés dans le passé. Les risques d'erreurs demeurent, même si,
s'agissant d'un refus de souscription, el les ne sont pas répréhen
si bles : l'assure u r aura sim plement perdu - peut-être à tort - u n client
potentiel. Cela peut aussi se traduire par des a ugmentations de taux
de pri mes « justifiées » par des proba bil ités de comportement fra u-
d u leux. Mais i l s'agit chaque fois de présom ptions ou de probabil ités

de fra ude, et donc de prévention de la fra ude.
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.
Le Big Data devra it considérablement renforcer les ana lyses de

sinistres incendies et vols : la domotique et les méthodes de surveil
lance en conti n u e des immeubles, nota m ment ind ustriels, doivent
permettre de sécuriser ceux-ci bien mieux que les vieux systèmes
d'a larme. Pa r conséquent, les chances de détection des fra u des
(décla rations mensongères des stocks détru its par exemple) sont
considéra blement augmentées. La conna issance plus précise de la
situation fi na ncière de l'e ntreprise donne à l'assu reur des indications
sur la probabilité d'un sinistre. L'assu re u r, en payant le sinistre incen
die e n perte tota le d ispense l'assuré de rechercher un repreneur
ind ustriel qui n e lui aurait peut-être pas consenti u n prix d'achat aussi
é levé que l'indemnité résultant de l'a pplication d u contrat d'assu
ra nce. U n e situation fi na ncière dégradée fait naître des probabil ités
accrues de sin istre incendie.
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
mêmes fi ns. Si l es Pouvoirs pu blics se montrent très réticents - c'est

le moins que l'on puisse écri re - à a utoriser l'accès à des don nées de
sa nté - dont on sait q u'el les permettra ient de détecter des com por
tements fra ud u leux -, ils sont très insistants à associer les assu reurs
à la lutte contre le blanch i ment et la fraude fiscale. Ce n'est pas l a
moind re des ambiguïtés d a n s l'ouverture d u Big Data aux assu reurs
et aux institutions fi na ncières.
* *
La disponibi lité de masses d'informations est méca niquement u n e

a r m e contre la fra ude à l'assura nce. M a i s le Big Data permet-i l vra i
ment un quantum leap, une rupt u re créatrice dans le modèle de la
détection de la fra ude ? Les spécialistes de la lutte contre la fra ude
en sont conva incus et, dès le début des a n nées 2010, ils ont large
ment développé le thème. I l en est résu lté un grave problème de
com m u n ication avec les clie nts. Les assu reu rs éta ient sou pçon nés de
vouloir constru i re Big Brother pour espionner les assu rés et refuser
l'indemn isation de sinistres due. On ne peut imaginer pire. Or, le
sentiment généra l a ujou rd' h u i est q u e le Big Data doit permettre de
détecter des comportements potentiellement fraudu leux a lors que
la fra ude n'est pas réa l isée. I l s'agit d'une aide précieuse à la sélection
des prospects ou, peut-être, de moyens de résiliation de clients en
portefeuille dont le comportement, observé à travers le Big Data,
pa raît se dégrader. Si tel est bien le cas, l'uti l isation du Big Data serait
plus accepta ble par la société civi le. L'assureur n'uti lise pas Big Data
.µ
.s::. pour essayer de « ne pas payer les sinistres », mais pour faire son
CJl
·c
>
a.
métier de sélection des prospects et de rési l iation de cl ients dont la
0
u fréquence de sinistres est excessive ou qui sont « soupçonna bles » de
blanch iment d'argent ou de fra ude fisca le.
Cette détection précoce d'une « potentialité » de fra ude, voi re la

construction d'un sou pçon d'attitude fra u d u leuse d u client ou du
prospect, ne règle pas l'ensemble des difficu ltés d u sujet.
La notion même de soupçon pose question dès lors qu'elle j ustifie le

refus d'assurance. Ce peut être une sa nction excessive, qui i ntervient à
un moment où l'i nfraction n'a pas été commise, donc sur la base de pré
somptions. Celles-ci sont forgées sur l'observation d'un com portement
dont l'assureur a eu connaissance sans que le prospect ou client y a it
consenti. La présom ption comportementa le de fra ude à l'assurance est
donc un concept d ifficile à uti liser. D'autant plus que ce sou pçon devrait
être communicable entre assureurs. La réglementation s'y oppose,
mais pas en matière de blanchi ment d'argent délictueux. Le « fichier
des personnes au comportement frauduleux potentiel » pourrait ainsi
être le produit le plus critiqua ble du Big Data. Outre son ca ractère
jurid iquement répréhensible, il conduit à exclure de l'assurance un cer
tain nombre de personnes, en nombre plus im portant qu'aujou rd' hui.
Pou r les assurances obligatoires, la seule solution serait d'élargir le
champ d'application des « Bureaux centraux de tarification », avec des
contra i ntes nouvelles de surveilla nce du comportement des assu rés
bénéficiaires de ces tarifs réglementés.
Il reste donc à fa i re un considérable effort d'élucidation pou r la

société civi le où le soupçon d' « espion nage », via l e Big Data des
clients sinistrés, est désormais insta llé. À l'inverse, la volonté des
Pouvoi rs publ ics d'associer l es assureurs aux objectifs de lutte contre
le blanchiment et le fi na ncement du terrorisme peut être u n moyen
de conva incre ces mêmes Pouvoirs publics d'ouvrir u n large accès
des assu reu rs a u Big Data et d'a utoriser la tenue de fichiers d'assu rés
indélicats, aujourd' hui pratiquement interdite.
D'une ma nière générale, les sujets de détection et de prévention de

.µ
la fra ude à l'assurance grâce au Big Data risque nt, si les contrepa rties
.s::.
CJl
·c
en matière de ta rification et de gestion des contrats ne sont pas mises
>
a.
0 en valeur, de menacer l'acceptation par la société civile de l'utilisation
u
des données abondantes par les assureurs. Le risque est alors grave
que l'on passe d'une util isation mutuellement profita ble et consentie
à l'uti l isation sans consentement du client, donc clandesti ne, et sans
profit pour le consommateur.
.µ
.s::.
CJl
·c
>
a.
0
u
Annexe
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 ) .
1. La C N I L expose les finalités du traitement d e l'information :
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.
• La gestion des a lertes (en i nterne à l'entreprise, et sur la fra ude

c
0
:;:::;
exte rne), en cas d'a nomalie ou de signalement.
"'O
'CIJ
ca
0:::
• La constitution de « listes de personnes dû ment identifiées
\0
.-f comme auteurs d'actes pouvant être constitutifs d'une
0
N
fra ude » : nécessaire « afi n de respecter la régleme ntation
@
.µ
.s::. a pplicable en matière d'a ppréciation de surve i l lance et de maî
CJl
·c
>-
a.
trise des risq ues sous Solvency I l » (sic !).
0
u
• La gestion des procédures contentieuses en cas de fra ude .
• L'exécution des dispositions contractuelles, législatives, régle

menta i res ou admin istratives (fiscal ité et blanchiment).
2. Les données accessibles sont :

• Les données relatives à la passation, l a gestion et l'exécution
des contrats (Vie personnelle en relation avec les risq ues assu
rés, Sa nté avec le consentement exprès de l'i ntéressé).
• Les données relatives à la gestion et au suivi de la relation com

merciale (y compris les habitudes de vie en lien avec la re lation
com mercia le).
• Les don nées relatives aux infractions, condamnations et
mesu res de sûreté.
• Le N I R, nu méro d'identification de la Sécu rité sociale, n'est
uti l isable qu'au profit des orga nisations d'assura nce maladie
obligatoire ( position systématique de la C N I L).
• Les données collectées a u titre de la gestion admin istrative d u

personnel (fra ude i nterne) : données restreintes a u x req uêtes
ponctuel les et individuelles.
• Les don nées relatives aux anomal ies, incohérences et signale

ment pouvant révéler une fra ude : très large défin ition.
• Les données relatives aux investigations, à l'i nstruction de la

fra ude et à la définition d u périmètre de la fra ude.
• Les données issues des bases de don nées internes ou externes

(Alfa41, Argos42, etc.).
• Les don nées d'ide ntification des personnes intervenant dans la
détection et la gestion de l a fraude .
.µ
.s::.
CJl
·c
>
a.
0
u
41. Association professionnelle de l utte contre la fraude à l'assurance Incendie.

42. Association professionnelle de l utte contre la fraude à l'assurance Automo
bile et l'aide à la récupération d'automobiles volées.
3. L'information des personnes

• Premier nivea u : information générale des sala riés et man
data i res a insi que des assu rés de l'existence de traitements
a nti-fra ude dans l'entreprise.
• Second nivea u : i nformation systématique sur la mise en

œuvre d'un « d ispositif de lutte contre la fraude susceptible
de conduire à l'inscri ption sur une liste de personnes présen
ta nt un risque de fraude ». La liste des fra udeurs potentiels est
donc licite, et elle peut être d ressée dès la signatu re d u contrat
d'assura nce (ou de travai l pou r la fra ude i nterne). La q uestion
demeure toutefois entière de savoir si elle est transmissible à
d'autres assureurs .
.µ
.s::.
CJl
·c
>
a.
0
u
.µ
.s::.
CJl
·c
>
a.
0
u
Chapitre 8
Les hommes et les machines du Big Data
e Big Data révol ution ne, ou a u moins recompose, la ta rification,

L le marketing et la gestion des contrats d'assura nce, soit d'ores et
déjà pour les plus prudents, soit à terme pour la p l u pa rt des entités
d'assu ra nce. Pou r a utant, le position neme nt de ce q u'on peut a ppeler
les « activités Big Data » dans la chaîne de va l e u r n'est pas encore
cla i r. Concrètement, les entreprises d'assu ra n ce, éventuellement
a ppuyées sur des sociétés spécial isées q u'el les fi na ncent, riva l isent
avec des structures commercia les, des courtiers, qui souha itent
développer vite des prod u its nouveaux, fondés sur l'ana lyse fi ne et
prospective des besoins des clients, et u n e ta rification innova nte.
La q u estion est celle des délais de réalisation que l'une ou l'autre
structure se don ne, celui de la recherche fonda mentale ou celui
de l'a ppl ication im méd iate, même imparfaite. E l l e est a ussi celle
des ressou rces disponi bles, en person nels, en tem ps/machin e, en
ca pacité de développement et en i nvestissement. Elle s'a n a lyse
e nfi n en termes de maîtrise des processus et de leur exploitation,
dans une i ndustrie dont on ne sait pas assez q u'elle vit sans brevet,
et où les processus (les a lgorithmes de ta rification) sont des secrets
de fa brication, malheureusement mal protégés. Cela devient crucial
si l'exploitation d u Big Data crée une brèche dans le business mode/
traditionnel de construction de la marge dans l'assurance .
.µ
.s::.
CJl
·c
1. L'organisation « Big Data » dans l'assurance pose des défis
>
a.
0 majeurs en termes d'allocation des ressources à l'intérieur
u
des entreprises et de définition des fonctions.
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
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.
Ces structures vont créer des besoins de recrute ment et de forma

tion d'ingénieurs SI a ptes à suivre et com prendre les besoins des
uti l isateurs et des spécialistes SI du Data Mining. O n voit, par ailleurs,
a ppa raître la fonction de data scientists, spécialistes de l'a na lyse
des besoins d'i nformations, de la recherche des sources perti nentes
d' information, et de l'util isation des moyens nouveaux de recueil de
ces informations. On parle de don nées « à bas bruit » pour désigner
les signaux peu nom breux, mais très révélateurs de l'évolution de
la clientèle. Les data scientists sont les explorateurs de ces signa ux.
Encore fa ut-il que les spécial istes du ma rketi ng et les actua i res de
ta rification sachent guider leur recherche et i nterpréter les i nforma
tions recueil l ies. La gestion de ce dia logue techn iciens/uti lisateurs
d'un nouveau ge n re est un défi pour les d i rigeants, les orga nisateurs
et les gestionnaires de ressources hu mai nes des entreprises de cour
tage ou d'assura nce.
L'actua riat garde sa fonction de générer des tarifications fondées non

.µ
plus sur l'ana lyse rétrospective de la « fréquence x coût moyen des
.s::.
CJl
·c
sinistres d'une mutualité de clients », mais sur la génération d'algo
>
a.
0 rithmes prospectifs com portementaux. Curieusement, les actuai res
u
expriment souvent des inqu iétudes sur leur situation dans ce pro
cessus de production vis-à-vis des data scientists. Les missions et
fonctions semblent pou rta nt suffisa mment d ifférenciées pou r que le
Big Data ne mette pas en péril l es travaux de ta rifi cation, voi re de
conception des prod u its, ou de la contri bution a u ma rketi ng straté

giq ue, et moins e ncore la conception des modèles de catastrophe, de
rachat, de provisions de sinistres, qui sont l'affa i re des actua i res et le
demeureront, même si les mod a l ités de ca lcul cha ngent.
S'il ne fait pas de doute que les professions de data scientists et

d'actuaires occu peront chacune un territoi re spécifique de l'activité
Big Data, l'orga n isation des entreprises peut être va riable.
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
offre, et enfin d'orga niser la com m u nication avec les « métiers » de

l'assura nce. L'objectif est d'explorer efficacement ce que ces don nées
peuvent a pporter à la gestion de l'assura nce.
L'inconvé nient de la création de ces structures de recherche dédiées

est i ntu itivement perceptible. E l les peuvent s'orienter exclusivement
vers les données et les outils de collecte, sans vra iment se préoccuper
de leur emploi par l'assu reu r, nota mment si les data scientists restent
fa iblement com pétents dans les métiers et dans l'a na lyse des besoins
de data perti nents pour l'assura nce. L'activité actuarielle a un rôle
déterm inant à jouer dans cette orga n isation. Les actua i res doivent
être l es i ntermédiaires efficaces e ntre les acteurs de « métiers »,
indispensables dans la conception des produ its et la mesu re de la
com pétitivité des ta rifs et prod u its mis sur le marché, et les data
scientists. Aux uns, ils peuvent décrire ce qu'il fa ut chercher, aux
a utres, ils peuvent exposer les i n novations que permet le Big Data, en
.µ
.s::. les i l l ustrant de travaux de ma rketing stratégiq ue, de calculs de tarifi
CJl
·c
>
a.
cation, ou de propositions de tech niq ues d'éva l uation des sinistres ou
0
u des proba bilités de rachat en assura nce Vie.
Comme toujours dans les processus innovants, le passage de la

recherche à l'appl ication est lent et complexe. Le risque d'isolement
du centre de recherche par ra pport aux actua i res et aux métiers
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.
Dans les d iscours, chacun se dit conva incu de l'opportu nité de

l'approche multiforme du client (le « mu ltica nal » ) . Mais la réa l ité
de terra i n est sans doute encore éloignée de l'objectif stratégique.
L'agent général ou le guichetier peut douter de l'utilité de proposer
deux contrats Automobile plus ou moins concu rrents, l'un fondé
sur le Big Data et l'autre sur les bases tradition nelles de ta rification.
Comment expliquer au gestionnaire de sinistres que le Big Data
déterm ine désormais l'éva luation du sinistre grave selon u n ba rème
que l e gestionnaire ne contrôle pas, et qu'il va être rééva lué selon
des a lgorith mes prédictifs, q u i écha ppent à sa com pétence, à lui qui
éta it naguère seul maître de l'éva l uation et de la « révision a n nuelle »
d u coût du sin istre ? C'est la nouve l le fonction du gestionnaire que
de vérifier/com menter/critiquer l'a pplication d u barème d'éva luation
et de proposer la constitution de marges de précaution ; le tout en
cohérence avec les travaux actuariels d'éva luation de best estimate et
de marge de sécu rité im posés par Solvency I l . On perçoit l'im portance
de l'effort de persuasion à mener par les ma nagers et des dépenses
de formation à consenti r sur un grand nom bre de métiers, en incluant
.µ
.s::. les data scientists, q u i doivent a pprendre l'assurance, et les actuaires
CJl
·c
>
a.
q u i doivent a pprendre de nouveaux modèles de prévisions.
0
u
Dès lors, pl utôt que d'i ntégrer d a ns leur structure l es activités Big
Data, les entreprises peuvent être tentées de créer des structures
spécifiques ou de soute n i r des acteurs qui se créent autou r de l'exploi
tation du Big Data (les fintechs). Les risques de ces développeme nts
sont nom breux.
• Cloisonnement éta nche entre l es structures Big Data et les

structures tra d i tionnelles, excluant toute cross-fertilization,
e ntendue comme l'utilisation mutuellement bénéfique des
d iverses a pproches du client. Le Big Data devient, comme
jadis le téléphone pour l es « assureurs d i rects » , un nouveau
ca nal de d istri bution, frontalement concu rrent des réseaux
existants. La société traditionnelle ne bénéficie en rien des pro
grès potentiellement majeurs du Big Data. Mais les d ifficu ltés
de gestion de multi ples réseaux se trouvent résolues par leur
négation même.
• Difficu ltés d u business mode/. Les coûts du la ncement d'un

projet Big Data sont i m po rta nts (plusieurs millions d'eu ros
pour des proofs of concept) . L'a mortisse ment en est d ifficile
si l'entité n'est pas adossée à une gra nde entre prise, qui peut
a mo rtir ces coûts par la réassurance des risques et surtout
fou rnir le soutien de ses systèmes d'i nformation.
À l'i nverse, ces sociétés fintechs gèrent un portefeuille q u i leur est

propre, dont el les maîtrisent tota lement la structure et le com porte
ment, et q u i est d'emblée souscrit dans une perspective « client » et
non « prod uit ».
D'a utres sociétés peuvent considére r q u e la logique du Big Data

est celle des systèmes d'i nfo rmation et que, fonda menta lement,
l'exploitation du Big Data revient à la DSI. Cel le-ci se comporte alors
comme elle l e fait traditionnel lement avec les u ti l isateurs des grandes
a ppl ications existantes (ta rifs dom mages, progra m mes de gestion des
sinistres ou de liquidation des rachats, etc.). Lorsq ue la col l a boration
.µ
.s::. entre i nformaticiens et uti l isateurs est bien rodée, ce q u i est le cas
CJl
·c
>
a.
dans de nom breuses sociétés, cette orga nisation permet le la ncement
0
u ra pide de proofs of concept ( prototypes) ra isonna blement coûteux et
i m méd iatement reconnus comme utiles ou comme constituant un
progrès pou r les util isateu rs. On peut voir, d a ns ce cad re, se déve
lopper des projets Big Data dans leur conception (Hadoop, méthode
« Agile » , voi r Cha pitre 1), mais à usage i nterne à l'entreprise, et
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.
Une orga nisa tion t raditionnel le, où les i nformaticiens développe

ra ient la Data Science et bénéficieraient di rectement de l'a pport
des data scientists n'est pas nécessa i rement inefficace ou passéiste .
Force est d'admettre cependant que la tendance du m a rché est de
s'a ppuyer sur de petites entreprises de service réactives. Certa ines
grandes entreprises s'attachent d'ailleurs à promouvoir et fi nancer
ces jeu nes sociétés innovantes ( n u rseries), quitte à les a bsorber en
temps u tile.
2. Les aspects R H et formation du Big Data
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.
L'essentie l des recrutements est lié à l'émergence de la « profession »

de data scientist. À ce stade, il est douteux que la « conversion » et la
formation des salariés présents dans l'entreprise, soit dans les struc
tures de gestion de l'i nformation, soit dans l'actuariat, permettent de
développer une compétence de data scientist. I l convient de s'assurer
.µ
.s::. que les nouveaux a rrivants sont suffisa m ment com pétents en assu
CJl
·c
>
a.
rance et surtout en ma rketi ng des services et de l'assurance pour être
0
u utiles. Le tout n'est pas seulement de savoir chercher dans les bases
43. International Financial Reporting Standards. Sta ndards comptables obli

gatoires depuis 2002 pou r toutes les entreprises cotées ou fa isant a ppel à
l'épargne publique.
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.
Pour les actua i res des e ntreprises, la démarche de formation n'est

pas moins im porta nte. I l faut entreprend re la réfl exion sur les nou
velles données pertinentes des métiers de ta rification et de gestion
des contrats, surtout si le nouveau ma rketing i ntrod uit une nouvelle
conception et restructure les produ its d'assurance eux-mêmes et pas
seulement leur ta rif. Cette démarche de formation s'a pplique aux
souscri pteurs et aux gestionnaires de contrats, ca r i l s'agit d'une évo
lution du métier et non, comme certains semblent le craindre, d'une
d is pa rition de celui-ci.
Les actuaires pou rraie nt être les certificateu rs de la pertinence des

don nées au regard des ta rifications proposées au client, et donc
être amenés à j ustifier des évolutions de la ta rification d'une a n née
à l'autre, en fonction de l'évolution du com portement du clie nt. Le
ta rif est alors conçu comme une « boîte noire » dont seul l'actua riat
détiendrait la clé. L'actu a i re devient le gardien des données et le cer
tifi cateur de leur perti nence, c'est-à-dire le décideu r de l'adm ission
de nouvel les don nées dans le tarif, le responsable de la q u a l ité de
.µ
ces don nées, a i nsi que de la construction des groupes pertinents de
.s::.
CJl
·c
comportements homogè nes. Il est a ussi chargé d'exa miner la proba
>
a.
0 b i l ité prospective de maintien des comportements et des éca rts à la
u
moyenne des comportements au sein des groupes perti nents. Enfi n,
l'actua riat serait l'acteu r majeur de la vérification de la « conform ité »
d u recueil de don nées avec l es règles existantes et à venir, concernant
la protection de la vie privée des person nes.
Ce sont probablement les sujets majeurs de la politique de forma

tion et de certification de com pétences de l'entreprise. Les actuai res
n'a u ront pas le rôle de « chercheurs » ni de « collecteurs » des don
nées, mais ils e n deviendront les « uti l isateu rs res ponsa bles » . De la
même façon que se développe une certification des com pétences
en matière de risk management (gestion du risq ue), il est probable
que s'éta blira une certification d'aptitude à la compliance dans le
domaine d u recue i l et de l'utilisation des données.
La d i rective Solvency I l a institué, au titre des « fonctions clés », les

fonctions a nglo-saxonnes de Chief Actuary ( les provisions) et de Chief
Risk Officer (la « gestion d u risque et le contrôle i nterne » ). Le Big
Data pou rrait renforcer su bsta ntiel lement la fonction compliance
(conform ité), aujou rd'hui très j u ridique et proche de la notion de
« protection du consommateur », et l'orienter vers la certification de
la conformité des don nées utilisées avec les règles de protection de

la vie privée. À moins que la fonction de Chief Data Office" qui pour
ra it se développer grâce à la pol itiq ue de qualité des données et de
gouvernance de ce lle-ci promue par !'Autorité de contrôle prudentiel
et de résolution (ACPR) dans les entités d'assura nce, ne prenne en
charge l e contrôle de la conformité de l'util isation du Big Data dans
l'e ntre prise.
* *
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.
Solvency I l et l'ACPR sont très attentives aux conditions de « sous

tra ita nce » (externalisation ) de ce rta ines activités. Le porteur de
risques restera souscripteur des contrats, et devra contrôler leur tari
fication et leur gestion (y compris les cha ngements de tarifs à l'avenir
plus volati ls). L'entité porteuse de risques reste responsable de ses
résu ltats, de sa solva bil ité et de la « conformité » des conditions de
souscription. Cela ouvre des perspectives aux fonctions actuelles des
responsables SI et actua riat des entreprises. Les structu res commer
cia les seront éga lement concernées et devront être formées à ces
nouveaux concepts. Les d ifficu ltés pour les gestionnaires de réseaux
commerciaux l iées à l'ouverture d'un nouveau ca nal de distribution
ou la proposition d'une nouvelle ga mme de produ its, fût-elle promue
par un nouveau ca nal de cou rtage, devront être maîtrisées. La forma
tion des gestionnaires de réseaux sera im portante q u a nd la gestion
« mu ltica nal » connaîtra de nouveaux développements. La clientèle
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
e Big Data va mod ifier la pratique de presq ue tous les métiers

de l'assurance pour peu que sa mise en œuvre ouvre des pers
pectives de croissance du ch iffre d'affai res, d'amélioration ou
de maintien de la renta bil ité des acteurs de la chaîne de valeur,
et de respect des normes de solva b i l ité. C'est la « pierre d'achoppe
ment » des projets. La « révolution » de Tim Cook n'aura lieu que
si, ma lgré les redistri butions de m a rge et les ouvertures d'entrées
sur le m a rché, les entités d'assurance - soum ises à une plus forte
concu rrence - trouvent un business mode/ efficace dans la gestion
de masses de don nées nouvelles. Le sujet n'est pas mince : la plupart
des in novations dans la commercialisation et la gestion des prod uits
d'assura nce lancées au cours des trente dernières a n nées ont échoué
.µ
sur l'écueil économique de la renta bilité. Big Data ouvre des perspec
.s::.
CJl
·c
tives de progrès majeurs, ce rtes, mais à quel coût ?
>
a.
0
u Le premier cha pitre vise à déterminer, e n s'a p puya nt sur la descrip
tion de la chaîne de va leur de l'assu ra nce, qui est le mieux placé pour
extra ire la va leur de don nées brutes, et comment pou rrait s'orga n iser
cette extraction.
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.
Le chapitre su ivant présente le business mode/ de l'entité d'assurance

utilisant le Big Data et propose une méthode de mesure du retou r sur
i nvestissement de l a démarche Big Data.
Le dernier chapitre ouvre des perspectives s u r la fa isabil ité de

ce business mode/ dans le cadre de la réglementation fra nçaise et
e u ropéenne sur la gestion des données Big Data et les stratégies
d'entreprise q u i peuvent être m ises en place .
.µ
.s::.
CJl
·c
>
a.
0
u
Chapitre 9
Big Data et création de valeur :

qui est le mieux placé ?
e Big Data est perçu a lternativement comme une menace et
L comme « un défi » par certains assu reu rs q u i s' inquiètent de
voir des ind ustriels ou des sociétés de services déte n i r des masses
d'i nformations utiles ou nécessa i res à l'activité d'assurance et qui,
par conséq uent, sont en position de faire le métier de l'a ssureur « à
sa p lace ». D'autres considèrent que le métier prévaut sur l es outils
et qu'il faut donc adapter les méthodes de trava i l et les systèmes
d'i nformation à l'arrivée des masses de don nées considérables, non
structurées, mais donnant une vision globale du client/assuré, infi
n i ment plus précise que celle résu lta nt des ha bituels q uestionnaires
et documents « souscrits » par le client (« proposant » ) lors de sa
demande d'assurance. Les uns voient Google devenir un gigantesque
comparateur et courtier d'assu ra nce, les autres trava i l lent à adapter
les systèmes d'i nformation des entreprises et l'ensemble de l'actua
riat à une « révol ution copern icienne » du métier qui deviendrait non
plus statistique (et donc rétrospectif), mais prédictif. Ils recrutent
a ussi des data scientists qui doivent conduire et facil iter cette révolu
tion des orga n isations tradition nelles.
Les questions qui conditionnent l'aven i r du Big Data dans l'assu

ra nce sont beaucoup plus économiques que technologiques.
.µ
.s::. Aujourd'hui, la réaction des dirigeants des entreprises d'assura nce
CJl
·c
>
a.
est trad itionnelle : refus net du « pay how you drive » par certa ines
0
u grandes mutuel les, i nvestissement massif de gra nds groupes dans
la Data Science, d iscours sur la « digital isation » du métier d'assu
reu r. La réflexion ratio nnelle sur la possibilité de m ise en place de
stratégies du Big Data dans l'assu ra nce est fondée sur la réponse à
deux q uestions : comment le Big Data mod ifie-t-il la renta bil ité ou la
profita bilité de chacun des éléments de la chaîne de va leur de l'assu

ra nce et, par conséquent, la répa rtition de la marge tech nique entre
les « maillons » de la chaîne ? Et q u i est le mieux placé (assureurs,
d istri buteurs, sociétés extérieures à la Profession) pour extraire de
la va leur des don nées, et donc a ménager la chaîne de valeur de
l'assu ra nce à son profit ? Cela pose a ussi la q uestion des ba rrières à
l'entrée dans l'assura nce, jadis considérées comme très solides. Le Big
Data, parfois ra pidement assigné aux gra ndes entités d'assura nce, ne
favorise-t-il pas au contra i re l'activité de start-ups, de cou rtiers Inter
n et, de sociétés de marketing, au moins autant qu'AXA ou Google qui
semble avoir renoncé à développer son activité d'assu ra nce ?
1. Le Big Data et la répartition de la marge dans la chaîne de

valeur : dans q uel segment le Big Data crée-t-il de la valeur ?
Si nous choisissons de poser la q uestion de façon bruta le : « À quelle

activité le Big Data ra p po rte-t-il de l'argent » ? C'est que la q uestion
est fi nalement ra rement posée. Tout se passe comme si le choix était
a utre, fa i re ou ne pas fa i re, adopter ou non une stratégie d'util isation
du Big Data, voi re considérer que l'adoption de cette stratégie est iné
lucta ble, sans considérer les perspectives de mod ifi cation d u niveau
et de la répa rtition de la m a rge tech nique q u i en résultent.
1.1 Le marketing o u plus précisément l'approche efficace du pros

pect et la gestion active d u client suscitent immédiatement
l'i ntérêt des assureurs.
Le Big Data dessine la perspective d'un vérita ble marketing stratégique

.µ
fondé non plus sur l'ancien concept de la catégorie socioprofession
.s::.
CJl
·c
nelle, mais sur la création de grou pes homogènes de comporteme nts
>
a.
0 que le Big Data permet d'identifier et de constituer. En outre, par
u
ricochet, le Big Data permet au marketing de l'assu ra nce d'a pprocher
de façon efficace ses principaux fou rn isseurs de données, les généra
tions X et Y et autres digital natives. Ceux-ci, coutu miers de l'usage de
Facebook, Twitter, Li n kedln sont peu sensibil isés (en tout cas moins
LE BIG DATA ET LES ENTREPRISES D'ASSURANCE 1 143
que leurs aînés) à la protection de la vie privée, puisqu'ils consentent

de facto à sa large pu blicité.
1.2 En termes de création de valeur, ce redéploiement du marke

ting produit cinq nouvelles sources de marge pour l'activité
commerciale.
D Le déma rchage « dans le d u r » est considéra blement amélioré :

on contacte par tous moyens le « bon » prospect correspondant
à la cible comportementale recherchée. Le taux de tra nsfor
mation du prospect e n client est fortement augmenté. L'accès
a u client est assu ré par u n e publicité I nternet ciblée, bien
meil leure que les cam pagnes d'affi chage et de télévision dont
le coût est su péri e u r à l'accès à la publ icité sur Google (achat
de position sur le bandeau, etc. ). Les économ ies de coûts sont
fortes, l'efficacité de la démarche commercia le amélio rée et,
par conséquent, la m a rge tech nique accrue. Ce ra isonnement
est d'a utant plus pe rti nent que les frais de commercial isation
sont lourds, ce q u i est le cas pou r les ass u ra nces de Risques
( Biens, Responsabil ités, Sa nté et Prévoya nce).
D Le Big Data ouvre l'a p proche de la life-time value44 d u client. I l

montre donc l a voie à u n marketi ng efficace d e fidélisation d u
clie nt par mu lti-déte ntion, gestion des événements patri mo
niaux prévisibles du client, efforts toujou rs efficacement ciblés
pour éviter la résiliation des contrats. Là encore, la marge de
l'assureur porteur de risque et/ou du distri buteur est confor
tée : meilleur a mo rtissement des frais de commercial isation,
.µ
« saturation » du client, d u ration maxi male des contrats par
.s::.
CJl
·c
prévention des rési liations. Pa r ra pport à la situation présente,
>
a.
0 cela constitue u n progrès maj e u r dans la gestion de la marge.
u
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.
D I l n'y a a ujourd'hui guère de segmentation des clients sur leur

life-time value : les cam pagnes a nti-rési l iation ont u n ca ractère
i m p rovisé (on consent un ra bais de ta rif a u client qui vient se
plaindre au guichet) et l a modél isation des /apse rates (ta ux
de rachat ou de résiliation des contrats) en Vie est encore
modeste. C'est l'ACPR q u i demande aux sociétés Vie de modé
liser des scén a rios de maintien de taux d'i ntérêt bas ou de
krachs obligata i res. Les entreprises n'ont pas non plus u ne vue
claire de la sensi bilité de leurs clie nts Vie/É pargne à l'évolution
de la fiscalité ( revenu, ISF45, CSG/CRDS). La visi bil ité a méliorée
dans ces domai nes est évidemment facteur de m a rge pour
l'entreprise et ses d istributeurs.
D Le Big Data amélio re l a conception et l'ada ptation des produits.

Il o uvre des perspectives d'exploration des besoins de sécu rité
des cl ients et de leur a pproche de ces besoins. Les exem ples de
la Dépenda nce et des « ga ra nties de M a l adies redoutées » sont
sign ificatifs. Le Big data permettra de concevoir des ga ra nties et
des services adaptés aux désirs exprimés par les prospects, et
non celles qui résu ltent des esti mations de l'assu re u r. L'a na lyse
prospective permet de proposer un contrat d'é pa rgne ou de
prestations en fonction de l'a n a lyse des besoins, avec une meil
l e u re vision des probabilités de survenance de la dépenda nce
et une a nalyse fi ne des proba bilités de maintien à domicile. I l
e n sera d e même pour les produ its d'assu ra nce de Dom mages
ou Auto où le souscripteu r pou rra proposer des scén a rios de
proba bilités de s u rvenance et d'a m plitude des sinistres, affec
tés de diverses fra nch ises et ta rification et offra nt des choix
.µ
.s::. de couvertures en fonction des mesu res de prévention/protec
CJl
·c
>
a.
tion prises en vue de se protéger des scén a rios centraux de
0
u survenance. L'assurabilité amél iorée, la création de nouveaux
prod u its et la vente de nouveaux services ass u reront la créa
tion de ch iffres d'affa i res supplémenta ires et probablement de
45. I m pôt de Solidarité sur la Fortune.

m a rges pour les assureurs si, évidemment, la concu rrence sur

les ta rifs en donne la possi bil ité.
D Enfin, le Big Data développera l'offre de services de l'assu re u r.

Les objets connectés accroissent d'ores et déjà la protection
Incendie, Vol et Dégâts des eaux des im meubles, via la col lecte
et la transmission à distance des besoins d'assista nce. C'est
encore plus vrai, dans le domaine de l'assistance à la person ne,
et donc dans l e maintien des personnes dépenda ntes à domicile.
Ces services, ta rifés dans un cadre de meilleure con na issance
des probabil ités d'usage des garanties, seront m ieux maîtrisés,
et devraient donc conforter le chiffre d'affa i res et la marge de
l'assu re u r ou du prestata i re de services.
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.
1.3 Néan moins, la tarification des produits « Big Data » risque

d'être moins rentable pour les assu reurs que dans cette pré-
c
:8 sentation optimiste.
Les ta rifs com portementaux et prospectifs supposent que le cl ient

ou le prospect accepte de com m uniquer un e nsemble d'i nformations
sur le risq ue. Pou r les particuliers, la fou rn iture d'i nfo rmations est
.µ
.s::. a ujourd'hui, dans certa ins cas, obl igatoire : le coefficient de réduc
CJl
·c
>
a.
tion/majoration dit bonus/malus pour l'Auto ou, en assura nce Vie,
0
u la décl a ration écrite du client qui a compris les risques i n hé rents au
prod uit et l'affi rmation par le commercial qu'il a vérifié l'adaptation
du prod uit vendu à la stratégie patri moniale du client. El les devien
d ront inconscientes (lecture des i nformations de la SmartWatch) et
récurrentes (visite du véhicule pour le « pay how you drive » ).
Le consentement du client à l'accès à ses données personnel les est

req uis. Sans doute n'est-il im posé par aucune disposition réglemen
ta i re. L'assureur peut se procurer ces mêmes informations à l'insu du
client, par exemple en les achetant à l'un des GAFAM. Mais ce n'est
pas une démarche recommandable aux assureurs . Non seu le ment
le recueil d u consentement du prospect peut éviter les contentieux
consuméristes, mais surtout il est le plus s û r moyen d'assurer le déve
loppement de la vente de prod uits de type Big Data et d'exorciser Big
Brother. La com m u nication d'informations à l'assureur est assumée
et mutuellement profita ble. On imagine volontiers que ce consente
ment sera « rémunéré » par des réductions tarifa i res. Simultanément
et à l'i nverse, des clients dont le comportement est considéré comme
« à risque » verront leur tarif augme nter. I l est néanmoins probable
que les assu reu rs vont au total réduire leur marge technique, au
moins de la m a rge de « préca ution » que com prend u n ta rif mutua lisé.
La question revient alors à savoir si cette perte de marge sera com

pe nsée par une plus large assurabil ité des risq ues (en P révoya nce,
Sa nté, Dépenda nce), telle que décrite ci-dessus. C'est possible mais
ne compense sans doute pas l e fait que l e Big Data renvoie une pa rtie
de la marge de souscription au client ou, a u moins à travers l e choix
de son exposition au risque, lui en donne la maîtrise.
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
1.4 La gestion des contrats : rachats, résiliations, sinistres, réputation.
Le Big Data fou rnit à l'assureu r u n e nsemble de moyens pou r pré

voir et modéliser les rachats, les résiliations, les coûts des sin istres.
Pour chacun de ces événements, cette modélisation devrait donner à
l'assu re u r des moyens d'améliorer sa marge technique. C'est certai n

p o u r les rachats et rési liations dont la prévention amélio re la life-time
value d u client e n portefeuille. Pour les coûts des sinistres, le plus
pertinent est sans doute la réd uction possible d u coût de gestion,
en réd uisant les délais de transaction, les recou rs au contentieux et
en amél iora nt la qualité du ca lcul des provisions tech niq ues. Cette
affirmation intu itive mérite d'être confirmée, mais sa probabilité est
forte : l a conna issance du comportement d u clie nt permettra d'éviter
l'essentiel des contentieux, la modélisation des coûts de sin istres
réd u i ra ces coûts de gestion.
Les spécialistes des réseaux sociaux soulignent aussi l'i ntérêt de la

bonne gestion d u risque de réputation qui est l iée à la bonne gestion
des contrats, facteu r de réd u c tion des résil iations et, plus encore,
d'é l a rgisse ment de la cible commercia le, donc de confort donné à la
m a rge tech n i que.
1.5 La gestion d'actifs est le domaine d'élection du traitement

des informations de masse et des travaux de prévisions
a lgorithmiques.
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
46. M. Dupuis et E. Berthelé, Le Big Data dans /'assurance, Éditions de l'Argus de

!'Assurance, 2014.
47. Prudent persan : principe de gestion vague mais considéré co mme majeur
dans la réglementation Solvency I l . Il signifie à peu près que l e gestionnaire
d'actifs d'assurance doit gérer ceux-ci en « bon père de fa m i l le » sans prendre
de risques excessifs. Ce qui est la moindre des choses !
1.6 La réduction des possibilités de fraude sera créatrice de valeur

pour l'entreprise.
La détection de « signaux fa ibles » et de corrélations entre les com

portements doit en effet réd uire les opportun ités de fra ude, et donc
les indemn isations indues. Les spécial istes de la détection des fra udes
a n noncent des ch iffres impression na nts : la fra ude à l'assu ra nce serait
responsable de la perte de 5 % des primes. Même s' ils sont exagérés
et si les coûts de réduction de la fraude, en termes de réputation
de l'entreprise, sont élevés, cette diminution a un effet méca nique
positif sur la marge tech nique de l'assureur.
* *
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
2. Qui saura extraire la va leur des données fournies par le Big

Data ou qui est le mieux placé pour extraire cette valeur parmi
les organisations qui assurent des risques ?
Dans les développements précédents, nous avons tra ité de la chaîne

de valeur de l'assura nce, en supposant que son maître d'œuvre était
l'assureur. Or, le Big Data pou rrait bien bousculer cette vision uni
forme et simpl ificatrice.
2.1 Théorie simple de la valeur des données.
La donnée col lectée en masse a de la valeur ; ce n'est pas douteux.

Mais la donnée personnelle n'a de va leur que si :
0 O n a trouvé un acheteur de cette donnée.
8 Elle n'a pas été donnée gratuitement à un tiers ( Facebook, Lin

ked l n, Twitter, Google, Amazon, Apple, Microsoft).
Quelqu'un d'autre n'est pas mieux placé pour en extraire de la

valeur, par agrégation, traitement, restitution, a nalyse, etc.
À l' heure actuelle, la plupart des données personnelles sont trans

mises par leur producteur à des tiers collecteurs. C'est d'ailleurs
la question qui se posera avec une acu ité grandissa nte lorsque le
consommateur com p rendra qu'il donne des informations com
portementales à des objets connectés (AppleWatch ) à la ca isse
du supermarché, en activant son G PS, en équipant de prod uits
domestiq ues sa maison. I l e n a perdu la maîtrise d'ores et déjà, mais
l'assu ra nce (cf. Chapitre 5 ) est peut-être un moyen d'en monnayer
.µ
l'utilisation, si le consentement du client s' i m pose, ce que nous
.s::.
CJl
·c
pensons souha itable dans l' intérêt des deux parties, mais n'est pas
>
a.
0 a ujourd' h u i acquis.
u
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
u ti l isent les données à leurs fi ns propres ou peuvent décider de les

vendre. Ainsi, Google a-t-il e nvisagé de vendre de l'assu ra nce en
Fra n ce en uti l isant l'i nformation qu'il col lecte et e n développa nt un
ma rketing très ciblé avec des marges fortes. Les constructeu rs auto
mobiles, les exploita nts de tech niques domotiques peuvent décider
de constru i re des prod u its/ta rifs performa nts et se comporter en
cou rtiers d'assu ra nce.
Les acheteu rs de ces données « va lorisées » sont, dans les métiers

d'assura nce, soit les spécialistes du data (qui sauront rechercher les
éléments d'i nformation sign ifia nts), soit les spécial istes du ma rketi ng
et les actuaires. M a is ceux-ci peuvent aussi bien se trouver dans les
entités d'assurance que chez les distributeurs (cou rtiers). En réa l ité,
le Big Data « rebat l es ca rtes » des structures de l'assura nce. Tous
les collecteurs d'informations sont suscepti bles de déve lopper des
activités de ma rketing, défi nition de produ its, ta rification, voi re ges
tion des contrats, et non plus les seuls assureurs (au sens d'entités
porteuses de risques).
2.2. Qui est le mieux placé pour mener une stratégie gagnante
dans l'utilisation du Big Data ?
C'est à ce stade que le Big Data a pparaît à bea ucoup d'assureurs

comme une menace plus i m portante et forte que la sim ple agression
sur les marges tech niq ues l iées à la nouve l le logique de tarification.
La question est ici de savoir qui prendra la plus gra nde part de la
m a rge tech nique sur les nouveaux prod u its.
.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
pour l'exploitation du fl ux ou des « lacs » de don nées. Ce sont en effet

les acteurs les plus im portants q u i s'engagent dans cette voie et qui
cherchent à intégrer l'accès aux don nées, la maîtrise de leur exploita
tion et la trad uction de leur a n a lyse dans le ma rketing et le tarif.
La situation n'est peut-être pas si évidem ment com promise pour

les structures moyen nes ou petites et, éventuellement, pour des
structures nouvelles entrant sur le m a rché de l'assura nce. I l existe en
effet des facteurs de facil itation de l'entrée sur le m a rché, pourta nt
traditionnel lement considéré comme très protégé par de « hautes
ba rrières à l'entrée » .
Solvency I l favorise u n e séparation possible entre l'activité d e distri

bution/souscription et le portage du risque, grâce nota mment à la
réassurance proportionnelle désormais com pta bi lisée dans le bilan
prudentiel à son nivea u réel et non plus plafonné à 50 % du risque cédé.
Le traité proportionnel laisse seulement à l'acteur fronting une faible
charge en capital liée au risq ue de défaut de contrepartie d u réassureur.
Donc, l'exploitant des données, d istributeur, concepteur de produits ou
souscripteur, peut être un nouvel entrant sur le marché, déba rrassé de
la tâche d ifficile de lever des fonds propres pour constituer un ca pital
de solvabil ité élevé, pour adosser les risq ues qu'il souscrit.
De « jeu nes » et « petits » acteurs de l'assurance peuvent ainsi se

développer sur les « ressources Big Data ». La conjoncture actuelle de
grande a bonda nce des marchés fi nanciers permet a ussi soit de consti
tuer des fonds propres suffisa nts pou r la ncer un assureur de n iche,
soit de fi na ncer des projets d' i n novation dans l'assurance Big Data .
.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.
2.2.2 Les structures assurantielles les mieux placées pour utiliser et

exploiter les données Big Data
• La peur fondamentale des assureurs a déjà été évoquée. C'est

celle non du Big Data comportemental (et donc du ma rketing)
que les assureurs ne parviendraient pas à utiliser, mais du Big
Data déjà structuré sur un type de risque qui serait celui détenu
par les « assureurs affinita i res » existants ou à créer. Les risq ues
concernés sont l'automobi le, les logements (informations venues
de la domotiq ue), voire les réseaux de soins privés construisant
leur base de don nées comportementales des clients. Ces acteurs
pou rraient devenir des structures de souscri ption/ta rification
pures et sim ples qui céderaient leurs risques à un réassureur,
éventuellement hors Europe (Bermudes). Ce serait pour des
constructeu rs automobiles et de gra nds promoteurs im mobi
liers une façon de renta biliser les don nées qu'ils recueil lent et
maîtrisent, plutôt que de les vendre à des assureurs. On peut
supposer aussi que ces acteurs bénéficient d'une informatique
parfaitement adaptée à la démarche « cl ient » .
Cela étant, les expériences passées de ces « descentes dans l'ava l »

des constructeurs ou fa brica nts ne sont pas conclua ntes. Les
constructeurs a utomobiles ont échoué dans la commercial isation
d'un « Package » Auto + Entretien + Assu ra nce, même en fa isant
porter le risque par un assureur extérieur. La richesse d'i nformation,
l'innovation ma rketing et tech nologique suffiront peut-être à i nverser
cette expérience malheureuse. Pour l'heure, Renault se tourne vers
u n assureur i n nova nt (Amagu iz/G roupama), mais développa nt un
.µ
business mode/ de souscription I nternet sans évolution de l'architec
.s::.
CJl
·c
ture du ta rif autre que le ga in de coût de d istribution.
>
a.
0
u • La seconde « menace » est celle d'acteurs « mieux placés que
les assureurs » pour exploiter l'i nformation qu'ils collectent
(comme le font les potentiels assureurs affinitai res). C'est le
cas des banques, réputées pour leur con naissa nce i nti me du
patrimoine, du tra in de vie et des besoins fi na nciers de leurs
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
48. Saas : System as a Service.

performa nts et de rétrocéder le risq ue à un assu reur devenu

porteu r de risques. En fait, certains de nos i nterlocuteu rs vont
j usq u'à d i re qu'il faut « déloca liser » la souscription Big Data
dans u n e entreprise spécifique (comme ce fut le cas jad is, pour
Direct Assu ra nce dans le G roupe AXA), au profit, par exemple,
d'un courtier « ca ptif » de l'assu reur.
• Peut-être l'assu reur se considérera-t-il un jour comme u n

col lecte u r d e données. Ce serait l e point de départ d e sa
conversion au Big Data. La q uestion revient alors à définir une
orga nisation efficace. Nom bre de spécial istes considèrent que
la construction d'une nouvelle entreprise, para l lèle à la société
traditionnel le, à la façon de la construction lors de la « révo
lution » de l'assura nce d i recte de sociétés spécifiques, (Direct
Assu ra nce et le Groupe AXA), est la solution efficace.
En tout état de cause, le Big Data présente la q uestion des bar

rières à l'entrée de l'industrie d'ass u ra nce sous un nouveau jour.
Longtemps, la com pétence des acteurs, l'existence des réseaux
commerciaux implantés et dont les coûts étaient a mortis (ba ncas
sura nce), l'expérience tirée des portefeuil les existants constituaient
d'efficaces barrières à l'entrée de nouveaux entra nts, nota m ment sur
les marchés des particuliers, a rtisans et PME. I l est probable que ces
« barrières » vont a pparaître comme des legacy issues (héritage lourd
et i nvalidant d u passé des systè mes d' information), alors q u e l'accès

(payant) aux i nformations Big Data (et aux outils q u i permettra ient
de les traiter, et notamment H adoop) assure un déma rrage ra pide de
produ its nouvea ux dotés d'une tarification dynamique et prospective
.µ
et d'un accès a u client particul ièrement efficace .
.s::.
CJl
·c
>
a. *
0
u
* *
Le Big Data crée de la va leur dans l'assura nce et surtout révolutionne

la p l u pa rt des métiers ass u ra ntiels, au moins sur le plan théorique.
Reste évidem ment à défi n i r qui ca pt u re la va leur en q uestion et
surtout qui sera capable de générer ou m a i nten i r des marges sur

les produ its et les clients. I l se pou rrait a i nsi que l'on fasse mentir la
vieille plaisanterie sur la Man ufacture de Sai nt- É tienne qui perdait de
l'argent sur chaque a rticle vendu, mais « se rattra pait sur la qua ntité ».
Le tarif serait plus bas, mais les économ ies de coûts commerciaux et
de gestion compenseraient, et au-delà, ces efforts sur la prime pure .
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
La révolution Big Data dans l'organisation

des entités d'assurance
es réflexions sur les modalités d'orga n isation des entreprises
L d'assurance et, par conséq uent, sur l'ampleur de l'impact du Big
Data sur les structu res, s'a ppuient sur les principales constatations
concernant la chaîne de valeur dans l'assu rance. Il fa ut imaginer l a
chaîne d e traitement d u Big Data telle q u'elle pou rrait fonctionner, et
décrire les moda l ités d'évolution des structures et de l'orga n isation
des assureurs (ou des ba ncassure u rs) que cette nouvel le chaîne de
traitement implique.
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.
:8 Plusieurs phénomènes explique nt que l'on fo rmule cette hypothèse :
• La rigid ité des systèmes d'information des assureu rs, qui

restent o rientés « contrats » et non « clients », fa it qu'ils ne
sont pas susceptibles d'évoluer sensiblement, dans la mesure
.µ
.s::. où ces systèmes sont orga nisés en fonction des besoins de l a
CJl
·c
>
a.
gestion des risques, des sin istres et des rachats, d e la ta rifica
0
u tion, de la souscri ption, et de la production de données pour
les nécessités d u contrôle i nterne, d u contrôle de gestion des
com pta bi lités (local Gaap49, I F RS50, com pta bil ité prudentielle/
Solvency I l ) et des a utorités de contrôle publiques.
• Les structures comptables restent fondées sur l'ana lyse

des « branches » d'assura nces ou de catégories homogènes
de contrats. La d i rective Solvency Il renforce, ou au moins
confirme, cette orientation nécessaire des systèmes de gestion
pour mesurer l e Solvency Capital Requirement (SCR) qui se
ca lcule par « bra nche » et par type de risq ue.
• Les relations avec les circu its de distribution et les i ntermé

d i a i res ne facil itent pas l'uti l isation du Big Data, q u i a pporte
une nouvelle logique de marketi ng et une nouvelle ta rification
des risques. Les orga nisations commerciales sont réticentes
à l'égard d'un système où les cibles commercia les et la ta rifi
cation leur seront pratiq uement im posées. Il s'agit pour eux
a ujourd' hui de proposer les meilleu res cond itions (souvent
essentiel lement tarifa i res) aux prospects « qui fra nchissent la
porte de l'agence (d'assura nce ou de banque) » quelle que soit
leur situation patrimoniale. Il est donc peu probable que ces
structures commerciales autonomes accueille nt favora blement
une déma rche centra l isatrice, o ù le ta rif à proposer sera plus
que jamais une « boîte noire » . Le Big Data va probablement
générer ses propres réseaux de d istribution.
• Les contra i ntes j u ridiques et de conformité sont plus complexes
dans une grande société d'assura nce que dans une start-up
q u i achète des données à des grands collecteurs et e n dispose
l i brement, parfois hors de tout contrôle .
.µ
.s::.
CJl
·c
• I l a été dit que le régime j u ridique fra nçais de traitement des
>
a.
0 don nées personnelles était plus restrictif que celui des pays
u
49. Com pta bilité e n normes nationales, en général i m posées pa r !'Administration

fiscale.
50. Normes comptables européennes obligatoires pour les entreprises faisant
appel à l'épargne publique.
extra-eu ropéens, nota m me nt les États- U n is. Pour les entre

prises m u ltinationales, l'uti l isation des don nées Big Data sera
donc vraisemblablement local isée hors d'Europe. Il reste à
trouver les moyens de fa i re profiter des clients français de ces
don n ées ou des résultats actua riels du ca lcul de ta rif sur ces
don nées en l'absence de l i berté de prestations de services. La
rigid ité de notre régime j u ridique risq ue donc de provoquer
des tentatives d'external isation de la gestion Big Data hors de
l'e ntreprise d'assu ra nce i nsta l lée en Fra n ce, voi re e n Europe.
• La structu ration de la chaîne de va leur dans l'assurance va

perdu rer. Les e ntreprises d'assurance i ntègrent tota lement
ou partiellement aujourd'hui des éléments de fonctionne
ment successifs, mais très autonomes entre eux et dont
l'externalisation est souvent possible. Chacun a - en pratique
- ses objectifs, ses coûts et ses résultats. Typiquement, on d is
tingue : les réseaux com merciaux, la conception des produ its,
la souscription, la ta rification, la gestion d'actifs, la gestion des
contrats Vie et Non-Vie, la gestion des sin istres ( Dom mages).
Le Big Data i m pacte chacune de ses fonctions de façon spéci
fiq u e, comme on l'a vu, et chacune d'entre elles peut devenir
a utonome (être sous-traitée) de la façon la plus efficace en
termes de m a rge et pour profiter au mieux des opportun ités
offe rtes par le Big Data.
2. L'organisation du Big Data dans l'assurance éléments de

réflexion
.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.
Dans l'assura nce, la question de la local isation de la m a rge dans l a

chaîne d e va leur est détermina nte. Ainsi, les stratégies d'orga n isation
sont-elles différentes selon que l'on considère que la marge résulte
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.
Il en résu lte que l es e ntreprises d'assurance ont i nté rêt à se structurer

en fonction des résultats qu'elles attendent du Big Data sur chaque
élément, et de mettre ces éléments en position de tirer le meilleur
parti du Big Data. Cela signifie qu'il peut être n écessa i re de crée r de
nouveaux modes de d istribution, voi re une entreprise d'assurance
déd iée, etc. (cf. Chapitre 9).
2.3 La chaÎne de valeur du Big Data est également segmentée.
Il existe des « collecteurs » de don nées, dont les assureurs et les

banquiers pourraient faire partie, mais nous avons vu que l'impli
cation de ceux-ci est aujourd'hui lim itée par les ca ractéristiques de
leur a rch itecture de systèmes d'information . L'aptitude des banques
à déduire des a lgorithmes com portementaux de leur gestion des
com ptes coura nts semble être aussi grande que la capacité des assu
reurs à e n richir leurs « fichiers » ou « com ptes clients » de nouvel les
don nées com portementales. L'assurance pou rrait sans doute être un
col lecteur de données ; elle ne semble pas s'y engager.
En reva nche, l'assurance pourrait être « extracteur » de don nées

.µ
pertinentes dans un a pprovision nement conti nu en don nées col lec
.s::.
CJl
·c
tées par des tiers et achetées : à Google, Facebook, et demain aux
>
a.
0 constructeurs a utomobil es, aux gestionnaires d'objets connectés
u
suscepti bles d'a pporter des don n ées com portementa les.
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
actua rielles ou des équipes i nformatiq ues - est que cette activité
« d'extracteur » ne conduise des acteurs extérieurs à l'assu rance à
développer la prise de risque pour com pte propre.
Trois catégories d'acteu rs peuvent légitimement se développer

dans l'assu ra nce sur la base d u Big Data et a i nsi se substituer aux
assu reurs traditionnels : les fa brica nts d'objets assu rés (a utomobi le,
domotique), les cou rtiers (dont les comparateurs d'assu ra nce et les
cou rtiers grossistes), les start-ups de l'assurance, nota mment dans la
perspective de « n iches » de souscri ption.
3. Les organisations concevables
3.1 Les compagnies d'assurance traditionnelles se garderont sans

doute de « loger » les activités marketing/souscription liées au
Big Data dans leurs structures existantes pour plusieurs raisons.
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.
La création d'une société d'assurance spécifique fo ndée sur le Big

Data est u n e première solution. Cel le-ci propose des prod u its et des
tarifs nouveaux à des prospects recherchés par priorité en dehors
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.
Faut-il vra i ment créer une société d'assurance à l'i nsta r de la

démarche d'AXA avec Direct Assurances, dont le but décl a ré était
d'éviter la concu rrence avec les réseaux traditionnels, et qui, en
conséquence, est devenue une filiale d'assura nce du G roupe AXA ?
La logique d'optimisation de l'em ploi d u capital q u i résulte de la
d i rective Solvency 1 1, fa it q u e les assu reurs ont i ntérêt à séparer leur
activité de souscri ption/ta rification d u portage de risq ue. D'autres
considérati ons, nota mment dans le domaine social, peuvent inciter
à s'affra nchir de la Convention collective des assurances, en consti
tuant une société de courtage captive. Cette société pou rrait, en
princi pe, échapper aux contrai ntes de Solvency I l (capita l, formalisme
de l'orga n isation, gouvernance, contrôle) avec une simple i nscription
à l'OR IAS51 et le statut de cou rtier. C'est probablement la sol ution
d'orga n isation q u i sera adoptée par les souscripte u rs Big Data, acq ué
reurs de données en masse, à condition qu'une i nterprétation stricte
de « Solvency I l » ne vienne pas a ppliquer les contrai ntes du régime
de la « sous-tra itance » défi n i dans la Di rective à des cou rtiers ca ptifs.
En réi ntégrant cel u i-ci dans le calcul d u SCR d u Grou pe, i l est probable
qu'une partie de l'i ntérêt du montage serait com promise.
Cette solution a néanmoins l'avantage de local iser dans une même

entité les data scientists chargés d'a na lyser les données fou rnies par
le collecteur, quel qu'il soit, et les actua i res de la tarification pros
.µ
pective ; ce q u i facil ite l'orientation de la recherche de don nées et
.s::.
CJl
·c
la défi nition de leur perti nence a u sei n d'une même entité. E l le peut
>
a.
0 avoir l'inconvén ient d'exiger des i nvestissements lourds en système
u
51. Orga nisme pour l e Registre des Intermédiaires en Assurance. Association q u i

procède à l'enregistrement des courtiers après avoir vérifié la satisfaction de
leurs obligations d'honora b i l ité, de compétence et de garanties de RC profes
sionnelle et fi nancière.
d' information, tout en permetta nt à l'entité de demeurer propriéta i re

de ses systèmes, et donc de mainten i r u n m i n i m u m de « secret de
fa brication » , q uestion majeure dans l'assurance. De même, cette
stratégie peut permettre de recourir à des ta rifications extérieures,
fondées sur des ta rifs éla borés à l'étranger, pour des popu lations
dont l es ca ractéristiq ues sont semblables à cel les des populations
fra nçaises. L' i ntérêt est certa in pour les cas de Risques aggravés.
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
banca i res), sans oublier l es CG Pl52, les guichets de La Ba nque Postale,

les agences des mutuelles sans intermédiaires, non moins que les
cou rtiers grossistes, q u i démarchent a isément les réseaux existants.
Si tel est le cas, le business mode/ des d istributeurs actuels d'assurance

devra être re pensé, même si le marketi ng/tarification de la souscrip
tion ne modifie pas im méd iatement leur approche des clients, et si
les modal ités d'exe rcice de l'activité d'intermédiaire d'assu ra nce ne
sont pas réellement bou leve rsées tant qu'il demeurera des clients
traditionnels. Nota m ment pour l'épargne, l es règles de protec
tion du consommateur très strictes que développent les d i rectives
.µ
M I F I D, PRl l PS53, la future DIA2, Solvency I l et les recomma ndations
.s::.
CJl
·c
de l'ACPR rendent nécessai re le contact face à face avec le prospect
>
a.
0 pour conclure un contrat. Le « courtier » Big Data renverra donc vra i-
u
52. Conseiller en gestion de patri moine indépendant.

53. Di rective européenne qui traite des conditions de commercial isation des pro
duits d'assurance Vie/Épargne en U n ités de Compte. P R l l PS signifie Packaged
Retail and lnsured Based lnvestment Products.
sembla blement l e futur client au réseau traditionnel de l'assu reu r. On

peut donc prévoir une colla boration partielle entre ces cana ux, avec
évidem ment les conséq uences en termes de surcoûts de distribution.
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.
Enfin, l'utilisation de la formule du cou rtage (ca ptif ou non) permet de

gérer des « n iches » d'utilisation du Big Data. C'est la logique actuelle
des e ntreprises d'assura nce qui adoptent une stratégie Big Data . Les
assureurs ne pou rront ou ne voudront pas, dans les prochaines a n nées,
mod ifier complètement leur a pproche marketing des clients et la tari
fication de tous leurs prod u its. Il est peu probable qu'ils acq u ièrent
tous des sources de don nées continues s u r l'ensemble des cl ients,
prospects ou assu rés potentiels. I l est donc plus logique d'acq uérir
les données sur un segment de clientèle, ce qui sera méca n iquement
.µ
réa lisé par l'acq uisition des don nées des acheteurs d'AppleWatch ou
.s::.
CJl
·c
les cl ients des concessionnaires d'une m a rque a utomobile donnée.
>
a.
0 Il e n est de même pour un assu reu r qui souha iterait, via les techno
u
logies Big Data, concentrer son effort ma rketi ng sur les « nouvelles
générations de cl ients », digital natives, supposés plus réceptifs à la
com m u n i cation de leurs données personnel les à l'assu re u r.
3.2 L'entreprise d'assurance pourrait, dès lors, aider au dévelop

pement des courtiers « de niche » .
Cette spécial isation d'entreprises de cou rtage, probablement start

ups i ndépenda ntes, correspond à une logique de forte spécificité de
la recherche approfondie de données, et au ciblage de fou rnisseur
de don nées. L'usage d u Big Data, masse considérable et non orientée
de don nées, serait donc fi nalement beaucoup plus sélectif, non dans
le contenu des don nées mais dans la nature des orga n ismes qui font
l'objet de la collecte de données.
Quelques exemples permettent d'illustrer ce point :
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.
D Le développement de l'assurance RC de certai nes professions

a ujourd' h u i en conflit avec leurs assureurs sur l'assura b i l ité
de leur activité, ou sur le prix jugé excessif de la ta rification
qui leur est appliquée, pourrait s'appuyer sur des structures
spécifiques de cou rtage expert, util isant les technologies et la
ta rification Big Data.
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-
54. Catégorie socioprofessionnelle supérieure.

sements et praticiens beaucoup plus agressive que les traditionnels

« classements » récurrents publiés par les hebdomada i res.
La spécial isation d'un courtier de « niche » se j ustifie par la combi

n aison d'expe rtises tech niques d'assura nce et de gestion de don nées
n écessa i res à la prise de risq ue. Il faut en effet connaître les condi
tions j u ridiq ues d'exercice de la profession et de réa lisation du risq ue
et mesurer les besoins réels d'i nformation pour tarifer, ce qui sup
pose proba blement une com pétence d a ns l'a ppréciation du risque
su périeure à celle qui est maîtrisée actue l leme nt par les assu reurs.
3.3 Des structures de type « auto-courtage » chez les fabri

cants d'outils connectés et chez les GAFAM, collecteurs des
principales masses d'informations, peuvent également se
développer.
Dans ces hypothèses, ces nouveaux cou rtiers se trouvera ient en

position de force pou r p lacer leurs risq ues, surtout s' ils développent
eux-mêmes les ca pacités de data scientists (savoir comment et sur
tout quoi chercher dans la masse des informations disponib les) et
d'actua riat de tarification prédictive.
• La vente de contrats d'assurance Automobile par les construc

teu rs est une « peur » traditionnelle des assureurs et de leurs
résea ux (agents généraux et courtiers). Diverses tentatives ont
été fa ites par les constructeu rs fra nçais d'a utomobile soit par la
création de société d'assu ra nce ( projet ra pidement abandonné
d u fait d u coût en i m mobil isation du capital de l'opération),
soit par l'utilisation d'une structure de cou rtage plus ou moins
.µ
.s::. ca ptive. Les tentatives se sont j usq u'à présent soldées par
CJl
·c
>
a.
des échecs, les réseaux traditionnels de vente fa isant preuve
0
u d'une forte ca pacité de résista nce. I l en serait a utrement dans
une logique de Big Data. La structure de gestion/tarification
restitue l'i nformation au concessionnaire q u i la recueille au
titre des contrôles récurrents, sous forme d'ajustement de la
conna issa nce du « how you drive » et de la prime y afférente.
L'entretien du véhicu le est l'occasion du renouvellement du

contrat d'assu ra nce, et la cotisation peut être plus fortement
ajusta ble et ajustée que les taux de primes statiq ues actuels
affectés par le seul coefficient de réduction/majoration.
• Les fa brica nts d'outils connectés, devenus collecteurs de don

nées personnel les, peuvent avoir un intérêt à développer des
assura nces Sa nté et P révoya nce à ta rification prédictive. La
question essentielle est de savoir si leur business mode/ est
adapta ble à la vente d'assura nces ou s' ils considéreront que l a
col lecte et la cession d'i nformation sont une source d e profit
suffisa nte, face aux coûts de développement d'une structure
de gestion des données et de la ta rification. Actuellement,
sous le nom mal choisi de « sélection médicale », les assureurs
et réassureu rs fou rnissent des ta rifications Sa nté et assurance
Em pru nteur, nota m me nt sur les Risques aggravés. Cela s'a ppa
rente au service de tarification q u i serait fou rn i par un assureur
porteu r de risque à un courtier captif exploitant les ressources
en don nées de l'AppleWatch.
• Les GAFA seront-ils assureurs de leurs clie nts, en uti l isant l a

très gra nde masse de données dont i l s disposent, sacha nt q u e
l e u r présence ma rketi ng aujourd' hui tient aussi à l e u r ca pacité
à fournir des offres de prod uits avec u n taux de succès élevé ?
Google a fait une tentative d'entrée sur le m a rché fra nçais
de l'assurance Automobile et semble y avoir ra pidement mis
fi n . La question essentielle est le business mode/ des GAFA :
publ icita ires, pou rvoye u rs d'accès I nternet, vendeur par cor
.µ
responda nce et réseau social (et donc vecteu r de publicité),
.s::.
CJl
·c
fourn isseu rs (fabrica nts) d'outils de com m unication, sont des
>
a.
0 métiers où les m a rges sont actuellement considérables (plus
u
de 50 % sur l'AppleWatch). Faut-il déployer une stratégie
d'assurance (courtage) qui demeure coûteuse en structuration
(data scientists et actuaires ta rificateurs) et se déve loppe sur
u n m a rché saturé ou au moins mature ? Quelles que soient les
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 » .
4. G randes entreprises ou start-ups ?
Indépendam ment des situations statutaires et des contrai ntes juri

diq ues ou de la solvabil ité, les grandes orga n isations banca i res et
assura ntielles rencontrent de réelles d ifficu ltés à s'adapter au Big
Data, au moins en ce q u i concerne la ta rification. Cela tient à la
structure de leurs systèmes d'i nformation et à la pesanteur de leurs
réseaux de commercia l isation.
Pour l'instant, et quelle que soit la richesse potentielle des bases

de don nées des gra ndes o rga n isations fina ncières, elles restent
orga nisées autour de la gestion du contrat ou du com pte et non du
client. Les assureurs pou rsu ivent leurs efforts ma rketing en faveur
de la m u l ti-détention de contrats, nota mment Dom mages et Vie,
ce qui montre bien que ces gra ndes structures sont bien loin de l a
.µ
« lecture à l ivre ouvert » d e la situation patri moniale, et donc des
.s::.
CJl
·c
besoins d'assurances et de p lacements de leurs clients. Les résultats
>
a.
0 des entreprises sont réglementa i rement produ its par « branches »,
u
les politiq ues de marge se construisent par produ it, et non pas sur la
« valeur du client » (customer value) . Au demeura nt, les réseaux com
merciaux restent très peu ciblés : ils ne disposent pas (ou très peu ) de
spécial istes des besoins des clients CSP+ en assurance (à l'exception
des CGPI q u i se consacrent aux seuls produits d'épargne).
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.
C'est pourquoi, il est peu vraisemblable que les grandes entreprises

i ntègrent efficacement le Big Data d i rectement dans leur o rga n isa
tion. En reva nche, et com pte tenu de l'évolution du m a rché à cet
égard, elles vont certai nement consentir des efforts im portants pour
repérer, financer et éventuellement ftlialiser les entreprises créa
trices de concepts fondés sur le Big Data, les créateurs de process
d'a n a lyse, les structures de ta rification prospectives, etc. La logique
de développement des fintechs correspond à un rythme soutenu
de l'in novation dans le Big Data. E l les apporteront aux groupes
d'assurance qui les utiliseront probablement comme sous-traitants la
souplesse nécessa i re de gestion de ces produ its nouveaux. Chacun a
i ntérêt à constru i re des « boîtes noires », a ppartenant à des sociétés
fi lia les des assureurs ou des ba nquiers, ce q u i permet de sécuriser
la propriété des process et des a lgorithmes, au profit de la société
commandita i re, avec u ne protection j u ridique et pratique meilleure
que les systèmes développés sur les serveurs centraux de l'entreprise
de banque ou d'assurance.
S. Conséquence : des entreprises d'assurance restructurées
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
ou de réseaux partenaires (courtiers, CG P I ) . Les « boîtes noires »

de ta rification prospective seraient construites par des structures
d'actuaires consei ls plus ou moins indépenda nts, sous-traitants ou
fi lia les des assureurs. Des cou rtiers « grossistes » (fabrica nts de pro
duits/ta rifs très personnalisés) ou des cou rtiers « ca ptifs » de certa ins
acteu rs d u Big Data - si Amazon ou Google se la ncent un jour dans la
vente d'assura nce - sera ient les concepteu rs des prod u its. L'assu reur
sera, dans cette configuration, u n porteur de risque et une structure
de gestion d'actifs et de passifs qui a pporte une garantie de solvabilité
a u système de souscripti on et sa caution à la qualité des approches
ta rifai res des divers apporteu rs.
Ce ra isonnement renvoie aux travaux e ntrepris dans l es a n nées

2000, lors de la première bulle I nternet, sur la « société d'assurance
virtuelle » . Ces travaux avaient pour objectif de défi n i r les fonctions
« stratégiq ues » que l'entreprise d'assurance doit a bsolument conser
ver sous son contrôle d i rect et ce lles q u'elle peut sous-tra iter sans
risq ues. Ces travaux retrouvent une ce rta ine actual ité dans l a pers
pective d'une orga n isation « Big Data », qui exige une plus gra nde
souplesse de la structure des entités d'assura nce. Cette « décentra
lisation » a commencé pou r d'a utres ra isons que le Big Data, mais
celu i-ci pourrait a m p l ifier le mouvement. Ainsi, la gestion d'actifs
(allocation tactique) est de plus en plus dé léguée à des sociétés non
ass u ra ntielles, même si el les a ppartiennent au G roupe d'assurance.
Seules demeurent dans l'entreprise d'assura nce l'a l l ocation straté
gique des actifs, les ca lculs d'adossement d'actifs et de passif et les
règles de dispersion des risq ues. Il n'est pas i m possible q u e le Big
Data a m plifie ce mouvement de sous-tra ita nce .
.µ
.s::.
CJl
·c
Qua nt à la « gestion des contrats » au sens la rge, l'assureur peut trouver
>
a.
0 bea ucoup d'intérêt à développer, sur la base de l'analyse prospective
u
que permet le Big Data, des modèles de provisionnement des sinistres
à dérou lement long. On a ba ndonne les techniq ues a nciennes d'analyse
statistiques d u passé (les cadences de règlement) ou les travaux d'extra
polation sur les « tria ngles » de liqu idation pour modéliser et ba rémiser
les sinistres au niveau du dossier i ndividuel. Sous ces hypothèses, la
société d'assurance peut sous-traiter ces trava ux de modélisation des

provisions, et l'essentiel de la gestion des sinistres. C'est déjà le cas
en Angleterre (les daim adjusters), et en France sous diverses formes
(sous-tra itance aux assisteurs, et aux experts dans certa ins domai nes
de l'assurance Non-Vie tels que la construction).
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.
Les fonctions du marketi ng stratégique vont être éga lement modifiées.

La fonction aujourd'hui consiste dans la descri ption de portefeuil les
d'assuré, éventuel lement des besoins (supposés) d'assura nce, et du
portefeuille que l'assu reu r souha itera it constituer. Typiquement, il
s'agit de rechercher une cl ientèle « haut de ga mme » ou mass affluent,
su pposée être adverse au risque, disposer de biens et d'é pa rgne
i m portants, susceptible de prod u i re un montant élevé de primes et
des marges sur les prod u its vendus. L'assureur devra it logiquement
mainten i r l es fonctions de marketi ng stratégique à l'intérieur de la
.µ
structure centra l e ca r cette fonction contient une part déterm ina nte
.s::.
CJl
·c
de la défi nition de son business mode/. Là aussi les spécialistes de
>
a.
0 ma rketing seront acquéreurs de don nées et prescri pteurs des travaux
u
des data scientists.
La fonction des data scientists acq u iert naturelleme nt u n prestige

considérable avec l'a pparition du Big Data. I l s'agit de spécial istes des
systèmes d'i nformation (SI) com pétents dans le « tri » des don nées
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
cifiques. Cela s'a ppa rente à la recherche fondamenta le . Demain, ils

seront surtout les ana lystes et les extracteu rs de données sur la base
de dema ndes précises des actua i res et des spécialistes du ma rketi ng
stratégique. Dans l'orga n isation de l'entreprise, leur place est au plus
près du ma rketi ng stratégique et des spécialistes de la ta rification,
donc, dans une fut u re entreprise d'ass u ra nce très déconcentrée et
sous-traita nte, dans la structure centrale. Mais il est vraisemblable
que leur tenda nce sera de construire des sociétés indépendantes
proposant leurs services d'a n a lyse de comportements à plusieurs
clients assureurs ou courtiers.
* *
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,
plan stratégique). L'assureur traditionnel n'est pas le mieux placé dans

l'orga nisation pour utiliser ces nouvel les technologies et méthodo
logies. Des cou rtiers I nternet, des cou rtiers « grossistes » ont un fort
avantage de souplesse et d'adaptabil ité sur les assureurs pour utiliser
.µ
les opportunités ma rketing, de conception de produits, et de tarifica
.s::.
CJl
·c
tion du Big Data. L'effort d'adapter les SI existants a u Big Data, où les
>
a.
0 don nées extra-assurantiel les viendraient abonder un système de base
u
l u i-même réorienté de « contrat » à « client », est démesuré à court
terme. En outre, le Big Data pousse à la décentralisation des fonctions
commerciales, de tarification et de gestion de sin istres au profit de
structures dédiées utilisatrices de méthodes de gestion Big Data .
Quant aux réseaux traditionnels de commercia l isation, le Big Data

peut im pacter favora blement leur activité, à condition que leur busi
ness mode/ soit ajusté.
Les courtiers (qui peuvent être ca ptifs de l'assu reu r, du vendeur de

biens d u rables, voi re de l'entreprise assu rée en P révoya nce/Santé
col lective) sont certa i nement les m ieux placés aujourd'hui pour uti
liser le Big Data. E n particulier, ils développent des SI effectivement
orientés « client », leur spécial ité d i rige leur recherche Big Data vers
des niches de cl ientè le ou de produits, et ils sont souvent les concep
teu rs des produits sophistiqués d'assura nce (par exem ple le risque de
réputation, les cyber-risques, etc.). Ils ont donc inté rêt à contracter
avec des « vendeurs » de don n ées, des orga nisations de data scien
tists et des sociétés d'actuariat, qui peuvent leur assurer la propriété
(et la « boîte noire » ) des a lgorithmes de tarification.
Les réseaux sala riés et l es guichetiers de banques ou de mutuel les

sans i nterméd iaires peuvent éga lement s'adapter à la commercia li
sation de produits d'assura nce « Big Data » si la société d'assurance
décide de l es développer. Mais il faut déterminer comment ils feront
coexister deux gam mes de produits et deux a pproches ma rketi ng des
prospects, ce qui est inévita ble. L'existence de portefeuil les a nciens
- souvent fortement margés et très profitables pour l'e ntreprise et
l'interméd i a i re, dont le Big Data ferait baisser le ta rif et la profita
bil ité, en cas de bascu lement global des portefeuil les - i m pose une
tra nsition longue, voi re une coexistence très étendue dans le temps.
Les agents généraux peuvent se trouver dans la même position

dél icate. Ils détiennent des portefeuil les renta bles de particul iers
.µ
.s::. qui seront affectés par l a nouvelle donne du Big Data e n matière de
CJl
·c
>
a.
ma rketing et de tarification. Leu r seu le stratégie est de chercher à
0
u cloisonner les deux a pproches, en conservant un portefeuille a ncien
et en souscrivant les produ its suivant les a pproches du Big Data, au
profit des seuls clients désignés par le ma rketi ng stratégique. Cette
a pproche est profondément opposée aux sta ndards de la profession,
qui aime à fournir à chacun de ses clients les « meilleures condi-
tions proposées par la compagnie ». Mais si les agents acceptent la

démarche, ils seront demain les meilleurs avocats de la ta rification
Big Data au près de leurs clients.
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.
* *
Le Big Data tra nsformera les orga nisations d'entreprise d'assurance.

Il n'y a pas de chemin évident et, sans doute, plusieurs orga n isations
d ifférentes sont-el les en cours d'élaboration dans les entreprises.
Quelle que soit l'orie ntation adoptée, la gestion Big Data ne peut être
sim plement « plaquée » sur les structures existantes. C'est ce qui
la d isti ngue du discours sur l a « digita l isation » des entreprises. La
gestion Big Data remet en ca use la répartition de la m a rge entre les
maillons de la chaîne de production (et de valeur) de l'assura nce et,
par conséq uent, q uestionne la perti nence de l'orga nisation existante
et la structure même de l'e ntreprise d'assura nce .
.µ
.s::.
CJl
·c
>
a.
0
u
Chapitre 11
Le modèle économique du Big Data :

quel retour sur investissement ?
es travaux actuels sur le Big Data sont peu diserts sur l'éq ui libre
L économique d'un progra mme de développement Big Data, notam
ment pa rce que le périmètre du projet est peu défini, et que les
« montages » ( ré pa rtition éventuelle de l'activité entre cou rtier et
assureur porteu r de risques) sont très divers. Les réa l isations exis
ta ntes sont essentiel lement des proofs of concept ( POC) (prototypes),
dont les coûts ne sont pas représentatifs des i nvestissements néces
saires pour la réa lisation « en vra ie grandeur » (dont, au demeura nt,
i l faut défi n i r le péri mètre et l'a m pleur). Les entreprises engagées
dans des stratégies Big Data com m u n iquent peu sur la nature et l a
portée d e l e u r démarche, pou r des ra isons légiti mes de discrétion
commerciale ou de « secrets de fa brication » . Ces coûts sont enfi n
différents suivant qu'il s'agit d'un développement chez u n courtier
pou r un prod uit donné ou d'un projet destiné à être i ntégré dans
l'arch itecture informatique, commerciale et de gestion d'une gra nde
e ntreprise d'assurance.
1. Les hypothèses.
1.1 La première est qu1il s1agit effectivement d1un « projet Big

.µ
Data » et non d1une démarche de digitalisation des données
.s::.
CJl
·c
ou des produits existants.
>
a.
0
u L'entreprise recueille, trie et uti lise le fl ux de nombreuses données
non structurées, ce q u i diffère de la mise à disposition des clients
ou des com merciaux d'outils de com m u nication avec les clients ou
l'e ntreprise : « applica tions » sur tablettes et i P hone pour le « constat
a miable digita l isé », par exem ple.
1.2 Le projet est fondé sur l'utilisation de données internes ou

externes à l'entreprise plus ou moins structurées.
Il existe des proofs of concepts de gestion de don nées purement

i nternes à des grands groupes, pour assurer la clôture et la publica
tion des com ptes en I F RS et par entités, et dema i n pour éla borer les
docume nts de com pta bil ité prudentiel le, pour chacune des e n tités
d'un groupe dans le monde.
Pour i l lustrer notre propos sur le modèle économique du Big Data, il

nous pa raît préféra bl e d'utiliser des données externes, non structu
rées, de sources d iverses, et défi nies par les célèbres 3V (high volume,
high velocity and high variety).
1.3 Ceci amène à faire des choix de modèles d'organisation.
L'entreprise d'assurance se comporte-t-elle en pur « porteu r de

risque », la issa nt le marketing, la conception du prod uit et la tari
fication à une structure de cou rtage (par exemple) ou à une fi l i a le
d'assura nce ? De ce choix d'orga n isation dépend le n iveau et la nature
de l'implication du système d'information de l'entité d'assura nce dans
la gestion du projet et les modal ités d'orga nisation de la condu ite de
celui-ci.
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 modèle est fondé sur l'acquisition par le « courtier » des infor

mations Big Data auprès des grands col lecteu rs de don nées (GAFA,
constructeurs automobi les, a utres). La souplesse que donne la posi
tion de cou rtage est certa i ne, de même que la possi bilité pour le
cou rtier de fa i re la publicité et la promotion de son prod uit à travers
les mêmes grands réseaux (Google, Amazon, Facebook, etc.). L'achat
d'espaces publicitaires correspond, le plus souvent, au prix à payer
pour l'acq u isition de don n ées collectées par ces grands orga n ismes.
Ce choix d'orga nisation comporte des aspects inéga lement favora bles :
• L'opacité pou r les autres réseaux de distribution de l'assureur

porteu r de risq ue de son partena riat avec le courtier est un
point favora ble. Cela donne une plus grande liberté de mouve
ment sur le ta rif du prod uit cou rtier, qui peut être différent de
celui des produ its vendus par d'autres réseaux appartenant à
l'assureur.
• Le second aspect favora ble consiste à pouvoir constru i re, hors

de la société d'assu ra n ce, une équipe de data scientists dont la
ré munération peut être plus souple que celle qui résu lterait de
l'application de la politique RH d'un gra nd groupe.
• L'inconvé nient est de te nir les équipes i nformatiques de l'entité

d'assura nce, de même que ses équipes actuarielles, à l'écart
c
0
:;:::;
du projet Big Data. Leu r rôle est limité à l'exa men, le calcul et
"'O
'CIJ la certification des provisions tech niques ou mathématiq ues
ca
0:::
\0
afférentes au prod uit souscrit par le courtier. L'entité n'a en fait
.-f
0
N
aucun d roit de propriété sur le produ it, la « boîte noire » de la
@ tarification appartient au cou rtier.
.µ
.s::.
CJl
·c
>-
a.
• La gestion des sinistres ou des contrats en général n'entre pas
0
u dans le modèle. On suppose que le courtier les gère dans le
cadre d'une délégation dû ment contrôlée par l'entité. Ceci crée
toutefois un risq ue de requal ification du courtier en sous-traitant
au regard des règles prudentielles, et donc peut i m pliquer des
contraintes de gouvernance, et de « conformité » nota mment.
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).
C'est en effet s u r ce produit q u e l'a p port d'informations Big Data

peut avoir les conséq uences les plus fortes et l es plus imméd iates.
Le « pay how you drive » su bstitue un prix actua riel du risque au prix
moyen de la mutualité des cond ucteurs en portefeuil le, fonction du
coût moyen et écrêté des sin istres constatés dans le passé (en fait
l'exercice précédent).
La ta rification Big Data, au contra ire, est prospective et comportemen

ta le, ce qui sign ifie q u'elle a n a lyse un plus grand nom bre de critères
de ta rification que le système actuel, que ceux-ci ne concernent pra
tiq ue me nt plus que le cond u cteu r et son com portement et que l'on
peut descendre à u n niveau de déta il inconnu a ujo u rd' h u i et où, par
conséquent, les mutualités (grou pes de comportements homogènes)
sont beaucoup plus nombreuses et plus fines. Le Big Data provoque
une « révolution » de la tarification de gra nde ampleur, d'a utant plus
q u'elle i ntrod uit une volatilité annuelle du tarif, le comportement
éta nt mesuré chaque a n née.
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
2.1 Les coûts informatiques sont nécessairement élevés.
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
complexité d u scoring qui com prend un nom bre bien supérieu r de

critères discri minants. En pratique, les éléments d'information sur
l'état du véhicule et sur les éléments pertinents qu'il fournit (avec
une périod icité à déterminer par l'assureur), sur le mode de conduite
du véhicule peuvent se su bstituer aux critères traditionnels (âge du
cond ucteu r, a ncien neté du permis, référence aux sin istres res pon
sables - coefficient de réduction/majoration) ou - toujours au choix
de l'assu reu r - s'y ajouter. Les notions de « zone »/« usage » d ispa
ra issent. Ne resterait qu'une éva luation du coût du sin istre par type
de véhicule, affectée de la probabilité comportementale de su rve
nance de ce sin istre, com pte tenu du « style de condu ite » d u clie nt,
révé lée par l'étude de son véhicule, ou d u véhicule a ntérieurement
uti l isé : kilométrage, usure des pneus, des freins, entretien, etc., tel
que décrits par un contrôle tech nique. Pour l'heure, les itinéra i res
su ivis figurent d a ns l es GPS mais u n doute su bsiste sur l'accès à la
con naissance de la vitesse moyenne et surtout de la fréquence du
dépassement de la vitesse autorisée.
2.2 l'accès aux données pose la question de leur prix d'acquisition.
L'accès à ces données auprès des concessionnaires automobi les fait

n écessa i rement l'objet d'une acquisition de la part de l'assureu r. La
« comm ission » versée devra être d'un n iveau suffisant pour que la
structure de recueil d'i nformation et de ta rification soit correctement
i nformée de l'utilisation du véhicule au cou rs de la période d'obser
vation, ou de l'util isation faite de l'ancien véhicu l e en cas d'achat
d'un nouveau véhicule, ou des résultats d u « contrôle tech nique »,
effectué périodiquement par le concessionnaire de la marque au titre
.µ
.s::. de l a garantie d u constructeu r, du véhicule e n cours d'uti l isation. Pour
CJl
·c
>
a.
donner une ind ication de n iveau, on sait que les commissions versées
0
u aux agents généraux sur les prod uits d'assu ra nce Auto sont de l'ordre
de 15 à 18 %, y incl us, le plus souvent, la gestion des sin istres cou
rants ( RC et Dom mages matériels, hors sinistres « graves »). Le coût
d'acq uisition des don nées comporteme nta les issues du véhicule ne
peut sans doute pas être i nférieur à 3 à 5 % de la prime.
L'ensemble des autres données utiles à la ta rification pou rraient être

gratuitement accessibles pou r l'assureu r. I l en est ainsi de la vitesse.
Les « boîtes noires » dont il a été envisagé d'équiper les véh icules
ont fa it pousser les hauts cris aux conducteurs et aux associations
d'usagers de la route, inqu iets de voi r s'i nstituer un « espionnage »
perma nent de la vitesse, évidemment beaucoup plus i ntrusif que les
radars routiers.
Quelques considérations permettraient de ca lmer le débat. Quant au

ca ractère i ntrusif de l'i nformation sur la vitesse, i l fa ut ra p peler que
les conducteu rs de véhicules de tra nsport de marchand ises et surtout
de tra nsport de personnes sont soumis depuis longtemps au contrôle
de vitesse et de temps de pause grâce à des « boîtes noires » . L' i nfor
mation sur la vitesse est u n élément de ta rification des flottes de
TPM55 et de TPV56•
Ces d ispositifs sont probablement désormais i nutiles. Les lim iteurs

de vitesse (usage ou non usage, com pta bilisation des fréquences et
des d u rées de dépassement) sont une source d'information sur les
vitesses adoptées par le (ou les) conducteu r(s) du véhicule. Les radars
routiers donnent des i nformations i m précises mais statistiquement
significatives sur les i nfractions comm ises par les véhicu les (sinon
par les conducteurs). L'open data devra it permettre à l'assureur
de connaître les i nfractions aux lim ites de vitesse comm ises par le
conducteu r, et donc de savoir précisément le risque d'accident qu'il
présente.
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.
55. TPM : Tra nsports Publics de Marchandises.

56. TPV : Tra nsports Publics de Voyageurs.
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.
2.3 Nous disposons via un Big Data relativement simple et peu

intrusif, donc peu contestable, d'une diversité de sources, de
nombreuses données nécessaires pour définir des catégories
nouvelles de conducteurs, beaucoup plus fines que la seg
mentation actuelle.
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.
• I l fa ut d'abord ra ppeler q u e l'actuelle « Assu rance a u kilo

mètre » ( « pay as you drive » ) suppose un contrôle a n nuel, par
un orga nisme agréé, d u respect d u kilométrage effectué dans le
cad re d u contrat, et justifie un « ra bais » sensible (de l'ordre de
20 %) de la prime de base du tarif sous obl igation kilométrique.
Le consentement d u client a u contrôle est donc effectivement
recueilli par l'assure u r. Le Big Data accroît l'ampleur de l'autori
sation, il ne crée pas un précédent.
• Les don nées recueillies sont évidem ment moins « sensibles »

psychologiquement que les données de sa nté.
.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
d'accès public et gratuit. Donc, l'attitude de l'assu reur peut être

présentée positivement : il échange l'usage de don nées quasi
publiques contre un tarif plus favorable au client.
• La question clé sera, dès lors, de défi n i r le n iveau de rému né

ration à consentir au client pour qu'il consente à l'uti l isa tion de
ses données comportementa les. Il ne le fera q u e s' i l acqu iert
la conviction que le prod uit et le ta rif proposé dans cette nou
velle configuration sont su bstantiellement meilleurs en n iveau,
d iversité et prix des ga ra nties, et/ou moins coûteux que le pro
duit trad i tionnel. Le « pay as you drive » donne une i ndication
de la réduction attendue : elle est de 15 à 20 % du ta rif sous
contra i nte de kilométrage. La perspective d'offrir un produit
mieux adapté au comportement du client remet a ussi la des
cri ption des avantages liés à la ga ra ntie (options) a u centre de
la stratégie ma rketi ng. Comme le sou l igne J.-M. N essi57, le mar
keting Big Data doit convaincre le client qu'il ne paie que pour
le risque qu'il présente. La ta rification des fra nch ises peut
donc retrouver u n e va leur pour ces « nouveaux clie nts », bea u
coup mieux i nformés du risque qu'ils conservent à l e u r charge.
Faut-il s'assurer contre des bris de glace mineurs ( rétrovise u rs)
dont le coût est fa i ble, et dont la fréquence probable i m pacte
négativement le ta rif com porte mental ?
Le consentement d u client ne sera pas obte nu sans un réel

i ntéressement a u nivea u du ta rif. Le Big Data implique donc u n
effort ta rifa i re au moins pour les clients vertueux o u ceux q u i
négocient explicitement leur rétention d e risque (niveau des
.µ
fra nch ises), donc une perte de cash-flow pour l'assureur, q u i
.s::.
CJl
·c
vient s'ajouter au coût d'i nvestissement (élevé) e t à l a comm is
>
a.
0 sion versée aux vende u rs de don nées.
u
D'a utant plus que la prime comportementale est plus volatile

que l a ta rification traditionnelle. On i magine en effet que s'ins-
57. Risques, n° 103, septem b re 2015, « Le choc du big data dans l'assurance ».
ta u re un système d'i ntéressement du cl ient à ses propres bons

résultats. Si la catégorie comportementa le médiane regroupe
des conducteurs moyens, le changement de catégorie du client
peut être déclenché par l'assu reu r sur des critères mu l tiples,
à chaque renouvellement a n nuel de l'assura nce58• Ce n'est
plus l'échelle de bonus/malus « réglementa i re » fondée sur
la responsa bilité des sinistres passés, mais le changement de
probabilité d'accidents (ou, plus généralement, d'indemnisa
tion RC ou Dom mages) q u i déterminera l'évol ution a n nuelle du
ta rif. La multipl ication d'excès de vitesse pou rrait demain coû
ter plus cher au client en évo l u tion de ta rif qu'un accrochage
responsable sans gravité.
2.4 Le business mode/ du nouveau tarif inclut les coûts de

ma rketing de la démarche commerciale de vente d'un tarif
personnalisé.
L'expérience de l'assu ra nce d i recte a a ppris aux spéci a l istes du m a r

keting que la mise sur le m a rché d'un prod uit entièrement nouveau
était lente et coûteuse (nécessité d'une publicité télévisée). Il en sera
de même pour u n « produit Big Data » destiné aux pa rticuliers, dont
il fa udra su rmonter les blocages psychologiques. Le succès modeste
d u « pay as you drive » en France montre que l ' i n novation n'est pas
i m médiatement adoptée par le plus gra nd nombre, même au prix
d'un effort tarifa i re significatif. Or, i l n'est pas acquis que l es clients
accepteront sans hésitation de renoncer a u bonus/malus et à la ba isse
a n nuelle automatiq ue de ta rif qu'il produit pour une forte minorité
d'assurés. La tarification comportementale peut conduire à des aug
.µ
.s::. mentations de tarif par ra pport à la situation actuel le, moyennant
CJl
·c
>
a.
la promesse d'une plus grande volatil ité du ta rif, mais dans tous les
0
u sens, à la ha usse comme à la ba isse !
58. Ce qui conduit à supprimer, de fait, la « tacite reconduction » : si le prix

change chaque année, le client doit pouvoir rési lier sa ns délai pour contester
le prix nouveau qui lui est proposé.
La situation du Big Data diffè re des expérie nces a ntérieures en ceci

qu'il existe désormais une clientèle pour l'ass u ra nce Auto (et a utres)
dont le com portement globa l est très nouveau. Les générations X et
Y, les digital natives, les followers sur Facebook, la génération du Web
2 .0, etc., et les u ti l isate u rs de réseaux sociaux sont très réceptifs à des
offres marketing délibérément présentées comme l iées au Big Data .
Ils sont aussi prêts à accepter de partager de l'i nformation, su rtout si
l'incentive est i m po rtant en termes de prix et de contenu du service.
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.
2.5 La modulation du tarif impose à l'assureur une grande vigilance

sur ses résultats.
I l est exposé à deux risq ues majeurs.

• Une trop forte modulation du tarif a utour de la catégorie de
c com portement q u i détermine la norme du ta rif et son équi
0
:;:::;
"'O l i bre. Il peut en résu lter des pertes considérables de cash-flow.
'CIJ
ca
0:::
La réd uction « comportementa l e » doit être lim itée et la
\0
.-f modulation d u ta rif à parti r de la norme ne peut sans doute pas
0
N
dépasser 50 %. En tout cas l'entreprise doit simuler son cash
@
.µ
.s::. flow sur la base d'une conversion tota le de son portefe u i l le
CJl
·c
>-
a.
dans le nouveau ta rif, ava nt de fixer son nivea u absolu.
0
u
• L'anti-sélection . Si le ta rif Big Data est trop attirant pour
certa i nes catégories de bons clients, cela peut conduire à
déséq u i l i bre r le portefe u i l l e traditionnel, « mutualisé », en le
privant des m a rges sur l es bons risques et en lui réservant, de
fait, les seuls mauvais risq ues au regard du ta rif « comporte-
mental » dont il fa udrait augmenter les cotisations. Les bons

conducteurs ne payent en effet plus pour les mauvais. L'entre
prise perd rait ai nsi de la marge sur le nouveau ta rif et verrait se
dégrader ses résultats pour le tarif traditionnel.
Ces considérations mi litent donc pou r une gestion attentive du

n iveau absolu du ta rif « com portemental » , de façon à reprod u i re
le nivea u de cash-flow d u ta rif traditionnel à portefeuille équiva lent,
sous réserve d u prix d'acq u isition des don nées. Cela i m pose aussi un
positionnement du nouveau ta rif, par ra pport a u ta rif mutual isé, dès
lors que les deux doivent coexister dans les réseaux commerciaux et
dans l'offre faite au prospect, dont on imagine qu'il devra it pouvoir
choisir entre les deux approches. La question de l'a rbitrage entre les
deux tarifs, ouvert au cl ient chaque a n née, est a i nsi cla i rement posée.
Mais il est vra i qu'elle ne d iffère pas de la possi bil ité ouverte au clie nt
de remettre en cause, chaque a n née (et désormais en cours d'a n née),
le contrat et le ta rif dont il bénéficie, et de changer d'assureur.
2.6. Le niveau absolu du tarif, indépendamment de ses modula

tions comportementales, demeure une préoccu pation pour
la gestion d'un assureur Big Data.
Les primes de l'année N servent à payer les sinistres de l'a n née N et

payent en partie ceux de N-1, s'agissant d'un risq ue à déroulement
cou rt, et fonctionnant en répartition. Les coûts de sinistres sont, quel
que soit l'algorithme de ta rification, le seuil de rentabilité de l'activité
de garantie Automobile. Or, le Big Data permet des progrès dans la ges
tion des contrats, mais il ne provoque pas une révolution sur les coûts
.µ
d'indemn isation comparable à celle qu'il induit dans la tarification
.s::.
CJl
·c
grâce à la démarche de modélisation prévisionnelle comportementa le.
>
a.
0
u Les coûts d'indemn isation sont affectés d'une i n flation q u i demeure
très supérieure à l'i nflation générale : les experts la ch iffrent à deux
fois l'ind ice d'i nflation impl icite au PIB en va leur. Les augmentations
de tarif liées à cette infl ation sont inél ucta bles, mais d ifficilement
explicables à un client que l'on fait - j uste ment - bénéficier d'un tarif
com portemental, donc du prix de son risque i ndividuel. Augmenter

ce ta rif parce q u e le « coût des sin istres » ( les indemnités) a ugmente,
alors même que le client n'a pas provoq ué de sinistre indemn isé, est
u n d iscou rs difficile à faire accepter, dans le nouveau contexte de
tarifs individ ualisés.
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
-
réputée pour sa volatil ité, encore q u e le Big Data lui-même fournira

sur ce sujet de la volati l ité des clients des informations majeu res, qui
pou rront l'infirmer o u le qua ntifier.
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.
Ce sont su rtout des coûts supplémentaires. En effet, personne n'ima

gine sérieusement u n « Big Bang » du ta rif Auto q u i ferait bascu ler
globalement tous l es portefeuil les (qui sont souvent générateurs de
la profitabil ité de l'entreprise) dans la ta rifi cation comporteme nta le.
Le ca ractère « supplémenta i re » des dépe nses est i m portant pour les
systèmes d' information, actuelleme nt fortement sollicités par la m ise
en p lace de Solvency I l et les progra mmes de « d igita l isation » des
entreprises. Il y a donc concu rrence, dans les budgets et l'uti l isation
des com pétences et des ressources entre divers grands projets.
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
ensu ite, sous peine d'exode de la clientèle, redresser ra pidement u n

ta rif e n pertes tech niq ues.
L'entreprise n'atteint donc pas le point mort, même en cas de suc

cès commercial, ava nt cinq à sept a ns, avec, ensu ite, des résultats
tech niques plus serrés qu'a ujourd'hui. D'a utant qu'il fa ut prendre en
com pte la charge en ca pita l de ces risq ues sous Solvency 1 1, qui s'a p
plique à ces souscriptions comme aux autres contrats automobiles.
* *
Le Big Data est une fa buleuse opportun ité actuarielle et ma rke

ting, surtout sur des prod u its peu « confl ictuels » a u regard de la
propriété des données. Il serait a bsurde de ne pas y trava iller et de
ne pas construi re les outils de ca ptation d'une cl ientèle active dans
l'utilisation des outils nouveaux de com m u nication et réceptive à ce
type de nouvelle offre commerciale. Mais i l y a fort à parier que les
porteurs de risques vont y abandonner de la marge, au profit des
col lecteurs de données et des nouvelles structures util isatrices de
cel les-ci (les courtiers nota mment). Enfin, on ne saurait trop insister
sur les risques de désta bilisation de portefeuil les renta bles existants
( « ca n n ibal isation » des bons risq ues par le ta rif Big Data et a nti-sélec
tion) et donc des pertes de marges pou r les assureu rs. C'est assez dire
que le business mode/ du Big Data est ten d u . On peut espérer que
les supplé ments de marge a p portés par u n ma rketi ng efficace et une
gestion de contrats active et prospective permettent d'amorti r les
.µ
.s::. su rcoûts d'i nvestissements consentis par l'entreprise, ou les achats
CJl
·c
>
a.
de don n ées ou de tri de don nées effectués à l'extérieur, voi re u n com
0
u m issionnement plus élevé de structures de cou rtage Big Data. Cela
ne suffit probablement pas à couvrir le risque de résultats tech niques
dégradés, qui est la source de pertes ou de surcoûts principale du
projet.
Chapitre 12
Le cadre réglementaire en France

et en Europe : ouverture ou fermeture ?
e Big Data est, par essence, international, voire a mérica in : Google,
L Facebook, Apple et Amazon sont des i l l u strations de la créativité
de la Sil icon Va lley. Cela ne va pas sans susciter de fortes réticences de
la part des États, non a méricai ns, qui s' inqu iètent de voi r ainsi « mon
dia liser » des actifs (les don nées) qu'ils ne maîtrisent plus. D'a uta nt
plus que les entreprises q u i collectent et exploitent ou revendent les
don n ées s'i ntéressent de très loin, voire pas du tout, aux réglementa
tions nationa les, qu'il s'agisse de protection des secrets de fa brication
ou de la vie privée des particuliers, sans parler des règles fiscales ou,
pire encore, du Secret Défense. Certa ins gra nds États veu lent i nter
d i re l'accès de leurs citoyens à des réseaux sociaux, ou i nterd isent
l'exportation de don nées hors de l e u r territoire. Leurs adversa ires
ré pliquent en mettant en ava nt les tech nologies de c/oud, et en obte
nant le soutien bienveillant de l e u rs « clie nts », q u i s' insurgent via
-
les réseaux sociaux eux-mêmes - contre les restrictions apportées à

l e u r « li berté ».
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
de la P rofession (FFSA-G E MA-FN M F-CTIP59 et la Cham bre syndicale

des courtiers d'ass u ra nce), les règles de gestion des don nées dans
le secteu r de l'assura nce, dénom mées Normes Simpl ifiées - NS16 et
N SS6 - et « Autorisations U n iques » n° 31 et n° 32. Cette im portante
réglementation de l'activité d'assu rance a u titre de la protection des
don nées personnel les des clients implique u n e relative « fermet u re »
des possi bilités pour tous les ass u reurs et réassure u rs d'uti l iser le
Big Data. Cette position de la C N I L fra nçaise risque d'entraîner u ne
démarche d'ensemble de l'Europe, via la Commission de l'Union
e u ropéen ne, pou r la plus gra nde difficu lté des assu reu rs, a i nsi privés
des possi bilités ouvertes à leurs concu rrents non européens. Ce n'est
pas d i ri m a nt en termes de concu rrence puisque les assure u rs non
e u ropéens n e bénéficient pas de la liberté de prestation de services
et doivent créer des fil iales ou succursales sur le territoire de l ' U n ion,
sou m ises au d roit e u ropéen. Mais cela met les assu reurs européens
en retard dans les domain es des techniques et des savoi r-fa i re d'uti
lisation d u Big Data, et affa i blit leur position dans l'économie globale.
D'a utant plus q ue, comme dans d'autres domai nes, une concu rrence
e ntre États e u ropéens pou rrait s'éta blir autour de l'optimisation
réglementa ire, ce qui i n d u i rait le traditionnel forum shopping60 des
entreprises, déjà développé en matière fisca le.
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.
1. La CNIL est manifestement emba rrassée par le Big Data, et

cède à la tentation de la complexité, pour ne pas afficher une
attitude délibérément fermée.
1.1 La politique d'ouverture d e l a C N I L varie suivant l a nature

des activités qui justifient l'acquisition et la conservation des
don nées.
La CN I L est pl utôt bienveilla nte quant à la d isponibilité des don nées

pour les assu reurs, nota mme nt ( NS16) les don nées n écessa i res à la
« passation, la gestion et l'exécution des contrats d'assurance ». Il en
est a i nsi pour les « don nées de sa nté », qu'il faut souvent obtenir pour
gérer u n sinistre corporel. M a is i l fa ut que l'assu reu r recueille l'accord
de l' intéressé lors de la conclusion du contrat. Le tout couvert par les
conditions de sécu rité définies dans le code de bonne condu ite de
la Convention AE RAS61 sur la préservation du secret médical, via u n
circuit i nterne à l'entreprise q u i s'assure q u e seuls des personnels de
sa nté ou équ iva lents pou rront accéder et con naître les données de
sa nté du client ou du prospect.
C'est bien le principal sujet q u i i ntéresse la C N I L. La NS16 ferme en

réa l ité la porte à l'uti l isation des données de sa nté, et la NS56, sur l a
gestion com merciale des clients, indique nettement q u e « les don
n ées de sa nté sont strictement excl ues du périmètre de la norme ». Le
code i nterne à l'assu reur désignant le client ne peut être ni le nu méro
de Sécu rité sociale (désigné sous le sigle « Répertoire national des
person nes physiques » - R N I PP), ni le nu méro de ca rte ba nca i re, ni le
n u méro d'un document d'identité. L' hypocrisie du traite ment du sujet
n'est pas douteuse. Ces trois éléments ne peuvent servir de code de
.µ
.s::. désignation, mais le fichier des clients les contient nécessa i rement :
CJl
·c
>
a.
la carte banca i re chez les bancassureurs Vie, le n u méro du permis de
0
u conduire chez l'assureur Auto et le nu méro de Sécu rité sociale chez l a
mutuelle complémenta i re d'assu ra nce Sa nté.
61. Convention qui fixe les conditions de tarification des « Risques aggravés » en
matière de Santé pour l'assurance Prévoya nce des Emprunteurs.
La CN I L est obligée de reco n naître deux brèches dans son dispositif

de protection des don nées :
• La collecte du N u méro d'i nscription au Répertoire ( N I R) est

nécessai re pour l'ensemble des complémenta i res Sa nté, Pré
voya nce et Dépendance. La consultation du R N I P est devenue
indispensable pour les assureurs Vie, dès lors que la nouvelle
loi ( Loi Eckert) leur im pose de rechercher systématiq uement
les bénéfi cia i res des contrats d'assura nce Décès dits « en
déshérence ».
• La l utte contre l e blanchi ment et le fi na ncement du terro

risme (AU30 - Lutte contre la fraude). Certes, il est toujours
i nterd it de faire des « fichiers de fra udeurs » (AU39 - « Pack
Assu ra nce », p. 53) et l'information systématique du client
de la m ise en œuvre d'un dispositif contre l a fra ude doit être
donnée par l'assu reu r. Les mesures de lutte contre le blan
chiment (en Fra n ce, elle s'étend à la fra ude, voire à la simple
« évasion fisca le » ) sont renforcées, et le client est q uestionné
sur l'o rigine des fonds p lacés en assurance Vie/ É pargne. Dans
ce domaine, la CN I L recon naît que l'interconnexion des fichiers
est inévita ble et même souhaitable.
En reva nche, la CN I L se montre particulièrement sévère sur les possi

bilités de transferts « répétitifs, massifs ou structurels » de don nées
personnelles « vers des pays tiers à l' U E ». Ils ne sont permis que s'il
y a tra nsfert vers un pays « assurant un niveau de protection adé
quat » ( N S56 et NS16, avec une rédaction un peu différente), vers une
entreprise a méricaine ayant ad héré a u « Safe H a rbor » ou e ncad rée
.µ
.s::. par les Cla uses Contractuel les Types (CCT) ou par des règles i nternes
CJl
·c
>
a.
d'e ntreprise (Binding Corporate Ru/es). Ces dispositions sont a ppli
0
u cables aux 5 volets d u « Pack Assu ra n ce » à peu près d a ns les mêmes
termes (NS16 - Gestion des contrats. N S56 - Gestion com merciale
des clients et prospects. AU31 - Collecte du N I R et consu ltation du
R N I PP, col lecte des don nées d'i nfractions et de conda mnation. AU32
- Lutte contre la fra ude AU39). I l s'agit en réa l ité :
d'affirmer que l'Europe bénéficie ou bénéficiera de conditions

de préservation des données personnel les équivalentes à cel les
de la Fra nce. La Comm ission européenne sou haite multiplier
les équ iva lents de la C N I L dans les autres pays européens ;
de souligner que les pays hors de l'Union n'assurent pas cette

même sécu rité : une partie des préoccu pations de la CN I L est
liée à l'agressivité de la justice américa i n e e n matière d'extra
territorial ité du d roit a mérica i n et d'a ppropriation de don nées
d'entreprises non a méricaines à des fi ns judiciaires.
La CN I L pou rsuit donc deux objectifs : la non-dissémi nation des

don nées de sa nté (mais sans vérita ble cou pe-feu d u rable du fait de
l'extension des complémenta i res Sa nté obl igatoi res et de l'obl igation
de consu lter le R N I P pour les contrats d'assura nce Décès en déshé
rence) et la non-exportation des don nées en masse hors du territoire
de l'U nion.
2. Les assureurs expriment aujourd'hui deux préoccupations

pour pouvoir utiliser le Big Data.
D La défi n ition restrictive des don nées de sa nté. Le Big Data

donne à l'assureur accès à des données com portementales
qui peuvent s'apparenter - voi re constituer - des don nées de
sa nté : pratique des sports, habitudes a l imentai res, intem pé
ra nce, poids, rythme cardiaq ue, pression a rtérielle, nom bre de
pas parcourus chaque jour, etc. Si les assureurs obtiennent une
ga ra ntie de la CN I L sur l'accès libre et individuel à ces don nées,
i l est peu probable que l a pression augmente pour obte n i r des
.µ
.s::. don nées relevant du dossier médica l . L'assura nce Emprunteur,
CJl
·c
>
a.
où les q uestion n a i res médicaux sont décisifs, donne des infor
0
u mations utiles sans contestation de la CN I L sur l'état médical
d u futur client qui permettrait la ta rifi cation de la ga ra ntie
complémenta i re Santé.
D La q uestion du consentement exprès du client (N orme Sim

plifiée n ° 16 et déli bération CN I L d u 1 1 j u i l let 2013, autorisant
le traitement des don n ées de sa nté lors de la souscription

d u contrat, sous réserve d u consentement exprès du client) .
Indépendam ment des questions de Sa nté, cette notion de
consentement exprès est centra le pour la gestion de produits
et ta rifs Big Data. Elle ouvre la voie à une politique de confor
m ité et donc de tra nspa rence pour l'assuré : quel les sont les
i nformations et les sou rces util isées et dans quelles lim ites ?
Elle crée un ra pport contractuel sain entre l'assureur et l'as
suré : celu i-ci « cède » ses données personnel les dans l'attente
d'une « rémunération » sous forme de qualité des ga ranties, de
n ivea u des fra nch ises ou de n ivea u de ta rifs. Cet écha nge est
déterminant pou r l'a ppréhension d'une i mage positive du Big
Data de la part du client : on passe de « l'espion nage » (donc
d u « vol » de la donnée) au partage de l'i nformation. Le client
réduit volonta i rement l'asymétrie d'i nformation avec l'assu reu r
e t bénéficie alors d e l a réduction d u coût du risque d'a nti
sélection et d'une appréciation exacte de la va leur actua rielle
d u risque qu'il présente.
3. Les assureurs ont souscrit au « Pack » de la CNIL, comme ils

ont accepté jadis les conditions de traitement des question
naires de santé dans le cadre des versions successives de la
Convention AERAS.
c
0
:;:::;
"'O Pour auta nt, l'attitude « fe rmée » de la C N I L ne correspond plus
'CIJ
ca
0:::
guère aux possibilités offertes par les moyens actuels de gestion de
\0
.-f l'information.
0
N
@
::::CJl 3.1 L'essentiel de l'effort de la CNIL se concentre sur le RNIPP et
·c
>
a.
les don nées de santé.
0
u
Cela signifie qu'en réalité l'ensemble des autres domaines d'assurance
où le recueil d'informations comportementales est déterminant
sont pratiquement libres de réglementation. Avec un peu d'astuce,
liée à la lutte contre le blanch iment, les assureurs pou rraient même
constituer des fichiers d'assurés indéli cats. Moyenna nt le recueil du
consentement du client, il devra it être possi ble de déployer des tra

vaux im portants de ma rketing, de ta rification et de conception des
produ its, Vie et Non-Vie, dans la plu part des domai nes de l'assu ra nce
des particuliers. La NS16 (gestion commerciale) qui é nonce que
« ces opérations ne doivent pas conduire à l'éta bl issement de pro
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.
Une grande partie du développement d u Big Data d a ns l'assurance

est donc réglementa i rement possi ble. C'est ce q u i fait d i re à certa ins
cou rtiers habiles que l'heure devra it être au Middle Data, c'est-à-d ire
à la recherche des moyens d'exploiter des données existantes et
exploitables de façon indemne de tout risque juridique national. I l
serait ainsi plus u ti l e de concentrer l'attention des acteurs de l'assu
ra nce sur les données dispo n i bles et sur l'a pproche du consentement
du cl ient. Connaître les styles de condu ite Auto, les prati q u a nts de
sports réputés dangereux, ou construire des profi ls mu l tiples d'épar
gna nts e n fonction de leur situation patrimoniale est sans doute plus
expédient et ra pidement utile, que de chercher à détenir le décryp
tage du génome de clie nts en assurance Sa nté. La qualité de la relation
de l'assu ra nce avec la société globale y gagnera sûrement quelq ues
points. D'a utant q u e la réforme de la Sécu rité sociale Ma ladie est
peut-être lancée avec l'ANl63, et qu'elle promeut mécaniquement une
meilleu re colla boration d u système public avec les assu reu rs. Notre
recomma ndation serait donc de s'en tenir aux informations déjà
.µ
.s::. abonda ntes et dont la circu l ation, voire le commerce, est l icite, ava nt
CJl
·c
>
a.
de rechercher l'affrontement avec les Pouvoirs pub lics.
0
u
62. European lnsurance and Occupational Pensions Authority.

63. Accord National I nterprofessionnel. Voir Cha pitre 4.
3.2 Les interdits juridiques français ne sont pas incontou rnables.
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.
Il est en effet commode de s' indigner comme Arnaud M ontebourg,

a u col loque de mars 2013 à SCO R de la main mise des GAFA s u r le
Big Data, et de prôner un nation a lisme du cloud qui permettrait à la
Fra n ce de conserver « ses » données, considérées comme un actif
national. Encore faut-i l en avoir les moyens, et il est à craindre q u e tel
ne soit pas le cas.
Les moyens de conto u rner ces réglementations existent, même si les

entités hésitent heureusement à les utiliser. Quelques exemples, de
pure fiction, i l l u streront ce propos.
• S'agissant de tarification en Sa nté, voire de tarification des

Risques aggravés, les pays extérie u rs à l'Union européenne
- éventuellement beaucoup moins sou rci l leux e n matière de
secret médical, ou ne disposa nt pas d'un système public de
Sécu rité sociale - peuvent fou rnir u n e masse d'i nformation sur
le risque Sa nté de popu lations homothétiques à la population
fra nçaise. Les assureurs des États-U nis, où le secret médical est
moins protégé, utilisent l a rgement les informations n écessa i res
.µ
à l e u r ta rification depuis la général isation de l'assurance Sa nté
.s::.
CJl
·c
(Obama care). I l n'est donc ni i m possible n i inexact de déduire
>
a.
0 une tarification « fra nçaise » de la ta rifi cation a méricai ne, et
u
d'y a ppliq uer une grille de re mbourseme nts de la Sécu rité
Sociale pou r en déduire des comportements de consommation
médicale et un ta rif d'assura nce complémentaire. I l en est de
même pour la tarification des Risques aggravés.
• La ta rification des produ its d'assura nce « malad ies redou

tées », très développée dans les pays a nglo-saxons, don n e, de
mê me, des informations sur les proba bilités de développer ces
maladies, et donc sur les a lgorithmes de tarification sur la base
de simulation de popu lations homogènes. Ceci ouvre la voie à
de nouveaux produ its adaptés au marché européen.
On pou rra it d i re, ironiquement, que le « protectionn isme » sur les

don nées européen nes conduit à i m po rter des modèles a nglo-saxons
de tarification fondés sur le Big Data. L'a ppréciation comportementale
est actuariellement moins exacte puisqu'il faut corriger les don nées
pour re ndre les comportements « homogènes ». Cela étant, cette
ta rification peut être enrichie de l'a ppréhension des données com
portementales transm ises - avec l'accord du client - par les objets
connectés qu'il possède et qui renseignent sur son style de vie et sa
tension a rtérielle, sur les ca lories absorbées à chaque re pas et sur le
rythme ca rdiaque.
Quant à la souscri ption comporteme nta le d i recte, les moyens

détournés d'accéder aux don nées ne ma nq uent pas. La réglementa
tion Solvency Il est coûteuse en assura nce de Risques. Les assureurs
vont chercher à limiter l'im pact des nouvea ux risq ues sur leur besoin
global de solvabil ité, surtout si la tarification est non conventionnelle
et peut avoir des effets négatifs sur les résultats. Or, les risques Sa nté
Big Data peuvent être réassurés par des traités proportionnels à près
de 100 % : l'assu reu r cède ainsi primes et sin istres en q uasi-totalité
à ses réassureurs, souvent situés hors d'Europe. À parti r de là, et
pour échapper aux contra i ntes de la C N I L, l'assu reu r établit un simple
« bureau de souscription » en E u rope pour ces risques, ou crée une
.µ
.s::.
CJl
·c
société de cou rtage ca ptive chargée de recueillir et de transmettre
>
a.
0 à u n ta rificateu r aux Bermudes une demande de cotation (qui iné
u
vita blement comprendra le nu méro de Sécu rité sociale puisqu' il
s'agit d'assurance Sa nté complémentaire). Le Bureau transmettra au
client une offre d'assurance irlandaise, par exem ple, pou r bénéficier
de la l i berté de prestation de services, mais réassurée à 100 % aux
Bermudes. Les avantages de tels montages, dont la licéité est très
d iscutable i l fa ut le recon naître, sont considéra bles sur le plan fiscal

et réglementa i re pour l'assu reur, et fi nancièrement i ntéressants pour
le client.
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
La France et l'Europe sont tentées par l' isolationnisme ou a u moins

la frilosité e n matière de circulation des données. Le réflexe adminis
tratif est d'i nterd i re et de contrôler. I l est vra i que l es gra nds acteurs
des marchés européens sont inqu iets d'une révol ution de l'asymétrie
d'i nfo rmation q u i ouvre de nouveaux terrains à la concu rrence. Ils
ne sont donc pas nécessairement hostiles a u protectionnisme, par
exemple à l'encontre de Google. La polémique sur la confidentia l ité
des données de sa nté vient à poi nt nommé pour renforcer la détermi
n ation des autorités pu bliq ues à a ppuyer la protection des assu reurs
n ationaux.
I l en résulte deux conséq uences néfastes pour l'assurance fra nçaise

.µ
.s::. (et sans doute européenne) :
CJl
·c
>
a.
0
• L'assurance risque de perdre des opportun ités technologiq ues.
u
Si Google et Facebook ne deviennent pas opérateurs d'assu
ra nce, ils demeureront d'efficaces collecteurs de de données,
et donc des vendeurs de cel les-ci à des acteu rs européens
dans d'autres pays q u e la Fra nce, éventuellement moins pro
tectionn istes ou moins attentifs au contrôle de l'a nonymat
des données. Si les données des AppleWatches vendues en

Fra n ce deviennent, par voie de réglementation n ationa le, des
don n ées personnel les de sa nté, donc confidentielles, elles n'en
demeure nt pas moins col lectées par Apple, q u i peut les vendre
à qui, hors d'Europe, proposera des assurances com portemen
tales aux porteurs d'AppleWatches, y compris e n Fra nce.
• La CN I L, à juste titre, s'intéresse essentiellement aux don nées

de santé, prenant en com pte une attitude sociétale qu'il serait
su icida i re de contrarier. Il ne faudrait pas que le Big Data (dont
déjà la dénomination évoque « 1984 » et Big Brother) soit assi
milé dans l'opinion à l'espionnage généralisé de la vie privée par
l'assureur. Il y a donc un effort considérable de com munication à
consentir en insistant sur le volontarisme de la com munication
d'information (le « consentement » du cl ient) et les avantages
d'adaptation des produits et des niveaux tarifai res qui en
résultent. I l faut aussi, n'en dépla ise aux théoriciens de la data
science, expliquer la profondeur de la recherche de don nées.
Il est probable qu'en disant clai rement ce que les assureurs
cherchent à connaître du comportement, le renversement de
l'asymétrie d'information soit plus favorablement accueilli par
le client. Sinon, la recherche tous azim uts risq ue de provoquer
un rejet de pratiques qual ifiées d'espion nage. I l est donc temps
d'aba ndonner les discours sur les données de santé, le génome
humain, la médecine prédictive etc. pour obtenir de la CN I L une
attitude compréhensive sur tous les autres éléments de connais
sa nce du risq ue et sur la défi nition du consentement exprès.
.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.
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 ?
e moment est venu de ré pond re à la q uestion que pose le titre

L de ce l ivre : Le Big Data est-il une oppo rtun ité ou u n e menace
pou r l'in dustrie de l'assu ra nce ? Nous avons acquis la conviction, en
l'écrivant, que l a disponibi lité de vol u mes im portants d'i nformations
rapides et va riées, i nternes ou externes à l'entreprise, structurées
ou non, offre des opportunités de rénovation profonde des métiers
d'assu ra nce. À l'i nverse, l' ignora nce ou le refus de cette « révolu
tion » - pour reprendre l'expression de notre a m ie, la marionnette
de Tim Cook - mettrait sans a ucun doute l es entreprises d'assura nce
(d istri buteurs ou porteurs de risques) en d ifficu lté. Le déda i n est une
menace.
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
don nées comportementales. C'est donc une chance pour l'ind ustrie
de l'assura nce.
Mais c'est a ussi un bouleversement majeur de la théorie du risque.

L'asymétrie d'information, qui fa isait le ta lent du souscripteur à détec
ter l'a m pleur du risque derrière la bana lité de la déclaration et l'utilité
du concepteur de tarif de pri mes, sera demain rédu ite. Les assureurs
Sa nté se prenne nt à rêver de décodage du génome humain et de
médeci ne prédictive, sans voir que le défaut d'aléa est la condamna
tion de l'assurance. Sans aller à ces extrêmes a uxq uels la société se
refuse et que la réglementation condamne à j uste titre, l'assura nce
sera demain préd ictive et com portementa le. Les actua i res rêvent du
« prix actua riel du risque » qui viendra réd u i re, voi re détru i re le rôle
de la mutual isation, et poser de nouveaux défis à l'assureur. Com

ment gérer demain des risques hors normes, devenus de fa it risques
aggravés, et que la mutualisation ne peut pl us, comme jad is, rendre
assurables, e n « écrêtant » les ta rifs entre bons et mauva is risques ?
Ces mutualités de risques « aggravés » - pour ne pas prononcer le
mot de pools honni par les gardiens du temple de la concurrence - ne
seront-el les pas, demain, le sujet des réassureurs, qui resteront les
spécial istes de la mutualisation des risques de poi nte dans le temps
et dans l'espace ?
Les perspectives du Big Data ne manquent pas de soll iciter fe rmement

la réglementation de l'assurance (EIOPA et ACPR), cel les de la gestion
des données (CN I L), cel les des relations avec le consom mateu r, mais
a ussi la notion même d'obligation d'assu ra nce, si développée en
Fra nce. La construction de mutualités larges et forcées - l'assurance
.µ
obligatoire est considérée au mieux comme un « service public » , et
.s::.
CJl
·c
au pire comme un i m pôt - pou rra it évoluer vers la « responsabil isa
>
a.
0 tion » (J.-M. N essi) du client qui couvre le risq ue tel qu'il le perçoit
u
et qu'il peut soit tra nsférer, soit assumer, et donc assurer ou non.
C'est le temps des fra nch ises plus ou moins élevées, de l'assura nce
des risques graves de sa nté, de la couverture de l'accident corporel
mais pas du bris de glace pour les automobil istes.
CONCLUSION 1 203
Les métiers et l'orga nisation des entreprises d'assurance s'en

trouvent modifiés. Pour les métiers, le message pri nci pal est que
tous peuvent en être affectés, bien au-delà de l'intuition ma rketi ng
classiq ue, qui conduirait à « digita liser » les entreprises par la fou r
n iture de quelq ues « a pplis » convivia les, et à courtiser les nouvelles
générations « d igital natives ». Les bouleversements qui résulteront
de l'appl ication des tech nologies Big Data sont des oppo rtun ités pour
l'ensemble de l'industrie : rénovation d u marketing, de la ta rification
et de la gestion, avec des ava ncées de la science actuarielle, nouvelle
orga nisation de la distri bution et de l'ensemble de la chaîne de traite
ment des opérations d'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
Algorithmes de Machine Learning 64
.µ
.s::.
CJl
·c
>
a.
0
u
64. Cette a n nexe a été éla borée par la société Forsides.

1. Panorama de quelques a lgorithmes de Machine Learning
I l y a principa lement 2 types d'a lgorith mes de Machine Lea rning :

les a lgorithmes d'a pprentissage su pervisé et d'a pprentissage non
su pervisé. Les a lgorithmes d'a pprentissage su pervisé permettent
de fa i re d u classement et de la préd iction. Pour ra ppel, classement
veut d i re ra ngement d'individus dans des classes déjà constituées
(fumeur ou non par exemple) ; c'est prédire les modal ités d'une
variable qualitative ou d iscrète. Et prédiction sign ifie attribution
d'une va leur n u mériq ue, proba bilité ou espéra nce, à des individus.
Les a lgorithmes d'a ppre ntissage non su pervisé sont eux déd iés à la
classification : détermination de grou pes homogènes d'individus à
partir de données.
1.1 Apprentissage supervisé
Dans ce type d'a lgorith me, i l y a une va riable à expliquer : variable

cible Y à prédire à partir de variables expl icatives X, conjoi ntement
observées s u r les mêmes individus. En uti lisant le jeu de données
X, l'algorithme génère u n e fonction f susceptible, a u mieux selon
un critère de m i n i misation d'erreu r, de reproduire Y ayant observé
X. Le processus d'appre ntissage se poursuit jusq u'à ce que l'a lgo
rithme atteigne un niveau de précision désiré par rapport aux données
d'apprentissage. On parle d a ns ce cas de classement ou de prédiction.
Quelques exem ples d'a lgorithmes d'apprentissage su pervisé : Régres

sions, Arbres de décision, Forêts aléatoi res, Gradient Boosting.
1.2 Apprentissage non supervisé

.µ
.s::.
CJl
·c
Dans ce type d'algorithme, il n'y a pas de va riable cible à prédire ou à
>
a.
0 esti mer. Le but ici est de segmenter les i ndividus en des groupes les plus
u
homogènes possibles (au regard des va leurs des variables prises par les
individus) à l' intérieur d'un groupe et les plus dissembla bles possibles
entre les groupes. L'algorithme génère, dans ce cas, une fonction g
de mesure d'une distance entre les i ndividus afin de les regrou per en
groupes homogènes. On parle, dans ce cas, de classification.
ANNEXE : ALGORITHMES DE MACHINE LEARNING 1 207
Exem ples d'a lgorithmes d'a ppre ntissage non su pervisé : K-means,
Réseaux de Kohonen, règles d'association (a lgorith me Apriori).
2. Liste des algorithmes de Machine Learning les plus communs
• 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
Pour mettre en œuvre certains a lgorithmes évoqués ci-dessus, nous

uti l iserons un jeu de don nées qui contient les dépenses médicales
des patients aux USA dans l e cadre d'une assura nce Sa nté. C'est un
jeu de données du livre Machine Learning with R dont voici une cap
ture d'écra n :
HIR( • 1 . M1 A<
<ount 1 c:.kJnc.d
[f... .,:J"] BOOK H VU>COS BlOG PACKT SUP90RT liPPA(lllll Cl_ fil J:
Machine Learning with R
R 9lvts youteeus to the cuuino--edoe Wtw•r•you nted to prep.110 �afor

INchlnl' IHrn ng_ No pitvlousknowttdg• requlr*Cl-thisbookw1ll t1ktyou
method·c•l\Y thr�h every sU1ge ofep�ylng mtchlne lurnhio
., .....
€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
Le lien est l e su iva nt : https://www. packtpub.com/big-data-and

-busi ness-intell igence/machi ne-learni ng-r.
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
3.1 Préparation d e l a base avant modélisation
3.1.1 Utilisation de R pour le préparation de la base
Chargement du package dplyr et caret pour la préparation des données

require (dplyr)
require ( caret )
Im portation et première analyse de la base

c
:8 # Charger la base d ' apprentis sage
� # Obtenir le répertoire de travail de R

� getwd ( )
'° ## [ 1 ] "C : /Users/BIGDATA/Document s/BIG DATA 2/Projets Rstudio/Livre_Big_Data/
.-f
o Rscrips"
N
(Q) # Le jeu de donnees se trouve dans le répertoire Donnees d u répertoire
.µ
.r:. de travail de R
CJl
·� ass urance < - read . cs v ( "C : /Users/BIGDATA/Documents/BIG DATA 2/Projets Rstudio/
g Livre_Big_Data/Donnees/insuranc e . c sv")
u
# Dimensions de la base
dim ( a ssurance)
## [1] 1338 7
# Structure et desc ription de la base
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
## reg ion charges

## northeast : 324 Min . 1122
## northwest : 325 lst Qu . : 4740
## southeast : 364 Median : 9382
## southwest : 325 Mean : 13270
## 3rd Qu . : 16640
## Max . : 63770
# Vue rapide sur les donnée : distribution des différentes variables ( utilisa
tion du de la fonction hist . dat a . frame du package Hmi s c )
Hmisc : : hist . data . frame ( a ssurance)
•
IllIIlIIIDIID
.. •
•
' ... .
- .
.µ
.s::.
J •
•
CJl .
·c •
> .n. ...
a.
u
0
_ .. _
l1
- - - .- - -
3.1.2 Utilisation de Python pour la préparation de la base

Importation de. pRdat,ti; r)li "8Îr<>
ln (1) : icpon os
u.port Dll::P1 u np
i:po� i:iatplotl1b as plt
froct allaarn 1.111pi.:- datuets # P()ur avo\r
u:pon pMdas as pd
Xc::itplotlib 1ol1ne
Chari:: mrnt de la ba.- insurancc
ln (2) : u&•cn'r le rl�crtoirc de trovo1t de PJlthon

oo &eeei:d()
Out(2j : 'C; \\Uaera\\BlCDATA\\Docu:oenta\\Pytbon Scripts'
ln [3) : L JCU d �wnnl • c .rvUV• don. •• do••• r uor.r.••• du rlpcrtoirc de trouo1t

aasuranee pd read..eav("Donneea/inaurance . eav•)
Dimcn...o
.j n� du dntl\.frnmc
In (.;) : aUU'l.'UCO 11hpo
Out(4) : ( 1338 , 7)
St rn�tur;.· «! 1-. ha..,..· 11\ • h 1m111iir;..,. 10 pnmi rt':• \lll•ur:. prc"' JlfU' h- i11lliviJ11'
In (6] : :lUuranee bead( 0)
Out(6) : age GGX bali cbildreo G1110lter rog1on cbargos

0 19 !e:Jal.e 27 . 900 0 yes soutb1oest 16884 .92400
1 18 cale 33. f'fO 1 DO aoutbeut 172S. SS230
2 28 ml• 33. 000 3 no aoutbeut 444g,45200
3 33 oal.e 22 . 705 0 DO nortb11est 21984. 47061
4 32 cale 28 . 880 0 no nortbvut 3866 .85520
s 31 h:ial.a 25. 740 0 no aoutbeut 3756 . 62160
6 46 h�le 33 . 4'0 1 no 1outhuac 82..0.58g60
7 37 fc:W.e 27. 740 3 no nortb11cst 7281 . 60660
8 37 ml• 211 . 830 2 no nortbeut 6406.41070
9 60 !e:Jal.e 25.840 0 no nortb1oest 28923 . 13692
In (6) : assurance .dascribe()
Out(6) : age bot childnn charges

count. 1338. 000000 1338 . 000000 1338. 000000 1338. 000000
11141ilil 39. 207025 30. 663397 1 . 094918 13270. 422265
otd 14 . 040060 6 . �187 1 . 2054g3 12110.01 1237
11110 18. 000000 t S . 960000 0 . 000000 1 12 1 . 873900
26Y. 27. 000000 26. 296260 0 . 000000 4740. 287160
SOY. 39.000000 30. 400000 t . 000000 9382. 033000
75Y. 5 1 . 000000 34 . 6g3750 2 . 000000 16630.SH2515
.µ :iaax 64. 000000 53 . 130000 S . 000000 63770. 428010
.s::.
CJl
·c
>
a.
0
u 3.2 Mise en œuvre du modèle de régression linéaire
En statistiq ues, en économétrie et en a pprentissage a utomatique, u n

modèle de régression linéaire est u n modèle de régression (ensemble
de méthodes statistiques pour ana lyser la relation d'une variable par
ra p port à u ne ou plusieurs a utres) dans lequel on fait l' hypothèse que la
fonction qui re lie les va riables expl icatives à la va riable expl iq uée est
linéaire dans ses paramètres (source : wi kipedia ) .
Dans l'exemple q u i suit, on réa l ise u ne régression linéaire entre les

variables « âge » , « ind ice de masse corporelle » , « nom bre d'enfants
couverts par l'ass u ra nce » et la « charge tota le des dépe nses de
Sa nté ».
3.2.1 Utilisation de R pour la régression linéaire

# Preparation des données de La régression
x_train ass urance %>% select ( age, bmi, children) # variable exp l i cative
y_train a s s urance$charges # variable à expl iquer
x <- cbind . data . frame ( x_t r a i n , y_train)
# Création de La base de test (on prend 5% de La base)

x_test_index = c reateDataPartition(y_train, p = 0 . 05 , list FALS E ) # création
d'un index pour Les valeurs des variables à prédire
x_test = x_train[ x_test_i ndex , ]
# Ajustement du modèle
fit_linear <- l m ( y_t rain - . , data = x)
# Résultats du modèle (Coefficients e t intercept obtenus)

s ummary ( fi t_linear )
##
## Ca l l :
## lm(formula = y_train - . , data x)
##
## Residua l s :
## Min lQ Median 3Q Max
## - 13884 -6994 - 5092 7125 48627
##
## Coeffi cient s :
.µ
.s::. ## Estimate Std . Error t value Pr ( > l t l )
CJl
·c ## ( I ntercept) -6916 . 24 1757 .48 - 3 . 935 8 . 74e-05 ***
>
a.
0 ## age 239 . 99 22 . 29 10. 767 < 2 e - 16 ***
u
## bmi 332 . 08 51 . 31 6 . 472 1 . 3 5 e - 10 ***
## children 542 . 86 258 . 24 2 . 102 0 . 0357 *
## - - -
## Signif . codes : 0 ' * * * ' 0 . 001 ' * * ' 0 . 01 '*' 0 . 05 ' . ' 0 . 1 ' ' 1
##
## Residual standard erro r : 11370 on 1334 degrees of freedom
## Multiple R - s q uared : 0 . 1201, Adjusted R - squared : 0 . 1181

## F - statist ic : 60 . 69 on 3 and 1334 DF, p - value : < 2 . 2e - 16
# Prédictions
predictions = predict ( fit_linear, x_test)
La charge est donc modél isée par l'éq uation

-6 916 + 240 x age + 332 x bmi + 543 x children
3.2.2 Utilisation de Python en régression linéaire
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
I Criation de b06e d� test (on prend 5X de ia base)
1ro� aklearn . croaa_va11dat1on 1mport tra1n_teat_apl1t

x_test • x_tra1n tsae1ple(!rac•O 05)
In (16) : 1 ll!lpOrt du pockag' po•r rial.arr lo rlgrc•••on

!ro� skloarn icport linoar_codol
I Criot ton d 'un ob1cl régrc'- on l nia rc

l1near • l1near_œo<lel LinearRegression()
I A)tuitement d arod�le de régreaa•on

11near .f1t(x_tra1n. y_train)
I On a//•clae te R-carrt (on obt• .nt le �CJrc R_carré que sur R)

l1near 1core(x_tra1n. y_tra1n)
0Ut (16) : O . l20098196762469b
In [ 18] : I Coc//tc\cnts de la régrcaa\on

pr1nt 'Coet!1c1ont: \n ' . linoar coof_
prtnt' Intercept: \n' . linear . 1 ntercept_
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 :
« Si l'âge d u souscripteur est i nférieu r à 42 et son i ndice de masse

corporelle est < 30, la charge représente 8 174 ».
Les arbres de décision ont l'avantage d'être aisément interpréta bles

par un h u m a i n et très ra pidement applicables par u n e machine. En
reva nche, ils posent parfois des problèmes de s u r-apprentissage
(ma uvaise capacité à préd i re de nouvelles données non u ti l isées pou r
concevoir l e modèle) et sont peu robustes : u n fa ible cha nge ment
dans les données d'a pprentissage peut mod ifier de ma n ière sign ifi
cative le résu ltat.
3.3.1 Utilisation de R avec l'algorithme d'arbre de décision

# Preparation des données pour appl i cation du modèle d 'arbres
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)
# Création de La base de test

x_test_index = createDataPartition (y_train, p = 0 . 05 , list FALSE) # création
x_test = x_train [ x_test_i ndex , ]
# 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 )
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.
3.3.2 Utilisation de Python avec l'algorithme d'arbre de décision
l'rq>M�tIon •"1· t!<>im••

In [3) : x_traln • aaauranee [ l ' a_g • . • 1'. ' ebildr n ' ] ] • "4rtAblc$ e.:plt At• C$
y_ tratn - �surance. cbaraes • variab l e a c.:pltqucr
i -C-:of��?n de ase de t�t (on prend 5% de &o boac)

�-�� -train sa=pl•(frae•O 05) • a cc le pa l:.Agc pand4s
\jlt.1-f•�H'il� Ù\J" !;X>cll'l" .1.. h•Jll•tlllit
In [4) : fr a�la ri �•o•bla 1 pc- Cr dtantBooattngllagr..1or

fit_g Cradi�nt8oosting�gres�or(n_est1 �tora • learnlng._rate•t 0 ,
cax_deptb •. r1.11d�_stat•-O>
• Trotn the atng the trotntn9 acta and core
!tt_gb::I ! t t Cx_tra.tn . y_tnl.in)
OUtC4l : Crac1lentBoo stlJl&Regressor(alpba O 9. lD.lt•lone . learning_rat.. 1 . 0. loss• ' ls' .

li.X depth• t , cax fellturea•?lone, eulX la!\f noder•!l,.ne ,
cun...sa.:plts-1ea.!• 1 . aln-suples..apl1 t•2.
cin Yetgbt.fraetio!Lleaf-0 . O . 11.eatiiutora•tOO,
rand�tato-0 . subsai:tple• l . O . verbo O. �anLJltait•Fa.lau)
In lSJ : predfcttons • f it_gbo pred1et (x_�••t>
.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).
Le fonctionnement de l'a lgorithme est le su iva nt :

• I n itial isation : le nom bre de classes K éta nt im posé, choisir K
poi nts a léatoirement pour constituer i n itialement les repré
senta nts de chaque classe.
Pour chaque poi nt :
• Ca lculer les dista n ces entre ce point et l es représentants des

classes.
• Affecter à ce poi nt la classe avec laquelle sa distance est
minimale.
• Mettre à jour les représentants de chaque classe (par exem ple,
ca lcul de barycentre).
3.4.1 Utilisation de R pour réaliser le K-Means

# Preparation des données pour La réalisation du K-Means
x_train ass urance %>% select ( charges, age, bmi, children )
# variables à classer (plus de variables
# exp l i cative et de variables à exp l iquer)

x_test_index = createDataPartition(y_train, p = 0 . 05 , list FALSE) # création
d�un index pour Les valeurs des variables à prédire
x_test = x_train[ x_test_i ndex , ]
# 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
...
Nombre optimal de clusters

= 16 + 1 = 17.
# Réalisation du K-means
fit_kmeans <- kmean s ( x_train, 17)
fit_kmeans$cluster [ 1 : 10 ] # Clusters auxquels appartiennent Les 10 premiers

individus (numérotés de 1 à 18)
## [1] 2 1 7 13 1 6 1 3 13 7 1 1 15 5
3.4.2 Utilisation de Python pour réaliser le K-Means
?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:
t1. Cll.)t � IÎ,., �·�e k i.�!"i. (� prHd. 6'1! d.e L• bue)

�-'ÇO)!I� - ';t_f.n\:IJt.. Y.uJ)Ml(tZ:ac,.o<l, 05� # OllCC le pttcbgc ptt'ldH
<:�lilocUoa �l' K·�l<.W>-4'
.ln i."1 : !J"WI "l�r.ni.. cl:o�r. 1�r': �V4tl1

.µ !i")t>Ma111 .. '1K&:uir.{t1,..:�l=9n><i1)
.s::.
CJl t�t.J.'11eat t1t<x_m.w
·c
> Ql:,t: ((J : !Of�:.na{eow�l'�. �ll1t.o ' k��-.. · , c.ax..1ter•300 , n..clusters• 17, l1-init•10,
a. ll,JQtt'l�\, ��':1P'Jt'f! At�:inct>l1" •11u1:0 • , r11ndaa 111:a1:11-None , col•0.000 1 ,
0
u W(�J)
l"t{.(lhtfo1� (Ït;e t•{�� O�){lt<>J., (\Jlp:l�<ffl:1}W '"' llôml'llll i11<li\itf11, i11tm<lni1, tfAll� J,. l\>W•
ln (�) : pn�1NJs ,,. tir�� pr.edic'!l(��est)
tG [e) ! {>reGJ.Güicme :P 29 .:i..._,J!!� "'��l.i. de 0 ci 17
0ttt (6'J : lllNy(( I , llS, 2. I L � . (), 16, 13. 7 , 2. 2. 6, 7 . 12. 7 , 14. 7 .

10, 2, 1 1 , 10, 9, 6, 14, 14, 4, 16, 13, 1 1 , 4 , 14, 1 1 , 2, 15,
10, 3, 9 , 9 , 2 . 16, 9, 14. 4 , 16, M . o . 14, 2. 16, 3. o.
12. 2. 9. o . 7 , 16. lS, 9. 16. 12. 4. 6 . o . 4 . 1 1 . 16))
ANNEXE : ALGORITHMES DE MACHINE LEARNJNG 1 217
3.5 Mise en œuvre du modèle de forêts aléatoires
Pour a ppliquer les forêts aléatoi res, on construit de m a n iè re indé

penda nte plusieurs arbres e n u ti l isant des écha ntil lons de la base
d'a pprentissage, avec sélection d'un sous-ensemble aléatoire des
variables explicatives pour chaque a rbre construit. Ensuite, on calcule
la moyenne de toutes les prédictions obtenues précédemment ou un
vote majorita i re des modal ités obtenues dans le cas d'un classement.
Bue
d •pprent11Uge 1•
Bootstrap l • rCfTUS(I de 1 êchanti Ion
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
Aib re maximal Alt>ro max.mal Aibre max.mal

/(. . I!) i( E!) I< 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.
3.5.1 Utilisation de R pour réaliser le random forest

# Preparation des données pour la réalisation du random forest
x_train = a s surance %>% select ( age, bmi , children) # variables expl icatives
y_train = a s s urance$charges # variab le à expl iquer

x <- cbind . data . frame ( x_t r a i n , y_t r a i n )
.µ
.s::.
CJl
·c # Création de la base de test
>
a. x_test_index = c reateDataPartition (y_t r a i n , p = 0 . 05 , list FALSE) # création
0
u d'un index pour les valeurs des variables à prédire
x_test = x_t r a i n [ x_test_i ndex , ]
# Ajustement du modèle de forêts al éatoires

require ( randomForest)
fit_randomforest <- randomForest (y_train - . , data = x, ntree=500)
fit_randomforest
##
## 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)
3.5.2 Utilisation de Python pour réaliser le random forest
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
# �a t ton d ba.e de te$t (Oft prend 5% de lo ba.e)

X.test • x_tral.ll . aa::ple(trac•0 .05) • avec le pac age pandaJ
Ajtbll'llll�ll 1lt1 111
...l'l
t• <Il' IMOU>li11�
ln r4J . •• klea.n1 .ena bl iJ:poI Grad1entBoo1 •.i'�1,ttt�r

fit_gb::I • CradieotBooatingRegre&aor ( n_est�'°'
...
� 'i>. learntng_rate . o.
DU_d�'t!:"�• 'l'..WOCl.State )
# Tnn n the -del a.ung the trcuang acta �3!�� a o�
fH._gb:a Ut (x.traia . y_tra111) : :·· .-
0Ut(4l : Gra<l1ent8oostuigl\egres1or(alpha-0.9. Ullt•None. learnuig.rat.. 1 .0 . loss• ' ls ' .

llU..depth 1 . !Ult.1eatures•!lone . ou.leu..nodu•None.
CllD..Jl&:plH.lea!•l, Cll1L.U:pleLSpllt•2,
1U11-vo1&11t..!ract10D-lea!•O .O. n..osti.atora• 100.
rando� state•O , subsa::iple• t . O , verbose•O, �araatart•Falae)
P�hrt1<>n•
In [S) : predict1ons • flt.gbm . predict(x_test)
3.6 Mise en œuvre du modèle de Gradient Boosting
Le principe de base est de constru i re une séquence de modèles

(arbres de décisions en généra l ) de sorte qu'à chaque étape, chaque
.µ
modèle ajouté à la combinaison a ppara isse comme un pas vers u n e
.s::.
CJl
·c
meil leure sol ution. Cette méthode consiste à a ppliquer d e façon
>
a.
0 successive le même a lgorithme de classement ou de régression, par
u
exemple un a rbre de décision à des versions de l'échantil lon initial
d'a pprentissage q u i sont mod ifiées à chaque éta pe pour ten i r com pte
des erreu rs de classement ou de prédiction de l'étape précédente,
puis à combiner les modèles ai nsi construits pour obtenir un modèle
plus performa nt. En général, dans l es tech niques de Boosting, les
mod ifications q u i survien nent à chaque éta pe sont une su rpondé

ration des observations mal classées à l'étape précédente. On force
l'apprentissage à se concentrer sur les cas les plus difficiles à préd ire
ou à ajuster, tout en essayant de l i m iter dans l'agrégation fi nale le
risque de sur-a pprentissage.
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 )

x_test_index = createDataPartition(y_t rain, p = 0 . 05 , list = FALSE) # création
x_test = x_t r a i n [ x_test_i ndex , ]
220 1 BIG DATA - MENACE OU OPPORTUNITÉ POUR L'A SSURANCE ?
# Ajustement du modèle de Boosti.ng

require(gbm)
fit_gbm <- gbm(y_train - . , data = x, n . trees = 200, shrinkage 0 . 001, c v . folds
= 3)
## Distribution not specified, assuming gaussian
fit_gbm
## gbm(formula = y_train - . , data = x, n . trees = 200, shrinkage 0 . 001,
## c v . folds = 3 )
## A gradient boosted model with gaussian loss function .
## 200 iterations were performed .
## The best cross- validation iteration was 200 .
## There were 3 predictors of which 2 had non- zero influen c e .
#Predi.ctions
predictions = predict( fit_gbm, x_test )
## Using 200 trees . . .
3.6.2 Réalisation du Boosting avec Python

Prt!"'fAll • n ri. donn/,
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
1 � G•'on de bGse de teat (on prend 6% de lG bcaeJ

x.tost • x.tra10. sa:11ple(!ra' O.OS) I evcc le pcckagc pend0$
Io [4) : trom akleani .eoa ble 1::port Crad1eotBooat1ngRég?'etaor

flt_gbcl • cradtentBoo1t tngll4lgrt••or<n.•1t1oator1• tOO , learntng_rat••t o .
:ax_depth•1 . rando:n_state-0)
I TTG\n the del ""'ng the tro•n,ng oct� end check �co�
f 1t_gl:xa fit (x_train. y_tra1n)
Out [4J : Crad1entBoost1ngRogreaaor<alpha• 0 . 9 . 1n1t•'one . loarn1Jl&-Iate• 1 . o . loas• ' ls ' .

aax..depth• l . max.Jeatures·�one. max_]_eat...oe
od s•r.ene .
allLaa:ploa..leat• l , DilLilamplH..apl1t•2,
111n vetght !ractton leaf-0 . 0 , o.eattaatora•lOO,
randoœ.atate•O , aubsample • t . O . \•erboae-0, Vl'ln:..atan•Falae)
In CSJ : pre<Uct1ons • !it.&ba. pridlct <x test>
4. I l n'y a pas que du Machine learning pour communiquer les

.µ
résultats : la data-visualisation
.s::.
CJl
·c
>
a.
I l est possible de réa l iser sur R (ggplot2 + s h i ny) et sur python ( ! py
0
u thon N otebook) des gra phiq ues dynamiques de datavisula l isation. I l
est aussi possible d e prod u i re des ra p po rts au format word o u pdf par
exem ple avec R Ma rkdown sur R.
Voici un exemple de tableau de bord avec plusieurs onglets conçu lors

d u concours de datascience Kaggle d'AXA.
� • �._ • �AA
TI •
C' 127.00.1 ,
.,
:-:
�,....:.=
= ....-=
..:.... --=-
=:;;;.;.:.
=. .. :...=::...
-=- .:.... -=:...;.:.-=
... ::;-
AXA dotoviz
- -
-·-
•
FORSIDES
--
Ce gra phique ra ppelle cel u i q u'on peut voi r s u r l e site de Kaggle65 à

l'adresse : https://www. kaggle.com/c/axa-d river-telematics-a nalysis.
dont voici une ca ptu re d'écran :
Driver Telematics Analysis
Use teJe-"rt)aoC::-:data to identify a driver

signature ..., �
.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.
R. Berger, Du rattrapage à la transformation. L'aventure numérique,

une chance pour la France, 2014, Roland Berger Consu lta nts.
C. B rasseur, Enjeux et usages du big data : Technologies, méthodes et

mise en œuvre, Hermes Science Publ ications - Lavoisier, 2013.
H . Brink, J .W. Richards, Real- World Machine Learning Version 8, MAN

N I NG, 2015.
CAP DIGITAL, Plan Stratégique : Cap 2018, Pôle de compétitivité et de

transformation numérique, mars 2013.
A. Cha rpentier, Computational Actuarial Science with R, Chapman &

H a l l/CRC, 2014.
CIGREF, Big Data : la vision des grandes entreprises, 2013.
CN N u m, « Ambition N u mérique », Rapport au premier M i n istre pour

une politique fra nçaise et e u ropéenne de la transition nu mériq ue,
j u i n 2015.
J .-C. Cointot, Y. Eychen ne, La Révolution Big data, Du nod, 2014.
Consei l d' État, É tude a n n u e l le 20 14, « Le nu mérique et l es d roits fon

da mentaux », septembre 2014.
CORA (Conse i l d'Orientation et de Réflexion de !'Assu ra nce) : séance

de trava i l sur le Big Data du 23 avril 2013 et sur la protection socia le
.µ
d u 23 avril 2014.
.s::.
CJl
·c
>
a.
K. Cukier, V. Mayer-Schonberger, Big Data, Robert Laffont, 2014.
0
u
P. Delort, Le Big Data, Collection « Que sais-je ? », Puf, 2014.
M. Du puis, E. Berthelé, Le Big Data dans l'assurance, É d itions de

l'Argus de !'Assura nce, 2014.
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.
Institut Monta igne, « Big Data et objets connectés. Fa ire de la France

un champion de la révol ution nu mérique », avril 2015 .
B. Lantz, Machine Learning with R, 2013, Packt Book.
McKinsey, « Big Data : the next frontier for innovation competition

and productivity », 2011.
Risques, n° 103, septem bre 2015, « Le choc d u big data dans

l'assu ra nce ».
G . Saporta, Probabilité, analyse des données et statistique, 3e édition

révisée, É d itions TEC H N I P, 2011.
B. Schma rzo, Big Data -Tirer parti des données massives pour déve
lopper l'entreprise, Wiley, 2014.
Sigma, « La distribution digita l e dans l'assura nce une révol ution

tranquille », n° 2/2014.
S. Tufféry, Data m i ning et statistique décisionnelle, 4e édition, É ditions

TECH N I P, 2012.
S. Tufféry, Cours de Data m i n i ng, U n iversité Rennes 1, 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
Analyse du risque de crédit - Banque & Marchés

C. Kharoubi et Ph. Thomas
Banque et finance en Afrique : les acteurs de l'émergence

Collectif sous la d i rection de D. Saïdane et A. Le Noir
Bilan d'une banque (Le)

Ch. Cha rréron, M . Formagne et S. Gril let-Brossier
Capital-investissement - Guide j u ridique et fiscal (Le)

Fr.-Denis Poitri nal
Comment la finance peut-elle contribuer à la reprise ?

Collectif (membres du Centre des professions fi na ncières), sous la
d i rection de D. Flouzat Osmont d'Amilly et P.-H. Cassou
Contrôle de gestion bancaire et direction financière

M . Rouach et G . Nau l leau
Coût du capital - Mesures, théories et pratiques ( Le)

F. Bancel
Crise en 40 concepts clés (La)

Collectif sous la direction de C. Ka ryotis
Documents de synthèse de l'entreprise Aide à la lecture de la

-
liasse fisca le et à l'a na lyse fi na ncière ( Les)

G. M orel et O. Arthaud
·�
a.
Droit bancaire et financier Méla nges AEDBF Fra nce-VI
-
8 Sous la d i rection de J .-J . Daigre et A. Gourio
Financer une entreprise par le crowdfunding - Les nouvelles règles

du crowdinvesting
D. Stucki
Gouvernance et fonctions clés de risque, conformité et contrôle
dans les établissements financiers
M .-A. Nicolet
Management et financement de l'innovation

B. Yon, avec la col l a boration de B. Atta l i
Pilotage comptable bancaire - U n ta bleau d e bord i ndispensable

S. Grillet-Brossier, Fr. Tissot, R. Vinadier
Sanctions financières internationales (Les)

D. Hotte, D. Morlet, S. Sauteret et V. Soul ignac, sous la direction de
Ph. Baumard
Solvency 2 en 125 mots-clés

Ph. Morin et P. Thourot
Stratégie et gouvernance des institutions financières mutualistes

M . Roux
Titrisation - Maillon clé du fi na ncement de l'économie

B. H u baud et J .- M . Beacco
COLLECT I O N DROIT
Démarchage bancaire ou financier & Conseillers en investisse

ments financiers - Aspects j u ridiques et pratiques
Ph. Arestan
Droit bancaire international

J .-P. Mattout
.µ
.s::. Droit des opérations bancaires et fi nancières transfrontalières -
CJl
·c
>
a.
Aspects j u ridiques et pratiques de l'accès au marché fra nçais
0
u W. Sanbar et H. Bouchetemble
Droit de la monnaie électronique

P. Storrer
Organismes de placements collectifs immobiliers (OPCI) - Régime
j u ridiques (Les)
É . Ca pron
Réparation des préjudices boursiers (La)

N . S pitz
COLLECT I O N MARCHÉ f FINANCE
Finance islamique ( La )
G . Ca usse-Braquet
Gestion collective - Géra nts et dé posita ires face à la maîtrise des

risq ues
F. Bompaire et A. La ndier-J uglar
COLLECT I O N TECHNIQUES BANCAIRES
Manuel d'économie bancaire - Au cœ u r des entreprises banca i res

D. Chabert
Opérations bancaires à l'international (Les)

Ph. Garsuau lt, avec la partici pation de S. Pri a m i
COLLECT I O N MASTER
Analyse financière - Approche i nternationale - CFA

Ph. Thomas
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
Assurance vie - Aspects réglementa ires (L')

V. Ruol
COLLECT I O N Les essentiels de la banque et de la finance
Analyse boursière fondamentale - Recherche Actions -

Equity Research
Ph. Thomas
Banque en ligne et le d roit (La)

Sous la d i rection de É ric A. Caprioli, avec les contributions
de P. Agosti, 1 . Cantero, 1. Chou kri et F. Cou pez
Cartes de paiement - Nouveaux enjeux et perspectives

D. Geiben. Fr. Flouriot. H . Ducharme
Contrôle de gestion et stratégie dans la banque

G. N a u l leau et M. Rouach
Finance et gestion dans la banque

M. Rouach
Éthique et responsabilité en finance - Quo vadis ?

P. H . Dembi nski
.µ
Ingénierie financière
.s::.
CJl
·c
Ph. Thomas
>
a.
0
u Introduction à la comptabilité bancaire
M . Formagne
Introduction au Private Equity - Les bases du capital-i nvestisse

ment. France, Belgiq ue, Luxembourg et Afrique fra ncophone
C. Demaria
LBO - M ontages à effet de levier - Private Equity
Ph. Thomas
Marketing bancaire et de l'assurance - Nouvelles tenda nces ( Le)

M. Badec et É . Trouillaud
Offres publiques ( Les)

Ph. Thomas en colla boration avec M . Demuth
Paiements à l'heure de l'Europe et de 1 'e/m-paiement (Les)

R. Bouya la
Real Estate - Fina nce de l'immobilier

Ph. Thomas en colla boration avec A. Roma net-Perroux
Trade Finance - P rincipes et fondamentaux

D. Leboiteux
COLLECT I O N PROFESSION BANQUIER
Guide pratique du conseiller bancaire et financier - Approche

patrimoniale
W. Dosi k
Manager et a nimer u n réseau d'agences

A. Delhoumeau et J .-H. M a isonneuve
Retrouvez tous les ouvrages pu bliés chez RB Édition
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�
.. l.M aittun co1111r1ent -leduN 1lIlI •

et d (fl
ul oN!MdtcenolMll e! d-cfodu8"Dàa
qui •tiloult t. act.i-. let•-"o..r-fllllC'df<t
et i. clrf&Nntl d'euh+rllwt d'INlnnCll. Que! n.ouv.u
•1 dtled"aft'alNa po.t•-1 Que!a l.Cteurs llMll'Ollt l.5llN : 9'711-2-Ml25-711-2
•1'1'11 lpao Rt_.�lQlllft" ..1"' nt, Ccdo G6cdif: Glll764
20,50eurœ
daM la cll!i1M deYIÜUrde l'hll
nh ie, u n
• lar- �-bin-..e.li'
•• •n ltllfti6 ... lw ft
Q I
H HU perlllllnte
l 1 • Denis Kesslet
9178�!Jl12!J72 I

Kossi Ametepe Folly, Patrick Thourot - Big Data - Opportunité Ou Menace Pour L'assurance - REVUE BANQUE (2016)

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Kossi Ametepe Folly, Patrick Thourot - Big Data - Opportunité Ou Menace Pour L'assurance - REVUE BANQUE (2016)

Transféré par

Droits d'auteur :

Formats disponibles

�

Préface de Denis Kessler

Code Géodif : G70764

autorisation écrite de RB Édition ou du Centre français d'exploitation du d roit de

tions du Code de la propriété intellectuelle.

PATRICK THOUROT ET KOSSI AMETEPE FOLLY

Préface de Denis Kessler

Kossi Ametepe FOLLY est Actuaire chez Forsides France et diplômé

Ils expriment leur gratitude à M. Pierre-Grégoire M a rly (Professeur

Ils remercient enfi n Mesdames Florence Besset, Géraldine Fonta ine

Les auteurs du présent ouvrage s'attachent justement à démontrer

À travers ce que l es auteu rs a ppellent le monde de l'algorithme

Les auteurs font a insi entrevoir la fi n des régimes obl igatoires et

peuvent provoquer de vives réactions, l'usage des réseaux sociaux ou

D e pl us, l a réglementation e n matière de protection des données s'in­

Préface de Denis Kessler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

L'écosystème du Big Data aujourd'hui . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

Cha pitre 1 Les défi nitions et l'écosystème du Big Data . . .. . . . . . .... . . . 15

Annexe : Dictionnaire de la Data Science .................... 29

Cha pitre 2 Big Data et Révol ution Digita le . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .. . . . 41

Cha pitre 3 La propriété des don nées : frein ou levier ? . . . . . . . . . . . . . . . 51

Le Big Data et les métiers de l'assurance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

Cha pitre 4 Le ma rketing 3.0 : du prod uit d'assurance

Cha pitre 6 De la gestion des contrats à la gestion

Cha pitre 7 U n e assurance sans fra ude ? . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . 117

Annexe : La fraude à l'assu ra nce dans le « Pack

Cha pitre 8 Les hommes et les machines du Big Data . . . . . . . . . . . . . . . . . 129

Le Big Data et les entreprises d'assurance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139

Cha pitre 9 Big Data et création de va leur :

Cha pitre 10 La révolution Big Data dans l'orga nisa tion

Cha pitre 11 Le modèle économique du Big Data : quel retou r

Chapitre 12 Le cadre réglementa i re en Fra n ce et en Europe :

Conclusion Menace ou Opportun ité ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201

Les assureurs sont, comme les banquiers, des collecteurs et des

L'ouvrage s'adresse à des non-spécialistes : il a donc un but péda­

...-.et ouvrage ne traite pas du Big Data en ta nt que système de

Le premier chapitre est consacré à la définition du concept et aux

Le deuxième opère une d isti nction majeure e ntre les évolutions

Les définitions et l'écosystème du Big Data

1. Source : Le Big Data dans /'assurance, Marc Dupuis et Emmanuel Berthelé,

électroniqu e, d a ns l'ensem ble de la société, dans un cad re très peu

Le monde de l'assu ra nce est, curieusement, pris à revers par cette

C'est pourquoi, ava nt de décri re comment l'industrie de l'assu ra nce

Berthelé3 parlent de « l'écosystème » ), les acteurs d u Big Data, et

1. Big Data : essai de définition

Le G a rtner G roup4 a publié la définition de référence : « Big Data is

D Les 3V = volume, velocity, variety ca ractérisent la « révol ution

3. M. Du puis, E. Berthelé, Le Big Data dans l'assurance, Éditions de l'Argus de

des mai llons de la chaîne de va leur de l'assura nce ? Qui, fi nale­

C'est à ce poi nt qu'i ntervien nent les notions de « monétisation »

D Des formes nouvel les de gestion (processing) de l'i nformation

I l manque à cette définition généra l e deux ca ractéristiques majeures

L' i nformation n'est plus nécessairement maîtrisée par le pros­

• L'i nformation est jusq u'à présent fortement normée et, en

2. Les outils technologiques de la « Révolution digitale » (voi r

des capacités de stockage », et « capacité à traiter des données peu

2.3 L'analytique et les algorithmes

Le Big Data n'i nvente aucun des instruments mathématiques et sta­

8. Idem op. cit.

pe rmet des révisions de ta rifs ou de politiques de souscri ption plus

Il est moins sûr que la gestion d'actifs bénéficie de l'utilisation d'algo­

Le Web interactif et l es réseaux sociaux fou rnissent les i nformations

Il en va de même en ce q u i concerne les réseaux sociaux. Le « Web

D e pl us, l a réglementation e n matière de protection des données s'in

L'ouvrage s'adresse à des non-spécialistes : il a donc un but péda

des mai llons de la chaîne de va leur de l'assura nce ? Qui, fi nale

L' i nformation n'est plus nécessairement maîtrisée par le pros

Le Big Data n'i nvente aucun des instruments mathématiques et sta

Il est moins sûr que la gestion d'actifs bénéficie de l'utilisation d'algo

C'est le cœur tech nologique de la chaîne de valeur. Le Big Data com

.... d) Ta rification (actuaires formés à la construction d'a lgo

projet purement informatique qui fonctionne sans une forte implica

Le Big Data est « révolutionnaire » pour l'assura nce, et il est proba

La data science13 foisonne de termes dont la conna issance est néces

Amazon sur le cloud, notamment de l'espace de stockage, de la puis

BigTable : Système de gestion de base de données (SGBD) com

DFS - Distributed File System : En fra n ça is, Système de fichiers distri

Mahout : Collection d'a lgorithmes à apprentissage a utomatique évo

Zookeeper : Service centra l isé pour gérer les i nformations de confi