Pour rester compétitives, les compagnies d’assurance doivent amplifier le volume d’insights et de valeur qu’elles tirent de leurs données. Dans la seconde partie de ce webinaire récent, Sudaman Thoppan Mohanchandralal, Regional Chief Data and Analytics Officer chez Allianz Benelux, détaille les étapes clés que les acteurs de l’assurance doivent franchir pour exploiter pleinement le potentiel de la data science.
Du garage de data science à l’usine
Dans ce webinaire, Sudaman décrit l’usage actuel de la data science dans l’assurance comme un « garage analytique ». Les organisations savent que la donnée est stratégique, mais elles ne l’exploitent pas efficacement à l’échelle de toutes les décisions.
Selon IBM, si 71 % des assureurs proposent des produits fondés sur la donnée, beaucoup ne disposent pas d’une stratégie cohérente pour industrialiser la data science et le machine learning. Sudaman compare l’objectif final à viser à une « usine analytique ». Dans ce modèle, l’entreprise mobilise la donnée à grande échelle pour éclairer l’ensemble des décisions, avec trois bénéfices majeurs :
- Un potentiel financier considérable : de nombreuses opportunités de faire croître le cœur de métier grâce à des cas d’usage de machine learning.
- Un avantage concurrentiel face aux nouveaux entrants : prendre des décisions basées sur les données est indispensable pour rivaliser avec des acteurs aux modèles disruptifs, guidés par la data et l’analytics.
- De nouvelles perspectives d’extension du cœur de métier : en optimisant les décisions sur l’activité principale, on libère des ressources pour explorer de nouveaux modèles au-delà du périmètre actuel. Capgemini en décrit certains ici.
Mais des obstacles bien réels empêchent aujourd’hui les assureurs de passer à l’échelle vers des usines analytiques. En voici quelques-uns évoqués dans le webinaire.
Obstacle n° 1 : une gouvernance floue
La première étape vers une usine analytique, c’est une gouvernance claire. Dans ce webinaire, Aaren Stubberfield, Manager of Data Governance and AI chez Ingredion Inc., explique comment la gouvernance des données réduit les risques liés aux lois sur la confidentialité en apportant de la clarté sur la donnée. Cette clarté renforce aussi la confiance dans les décisions fondées sur ces données. McKinsey estime que dans certains services, plus de 30 % du temps des collaborateurs est gaspillé en tâches sans valeur lorsque la qualité et la disponibilité des données sont faibles, faute de gouvernance. Une gouvernance solide est donc essentielle pour bâtir une usine de data science.
Obstacle n° 2 : pénurie de talents clés
Deuxième étape : développer les talents en data science au sein de l’organisation. Ces compétences se structurent autour de trois rôles principaux :
- Data scientist : formation en mathématiques appliquées et compétences techniques en exploration de données, statistiques, machine learning et informatique. Sa mission principale est de concevoir des algorithmes pour des cas d’usage à forte valeur.
- Analytics engineer : généralement issu de la data science, avec un accent plus marqué sur l’informatique et la programmation. Son rôle est d’industrialiser les algorithmes du data scientist et de les rendre scalables en production.
- Analytics translator : double compétence data science et business. Il traduit les problèmes métiers en exigences techniques et transforme les sorties des modèles en solutions opérationnelles.
Déployer ces compétences à grande échelle est complexe compte tenu de la pénurie de talents data. Les organisations doivent donc miser sur la montée en compétences en interne en instaurant une culture d’apprentissage. Ces rôles sont indispensables pour atteindre le stade d’usine de data science.
Une fois ces postes pourvus, il convient de lancer des projets à gains rapides pour démontrer le potentiel de l’usine. Ces quick wins peuvent ensuite être systématisés et passés à l’échelle afin d’industrialiser l’analytics avec des produits data full-stack. Tous ces bénéfices découlent de la constitution de la bonne équipe et d’un traitement proactif de la pénurie de talents en interne.
Obstacle n° 3 : manque d’implication du terrain
Troisième étape : impliquer les équipes de première ligne. Toute l’organisation doit disposer d’une véritable culture des données. Les collaborateurs au plus près des clients doivent comprendre les systèmes déployés. Ils doivent être en mesure d’expliquer pourquoi ils recommandent tel service à un client, ou pourquoi tel niveau de tarification s’applique. Une communication client efficace, indispensable pour construire une usine analytique, repose sur l’implication du terrain. C’est là que la construction d’une culture data entre en jeu — un sujet traité par Sudaman dans un autre webinaire DataCamp.
Obstacle n° 4 : implication du management
Enfin, l’adhésion de la direction est cruciale pour faire fonctionner l’usine. Le management doit travailler étroitement avec les équipes data pour piloter la transformation. Il lui revient de mobiliser sa connaissance du métier afin de générer de la valeur et un impact financier à partir des technologies mises en place par les équipes data. Sans une attention soutenue de la part des décideurs, les bénéfices de l’usine ne peuvent se matérialiser.
Pour en savoir plus sur la façon dont les assureurs peuvent faire évoluer leurs garages analytiques en véritables usines, visionnez le webinaire à la demande.