Présentation effectuée lors des journées IARD de l'Institut des Actuaires du 20-21 mars 2014 à Niort Eric FROIDEFOND & Stéphane CHAPPELLIER Accès membres de l'IA : http://www.institutdesactuaires.com/gene/main.php?base=028&ep=1

1. BIG DATA et
données externes
dans les modèles de tarification

2. CONFIDENTIAL © 2014 ACTUARIS 2
BIG DATA
 BIG DATA : Quelques clés
 Eric FROIDEFOND – MAAF – MBA CNAM ENASS en cours
 Intégration du BIG DATA dans la tarification en assurances IARD
 Stéphane CHAPPELLIER – ACTUARIS – ISG CEA IA

3. CONFIDENTIAL © 2014 ACTUARIS
Les opportunités pour l’assurance2
La gouvernance des données5
3 Le fonctionnement
Conclusion6
Le Big Data1
Les moyens techniques pour le Big Data4
BIG DATA : Quelques clés
3

4. CONFIDENTIAL © 2014 ACTUARIS
VOLUME VELOCITE
VARIETE
VALEUR
D’après le Gartner, le « Big Data » peut se définir avec le concept des 3V :
 Volume des données disponibles
 Variété : données semi structurées voire non structurées complexes et de tous types
(textes, images, …)
 Vélocité : fréquence à laquelle les données sont générées, capturées et partagées
(nombre de tweets à la seconde par exemple)
BIG DATA : Définition
4

5. CONFIDENTIAL © 2014 ACTUARIS
BIG DATA : Une avalanche de données
5
5

6. CONFIDENTIAL © 2014 ACTUARIS
Les Produits
Marketing &
Ventes
Gestion des
contrats
Gestion
Sinistres
Gestion des
Actifs
Nouveaux marchés
Nouveaux produits
Connaissance des
risques et meilleure
tarification
Optimisation des
produits
Gestion de la
performance
Segmentation plus
fine
Nouveaux clients
Vente multi-canal
Détection résiliation
Optimisation et
ciblage des
campagnes
commerciales « just
in time »
Optimisation de la
gestion des réseaux
de prestataires
Détection des
fraudes
Prévention et
mitigation des
risques
Gestion des
paiements
Stratégie de
placement
Gestion de
Portefeuille
Gestion des actifs et
passifs
Modélisation des
risques
Tarification temps
réel
BIG DATA : Principales opportunités pour l’assurance
6

7. CONFIDENTIAL © 2014 ACTUARIS
BIG DATA : Fonctionnement
7

8. CONFIDENTIAL © 2014 ACTUARIS
BIG DATA : Intégration
8

9. CONFIDENTIAL © 2014 ACTUARIS
Calcul du nombre de tweets par
utilisateur
BIG DATA : Zoom sur le MapReduce
9

10. CONFIDENTIAL © 2014 ACTUARIS
BIG DATA : Moyens techniques (le cloud computing)
10

11. CONFIDENTIAL © 2014 ACTUARIS
BIG DATA : La visualisation
11

12. CONFIDENTIAL © 2014 ACTUARIS
Exactitude
Objectivité
Plausibilité
Réputation
Pertinence
Quantité appropriée des
informations
Actualité
Exhaustivité
Représentation concise
Représentation cohérente
Interprétabilité
Compréhensible
Facilité de manipulation
Disponibilité / Opportunité
Restriction d’accès
Les dimensions de la qualité des données
Qualité intrinsèque
Qualité liée au contexte et à
la représentation
Qualité liée à la sécurité et
à l’accessibilité
BIG DATA : Une gouvernance des données obligatoire
12

13. CONFIDENTIAL © 2014 ACTUARIS
BIG DATA : Conclusion
13
Support Client
CLIENT
Innovation
Etudes Marketing
Produits & Services
assurance
Analyses & Etudes
Stratégie

14. CONFIDENTIAL © 2014 ACTUARIS
Positionnement tarifaire et données2
Assurances et capteurs / réseaux sociaux5
3 Quel apport de données externes ?
Conclusion6
Tarification prime pure et données1
Challenge BIG DATA : connectabilité & algorithmes4
BIG DATA dans la tarification en assurances IARD
14

15. CONFIDENTIAL © 2014 ACTUARIS 15
Tarification prime pure et données
 Etablissement prime pure : recherche de données
permettant d’expliquer la sinistralité grâce au :
 GLM
 Classification pour zonier et véhiculier
 Données traditionnellement utilisées pour
l’établissement de la prime pure limitées :
 Données essentiellement internes
 Faible recours à des données externes
 Mouvement vers l’utilisation de plus données :
 Variables croisées : âge x sexe (maintenant banni)
 Interne : croisement de données entre produits :
 Auto / MRH : âge x propriétaire/location résidence
principale : variable tarifaire en auto
 Données bancaires / prêt et données
assurances
 Externe :
 INSEE : densité, éloignement des
services essentiels…
 Données véhicules : SIV
 Existe-t-il des données BIG DATA permettant de
mieux expliquer la sinistralité que les données existantes ?

16. CONFIDENTIAL © 2014 ACTUARIS 16
Positionnement tarifaire et données
 Positionnement tarifaire : recherche de données
permettant d’expliquer le choix de l’assuré :
 Modèle d’élasticité au prix de la demande
 Positionnement concurrentiel
 Algorithme de « valeur client »
 Optimisation tarifaire
 Ces modèles très utilisés au Royaume-Uni,
sont encore très peu utilisés en France,
néanmoins cela devrait évoluer :
 Loi Hamon  potentiel effet ciseau
 Comment fidéliser le portefeuille ?
 Comparateurs  potentiel anti-sélection
 Comment acquérir les profils à valeur ajoutée ?
 Ces modèles sont très gourmands en données :
 Données connaissance du risque
 Données relation client
 Données flux primes / sinistres avec effet
retard
 Existe-t-il des données BIG DATA permettant
de mieux expliquer la propension des assurés à
souscrire / renouveler?

17. CONFIDENTIAL © 2014 ACTUARIS 17
Quel apport de données externes ?
 L’utilisation de données externes (sans parler de BIG DATA) est actuellement
faible et limité :
 Données INSEE, données délinquance (CartoCrime) …
 Données Véhicules : SRA, constructeurs, SIV …
 Ces données permettent d’acquérir des variables complémentaires qui permettent
de qualifier plus finement le risque qu’à partir des données transmises par
le réseau et/ou l’assuré :
 La ville de résidence est-elle en zone rurale peu peuplée ou en zone urbaine ?
Est-ce un lieu où la criminalité est faible ou élevée ?
 Le véhicule est-il une :
 citadine : pour aller faire les course le week-end ?
 sportive : pour épater les copains et sortir en boîte ?
 familiale : pour partir en vacances avec la famille ?
 commerciale : pour faire des tournées en province ?
 Tout apport d’information permettant de renforcer la caractérisation d’un profil de
risque est utile pour éviter l’anti-sélection

18. CONFIDENTIAL © 2014 ACTUARIS 18
Challenge BIG DATA : connectabilité & algorithmes
 Il y a plusieurs problèmes majeurs à l’utilisation des
données BIG DATA en assurance :
 Connectabilité : il faut pouvoir relier les données à un
client en portefeuille ou en affaires nouvelles
 Algorithme : il faut pouvoir disposer d’un algorithme
permettant de valoriser ces données
 Quelle influence ce critère a sur la sinistralité ou le
comportement de souscrire / renouveler ?
 Pour ce critère, quelles sont les modalités qui
permettent de connaitre l’intensité de cette
influence ?
 Pouvoir prédictif suffisant :
 Ce critère n’était pas déjà capturé par d’autres
variables déjà connues
 Ce critère est-il plus puissant / prédictif que les
variables déjà connues ?
 Est-ce que l’investissement nécessaire le mérite ?

19. CONFIDENTIAL © 2014 ACTUARIS 19
Assurance et capteurs
Port OBD-II
Source : VAG
Capteur de données
physiologiques Source: TF1
Domotique
Source: Tech-Securité
Parmi les données BIG DATA, il existe une catégorie qui regroupe les qualités
recherchées permettant de mieux caractériser le risque. Plutôt que de se baser sur
la recherche de variable permettant de traduire un comportement à risque, cette
catégorie cherche à capturer le comportement à risque directement à la source
Les capteurs :
 Auto : OBD-II
 comportement de conduite : freinage brusque, coups de volant
intempestifs
 MRH : Domotique
 comportement des occupants
 Santé : capteur de données physiologiques
 activité physique, intellectuelle…
De nombreux handicaps empêchent l’exploitation de ces données
 Au-delà d’obtenir des algorithmes permettant de mesurer le comportement
et son influence sur le coût du risques
 Prix de l’installation, transmission des données  chute de prix attendue
 Protection de la vie privée  algorithme embarqué, transmission du score

20. CONFIDENTIAL © 2014 ACTUARIS
 Il semble difficile de trouver des données pertinentes qui traduisent un
comportement à risque de façon plus pertinente que celles déjà utilisées
 Par contre, les réseaux sociaux peuvent apporter beaucoup concernant le
positionnement tarifaire :
 Sensibilité, attentes (écoresponsable, développement durable…)
 Réceptivité aux messages marketing
 Réactivité face aux changements
 Fidélité
 Elasticité au prix…
 Du fait de cet apport, la chaine de répartition de la valeur va-t-elle se recomposer pour prendre en
compte l’apport des réseaux sociaux dans l’équation ?
 Réseaux sociaux  réseaux affinitaires ?
 Réseaux sociaux  apporteurs d’affaires / comparateurs / distributeurs ?
20
Assurance et réseaux sociaux

21. CONFIDENTIAL © 2014 ACTUARIS 21
Conclusion
Conjoncture favorable aux assurés et défavorable aux assureurs :
 La « génération internet » rentre sur le marché : zapping
 Possibilité de zapper d’assureurs plus facilement (Loi Hamon, comparateurs)
 Pouvoir d’achat en baisse suite à la crise
 Processus tarifaire « français » en retard sur les autres marchés
Opportunités :
 Les assurés n’attendront pas que les assureurs aient
sophistiqué leur processus tarifaire pour changer d’assureur
 Tirer partie des enseignements reçus sur les autres marché
pour se positionner / différencier
 Un challenge pour les actuaires
 Expérimentations
 Utilisation de données et de modèles moins bien maitrisés
 Evolutions plus rapides et plus fréquentes des processus tarifaire
 Importance cruciale d’un suivi et d’une réactivité aux changements de tendances
Source : L’Argus de l’Assurance

22. CONFIDENTIAL © 2014 ACTUARIS
BIG DATA : Bibliographie
 VINT Research report 2 of 4 – Big Social - Predicting behavior with Big Data – SOGETI
 Site PEGASUSDATA.COM
 Wikipedia
 Livre blanc ISACA : BIG DATA : Impacts et Avantages
 http://www.journaldunet.com/developpeur/outils/les-solutions-du-big-data/principe-de-
fonctionnement-de-mapreduce.shtml
 http://datascience.bluestone.fr/blog/les-origines-les-grands-principes-du-big-data
 VINT Research report 1 of 4 – Creating clarity with Big Data – Jaap Bloem, Menno Van Doorn –
Sander Duivestein – Thomas Van Manen – Erik Van Ommeren - SOGETI
 Basé sur une analyse du Boston Consulting Group (BCG)
 IDC (International Data Corporation)
22

23. CONFIDENTIAL © 2014 ACTUARIS
Les intervenants
23
Stéphane CHAPPELLIER
Actuaire IA
Responsable du Pôle IARD
Tél. : +33 (0)1 56 89 07 70
Direct : +33 (0)1 56 89 30 72
Fax : +33 (0)1 56 89 07 71
E-mail : stephane.chappellier@actuaris.com
Eric FROIDEFOND
Direction Systèmes d’Information
Manager Entité DSI Professionnels
MBA CNAM – ENASS en cours
Direct : +33 (0)5 49 17 55 90
Port : +33 (0)6 83 18 76 53
E-mail : eric.froidefond@maaf.fr