Uncategorized

En Belgique
Onesurance travaille intensivement avec Jan Andel. Il est auteur et coach de transition
35 ans d’expérience dans des fonctions commerciales et de souscription pour des intermédiaires et des assureurs belges et néerlandais.
Jan parle également couramment le français.

Pour lire l’article, consultez ce post linkedin  

Ou consultez le PDF ici: Version néerlandaise ou version française.

Cet événement aura lieu les 12 et 13 juin à Amsterdam.

Le DIA est bien connu pour être l’événement européen de premier plan dans le domaine de l’assurance et de l’assurtech, et propose une programmation exaltante :

Les meilleures insurtechs innovantes Des leaders d’opinion de l’intérieur et de l’extérieur de l’industrie Des événements annexes excitants (soirée de lancement, trajet en ferry pour le réseautage, iAnnet)

Venez nous rendre visite sur notre stand ou consultez-nous dans l’application DIA.

Pour plus d’informations et pour acheter des billets, rendez-vous sur ITC DIA Europe – Amsterdam 2024.

Möchten Sie erfahren, wie Sie Ihre Kundenportfolios mit unserem #KI-automatisierten Ansatz optimieren können?

Gerne sehen wir uns am kommenden Dienstag, den 28. Mai, und Mittwoch, den 29. Mai, auf der Messe insureNXT in Köln am Stand C011 mit der Dialog Group!

À la demande de VVP, présenté dans le dernier numéro de VVP, la principale plateforme pour les conseillers financiers aux Pays-Bas, notre CTO et stratège en IA, Dennie van den Biggelaar, explique comment appliquer des technologies spécifiques d’IA et de machine learning à « l’avis en pratique ». Dans diverses éditions, les sujets suivants seront mis en avant :

• Commencer avec des technologies spécifiques d’IA et de ML
• Opérationnalisation dans les processus métier
• Intégration dans les paysages informatiques existants
• Mesurer = apprendre : indicateurs de performance clés pour le ML
• Éthique, réglementation et société
• IA et ML : un aperçu du futur proche

Dans cette troisième édition, nous répondons à la question : comment intégrer un algorithme entraîné dans votre paysage informatique existant et vos outils ?

Intégration de logiciels d’IA

Le secteur de l’assurance est au seuil d’une révolution technologique. Avec l’intégration de moteurs de décision d’IA, les assureurs peuvent améliorer considérablement le service client et obtenir de meilleurs résultats commerciaux. Les algorithmes d’IA peuvent prédire la perte de clients, calculer la valeur à vie du client (CLV), et formuler des recommandations de vente croisée et de vente incitative, permettant aux conseillers de prendre des décisions mieux informées. Mais comment intégrer ces algorithmes dans votre infrastructure informatique existante? Comment garantir que vos employés disposent de ces prédictions et suggestions au bon moment pour travailler de manière plus facile et plus efficace? Cet article propose plusieurs conseils techniques concrets pour intégrer avec succès des moteurs de décision d’IA dans les systèmes d’assurance.

Définir une intégration réussie

Je crois fermement que les problèmes informatiques doivent toujours servir un objectif commercial. Une intégration réussie commence toujours par la question : ‘Quand cette intégration sera-t-elle réussie?’ Créer une histoire utilisateur peut aider, par exemple : “En tant que [responsable marketing numérique chez l’agence de souscription X], je souhaite [savoir chaque semaine quels clients ont besoin d’un produit supplémentaire Y], afin que je puisse [mettre en place une campagne marketing automatique ciblée pour ce groupe] dans le but de [générer (de nouveaux) prospects chaque semaine pour mes conseillers sur le terrain].” C’est un bon point de départ pour présenter aux experts techniques ce qui est attendu d’eux. Habituellement, d’autres questions suivent : • Quelles informations spécifiques l’utilisateur souhaite-t-il voir? • À quelle fréquence cela doit-il être actualisé? • Comment mesurerons-nous le succès de ces campagnes automatiques? En posant et en répondant à ces questions, l’équipe identifie naturellement le cadre d’une intégration réussie. Ce n’est pas un travail d’une seule personne : il est important que les affaires/utilisateurs et les experts techniques soient représentés dans cet exercice!

Analyser le paysage informatique existant

Une intégration réussie commence par une analyse approfondie de l’infrastructure informatique existante. De nombreuses tentatives d’intégration échouent en raison d’un manque de compréhension des systèmes actuels, ce qui entraîne des problèmes de compatibilité. Avec quels systèmes informatiques existants, bases de données et interfaces l’algorithme d’IA doit-il ‘collaborer’? Quelles quantités de données doivent être transférées? Quand et à quelle vitesse? (Une intégration réussie signifie créer une synergie entre les systèmes backend et frontend.)

Dans la pratique, cela signifie travailler et s’aligner avec divers partenaires informatiques des systèmes backend et frontend. Commencez cet inventaire tôt et incluez tous les intervenants (externes) dans vos plans. Si vous n’avez pas le temps ou les ressources pour le faire vous-même, nommez l’un de vos partenaires informatiques pour qu’il assure la gestion de projet pour vous. Après tout, c’est leur expertise!

Clarté, extensibilité et agilité

Malheureusement, j’ai souvent vu des organisations avec des projets innovants dont le paysage informatique était trop rigide. Par conséquent, concevez une architecture modulaire et évolutive pour permettre des expansions et des modifications futures, assurant ainsi l’agilité de votre organisation. De nos jours, il est de bonne pratique d’utiliser des architectures de microservices, où chaque fonctionnalité fonctionne comme un service distinct. Cela facilite l’ajout, le remplacement ou la mise à jour de nouveaux éléments sans refondre l’ensemble de l’infrastructure.

Cohérence et qualité

La qualité des données est cruciale pour le succès de l’IA. De nombreux systèmes d’IA fonctionnent mal en raison de données incohérentes, incomplètes ou obsolètes. Par conséquent, mettez en œuvre un pipeline de nettoyage et de prétraitement des données pour garantir que toutes les données envoyées au moteur de décision d’IA sont propres et à jour. Des outils automatisés pour l’intégration et la validation des données peuvent aider à garantir la fiabilité des résultats de l’IA. Utilisez des processus ETL (Extraction, Transformation, Chargement) pour extraire des données de diverses sources, les transformer en un format uniforme et les charger dans un référentiel de données central. Cela garantit un flux de données rationalisé essentiel pour la formation et l’utilisation réussies des modèles d’IA.

Tests, validation et suivi

Des tests et une validation approfondis sont essentiels pour garantir que les modèles d’IA fonctionnent correctement dans les systèmes existants. Des tests insuffisants peuvent entraîner des erreurs et des problèmes inattendus après la mise en production. Par conséquent, effectuez des tests approfondis dans un environnement simulé qui reproduit l’environnement de production. Validez la sortie des modèles d’IA avec des données historiques et des analyses de scénarios. Impliquez les utilisateurs finaux dans la phase de test pour garantir que les modèles répondent aux exigences métier et aux besoins des utilisateurs.

Utilisation des API

Les API (Interfaces de Programmation d’Applications) sont essentielles pour connecter les moteurs de décision d’IA avec les systèmes existants. Sans interfaces normalisées, la communication entre les systèmes peut être inefficace et problématique. En développant et en implémentant des API capables de recevoir et d’envoyer des données, l’intégration devient flexible et évolutive. Cela garantit que le moteur de décision d’IA peut communiquer de manière robuste avec les systèmes de back-office et de front-office.

Sécurité et confidentialité

La sécurité des données est cruciale, surtout compte tenu de la nature sensible des données d’assurance. Une sécurité insuffisante peut entraîner des violations de données, entraînant une perte de confiance client et des violations de la vie privée. Par conséquent, n’utilisez que les données qui sont vraiment nécessaires et anonymisez autant que possible. Si vous avez vraiment besoin de certaines données sensibles, appliquez le chiffrement. Assurez-vous que tous les transferts de données entre les systèmes et le moteur de décision d’IA s’effectuent via une connexion chiffrée. Utilisez des contrôles d’accès et des journaux d’audit pour garantir la sécurité des données et la conformité aux réglementations.

Conclusion

Une intégration approfondie est une condition préalable au succès de l’IA dans votre organisation. Vous devez non seulement envisager un cas d’affaires extensible et l’utilisateur, mais aussi réfléchir à l’agilité, à la sécurité, à la confidentialité et à la qualité. Par conséquent, vous avez besoin d’une équipe avec différentes compétences et vous devez coordonner et collaborer avec des partenaires informatiques. Tout d’abord, assurez-vous que vous ou quelqu’un dans votre organisation avez une compréhension claire du cadre commercial d’une intégration réussie. Rendez cela explicite pour que vous puissiez le transmettre. Ensuite, nommez quelqu’un responsable de la réalisation et de la gestion de projet associée. Si vous ne souhaitez pas ou ne pouvez pas libérer de ressources pour cela, vous pouvez facilement engager l’un de vos partenaires informatiques de confiance pour ce faire. Vous pouvez alors vous concentrer sur votre propre cœur de métier ! « Il est facile de créer un algorithme auto-apprenant. Ce qui est difficile, c’est de créer une organisation auto-apprenante. » – Satya Nadella, PDG de Microsoft En résumé : concevoir, construire et valider un algorithme robuste n’est que la première phase de la mise en œuvre réussie de l’IA en pratique. Dans la prochaine édition, nous approfondirons la manière de l’intégrer avec les systèmes et flux de travail informatiques existants.

À la demande de VVP, présenté dans le dernier numéro de VVP, la principale plateforme pour les conseillers financiers aux Pays-Bas, notre CTO et stratège en IA Dennie van den Biggelaar explique comment appliquer l’IA spécifique et l’apprentissage automatique aux « conseils en pratique ». Dans diverses éditions, les sujets suivants seront mis en avant :

• Commencer avec l’IA et l’AM spécifiques
• Opérationnalisation dans les processus commerciaux
• Intégration dans les paysages informatiques existants
• Mesurer = apprendre : KPI pour l’AM
• Éthique, réglementations et société
• IA et AM : un aperçu de l’avenir proche

Dans cette deuxième édition, nous répondons à la question : comment opérationnaliser un algorithme entraîné dans les processus commerciaux ?

Défis pour opérationnaliser l’IA dans les processus commerciaux Imaginez que vous et votre équipe de data science avez conçu un algorithme IA prometteur pour prédire les résiliations, visant à ce que les conseillers les abordent de manière proactive. Ce processus a été discuté dans la première partie de cette série « IA en pratique ». Le potentiel est là, mais vous réalisez bientôt que plusieurs obstacles complexes doivent être surmontés pour le mettre en œuvre pratiquement. Quels sont ces obstacles et comment les surmonter ?

Les résultats mesurables manquent Un objectif clairement formulé identifie précisément ce que l’algorithme IA doit accomplir et s’aligne sur les objectifs commerciaux. La portée, quant à elle, dirige le projet en définissant les sources de données pertinentes, le budget, les délais et les résultats attendus. Quelles sont les étapes pour y parvenir ? Un projet de data science est généralement un investissement où :

• Il est incertain de ce qu’il peut offrir.
• Il est incertain si votre équipe peut le réaliser.

Par conséquent, rendez le projet aussi petit et gérable que possible sans perdre sa valeur et son impact s’il réussit. Essayez d’obtenir des résultats le plus rapidement possible pour prouver que vous êtes sur la bonne voie. Si vous n’obtenez pas ces résultats, évaluez et ajustez avec l’équipe. Si vous les obtenez ? Premier objectif atteint ! Ensuite, créez une histoire convaincante et présentez-la à vos parties prenantes commerciales en discutant de la manière de la faire évoluer au sein de votre organisation.

Questions sur la qualité constante des données Un obstacle courant est la qualité et la fourniture constante de données à jour. Les incohérences et les valeurs manquantes peuvent compromettre la précision du modèle IA. La solution ? Une exploration approfondie des données qui sont toujours précises, disponibles et cohérentes (les données ABC). Si des données essentielles ne répondent pas à ces critères pour atteindre votre objectif, appliquez un nettoyage approfondi des données, comme la gestion des valeurs manquantes, des valeurs aberrantes extrêmes et des données mal saisies. Ensuite, vous devrez structurer ces étapes de nettoyage dans un pipeline de transformation des données et un processus associé afin de pouvoir ajouter ces données à votre base pour un modèle opérationnel fiable.

Manque de confiance dans le modèle IA Une compréhension et une confiance insuffisantes dans les modèles ML constituent un obstacle à leur acceptation par les utilisateurs non techniques. Si vous ne prêtez pas suffisamment attention à cela, la méfiance et la résistance apparaîtront. Une solution consiste à sélectionner des modèles transparents avec une bonne explicabilité et des méthodes intelligentes où la complexité est traduite en un concept compréhensible. La visualisation et une documentation claire (du processus) augmentent la confiance, repoussant ainsi l’objection de la « boîte noire » au second plan. Comme pour tout changement, il est important d’impliquer soigneusement vos collègues dans ce processus. Donnez-leur suffisamment de temps pour poser des questions et s’habituer à cette nouvelle technologie et à ses possibilités. Réalisez que leurs questions et leurs commentaires sont des éléments essentiels pour réussir l’application prévue en pratique.

Préoccupations concernant la sécurité, la confidentialité et l’éthique Il va sans dire que la sécurité et la confidentialité des données (clients) sont des conditions préalables pour commencer. Heureusement, de nombreuses nouvelles législations ont été mises en œuvre ces cinq dernières années et les organisations les appliquent également de manière pratique et structurée. La confiance n’est pas seulement une question de législation et de technologie. Des objections éthiques peuvent également être attendues sous divers angles :

• Sommes-nous sûrs que l’algorithme est équitable ?
• Et que signifie cela ?
• Certains groupes sont-ils désavantagés par un algorithme ?
• Trouvons-nous cela éthiquement responsable ?
• Comment empêcher mon algorithme de discriminer ?

Heureusement, l’Association des Assureurs Néerlandais a établi plusieurs lignes directrices que vous pouvez intégrer dans votre algorithme et votre approche. Vous voulez vous assurer de ne rien oublier ? Désignez une personne responsable de cela.

Le cycle de rétroaction manque Écouter les expériences des utilisateurs et utiliser ce retour crée un cycle dynamique itératif permettant au modèle d’évoluer en fonction des exigences commerciales. Un mécanisme de rétroaction structuré est crucial pour la capacité d’auto-apprentissage du modèle IA. Comment mettre cela en place correctement diffère selon l’application IA. Dans le cas spécifique de la « prévention des résiliations », demandez par exemple aux conseillers d’enregistrer ce qu’ils ont fait avec la prédiction : appelé le client, lui rendu visite ou rien fait. De cette façon, vous pouvez mesurer au fil du temps l’effet sur les résiliations.

Surveillance insuffisante Le mot d’ordre devrait être : « gardez l’algorithme en laisse. » Vous ne voulez pas de « hallucinations » ou de dégradation inattendue des performances, par exemple lors d’une rupture de tendance. Cela signifie qu’un système de surveillance et d’alerte minutieux doit être en place pour suivre les performances du modèle. Une application durable nécessite une documentation détaillée des paramètres et des données utilisées afin que le modèle reste transparent et reproductible.

Le modèle n’est pas évolutif Un algorithme doit être « par conception » intégré dans un système avec l’évolutibilité en tête. Des solutions cloud sécurisées et une infrastructure évolutive telle que la technologie MLOps (la variante ML de DevOps) sont généralement nécessaires. Tenez compte des projections de croissance et assurez-vous d’un système suffisamment flexible qui s’adapte aux exigences commerciales en évolution. Faire les bons choix pour l’intégration avec le paysage informatique est essentiel (par exemple, traitement en temps réel ou par lots). Plus de détails dans la prochaine édition.

Dernier point mais non le moindre : manque d’implication Selon le professeur d’innovation Henk Volberda, le succès de l’innovation est seulement de 25 % technique et de 75 % dépendant de l’adoption humaine. L’adoption réussie commence par le « parrainage du CEO » car l’eau coule de haut en bas. La direction doit assurer une formation suffisante, une communication et un soutien lors du déploiement d’un modèle IA. Investissez suffisamment de temps et d’énergie pour faire de cette nouvelle technologie une partie de votre organisation, de la stratégie à l’exploitation. Car c’est là que réside le véritable retour sur investissement : la collaboration réussie entre les experts humains et la technologie IA.

« C’est facile de créer un algorithme auto-apprenant. Ce qui est difficile, c’est de créer une organisation auto-apprenante. » – Satya Nadella, CEO de Microsoft.

En résumé : concevoir, construire et valider un algorithme robuste n’est que la première phase pour réussir l’implémentation de l’IA en pratique. Dans la prochaine édition, nous approfondirons la manière de l’intégrer aux systèmes et flux de travail existants.

Dans cette interview avec Odette Bakker (CEO) et Indra Frishert (CMO) de DAZURE, publiée dans VVP, la plateforme pour les conseillers financiers aux Pays-Bas, Odette et Indra déclarent que « Les esprits brillants chez Onesurance construisent quelque chose d’innovant pour notre processus médical. Bientôt, de nombreux futurs assurés devront répondre à beaucoup moins de questions médicales car l’algorithme développé peut faire des prédictions basées sur des données historiques. En conséquence, les polices peuvent être émises beaucoup plus rapidement ».

« Pour moi, Onesurance incarne une mise en œuvre responsable et efficace de l’IA, donnant des résultats optimaux. Leur enthousiasme débordant ajoute une couche de plaisir à la collaboration. »

Odette Bakker, PDG de DAZURE

« Lors de la souscription à une assurance vie, l’assureur souhaite savoir exactement à quel point une personne est (in)saine pour estimer le risque de décès. Cela se fait par des spécialistes médicaux. Le demandeur doit remplir une ‘déclaration de santé’. quel mot peu amical, en fait… mais bon. Si cela montre que vous avez (eu) quelque chose, vous devez répondre à encore plus de questions ou subir des examens. Nous savons par expérience que la plupart des gens n’attendent pas cela avec impatience.

Quand la souscription à une assurance vie ne nécessite plus d’interrogatoire.

Dazure propose une assurance vie, et les propriétaires Odette Bakker et Indra Frishert ont toujours examiné ce processus médical de manière critique. Ils prennent au sérieux les signaux des demandeurs. Les gens annulent parfois leur demande en apprenant qu’ils doivent subir un examen médical. Pendant la période COVID, ce problème est devenu plus pressant en raison des pénuries de personnel médical. Les spécialistes médicaux étaient plus nécessaires dans les hôpitaux.

BAISSE DES POLICES D’ASSURANCE VIE

De nos jours, les gens s’attendent à ce que lorsqu’ils commandent quelque chose en ligne, il soit livré le lendemain. Le processus médical cause parfois de longs retards. La diminution du nombre de polices d’assurance vie souscrites est en partie due à ce processus. Les conseillers financiers recommandent souvent de souscrire une assurance vie, mais ils ne la médiatisent pas toujours activement. Le processus de délivrance de la police peut nuire à leur processus de conseil. « Dans le passé », une assurance vie était souscrite dans 60 % des cas lors de la souscription d’un prêt hypothécaire ; maintenant, c’est seulement 16 %. Il est extrêmement important d’avoir une assurance vie pour être financièrement sécurisé.

MISE EN ŒUVRE DE L’IA

Dazure a depuis longtemps l’ambition de rendre le processus d’acceptation médicale plus rapide, plus efficace, plus agréable et plus facile. Nous avons maintenant développé un système intelligent avec Onesurance basé sur l’IA (Intelligence Artificielle). Et oui, bien sûr, avec un ‘humain dans la boucle’ et un cadre éthique. Ce système nous permet de prédire de manière sûre et plus précise quels demandeurs peuvent passer par un processus plus court. Ce groupe n’a pas besoin de déranger les spécialistes médicaux ou de s’épuiser avec de longs questionnaires.

COMMENT ÇA MARCHE ?

Nous avons construit un algorithme entièrement transparent qui peut faire des prédictions fiables et hautement précises basées sur les questions de santé complétées à l’aide d’analyses prédictives. Cet algorithme est formé sur des données historiques.

RÉSULTATS IMPRESSIONNANTS

L’algorithme a immédiatement prédit correctement la moitié des processus médicaux avec une marge d’erreur de 0,1 %. Plus de la moitié des demandeurs ont pu être acceptés immédiatement. Le délai de traitement pour le reste est passé de 29 à 71 jours à 7 jours ! On estime que le nombre d’annulations sera réduit de moitié au moins.

En améliorant le processus, en le rendant plus efficace et plus rapide, nous espérons répondre aux attentes modernes et permettre à plus de personnes de retrouver leur chemin vers l’assurance vie.

Le NVGA est la communauté la plus importante aux Pays-Bas pour les courtiers en assurance indépendants. Le comité de sélection était composé de Levent Türkmen (directeur général de SUREbusiness), Marijn Moerman (PDG d’Alicia, lauréate du prix de l’innovation 2022), Annet van den Berg (rédactrice en chef d’AMweb_nl) et Caro Sala (conseillère en communication au NVGA). Ils ont examiné les seize candidatures reçues cette année. Notre nomination est pour le moteur IA. C’est un moteur de décision modulaire alimenté par l’IA capable de soutenir les conseillers en extrayant des données des systèmes back-office, en effectuant continuellement des analyses avec des algorithmes complexes et en fournissant ensuite des prédictions ciblées dans les systèmes front-end utilisés. Le NVGA et AM visent à stimuler l’innovation dans le secteur des agences de souscription avec le NVGA AM Innovation Award.

À la demande de VVP, présenté dans le dernier numéro de VVP, la principale plateforme pour les conseillers financiers aux Pays-Bas, notre CTO et stratège en IA Dennie van den Biggelaar explique comment appliquer l’IA spécifique et l’apprentissage automatique aux « conseils en pratique ». Dans diverses éditions, les sujets suivants seront mis en avant :

• Commencer avec l’IA et l’AM spécifiques
• Opérationnalisation dans les processus commerciaux
• Intégration dans les paysages informatiques existants
• Mesurer = apprendre : KPI pour l’AM
• Éthique, réglementations et société
• IA et AM : un aperçu de l’avenir proche

Naturellement, nous commençons dans cette première édition par les bases : qu’est-ce que c’est et comment démarrer ? Si vous avez des questions à la suite de cet article, n’hésitez pas à contacter Dennie (dennie@onesurance.nl).

IA vs. Apprentissage Automatique (ML) L’IA est une machine ou un logiciel qui effectue des tâches nécessitant traditionnellement l’intelligence humaine. L’apprentissage automatique (ML) est un sous-ensemble spécifique de l’IA permettant à une machine ou à un logiciel d’apprendre à partir de prédictions ou d’actions historiques. L’exemple le plus connu et discuté de logiciel ML est ChatGPT, conçu pour générer du texte significatif pour les utilisateurs. Cependant, il existe de nombreux autres problèmes où l’apprentissage automatique peut nous aider. Souvent, il n’y a pas encore de solution prête à l’emploi comme ChatGPT que vous pouvez utiliser directement. Pour construire une solution IA utilisable, vous devez rassembler les bonnes compétences au bon moment. C’est la tâche du stratège en IA de travailler avec une équipe multidisciplinaire d’experts métiers, d’ingénieurs ML, d’ingénieurs de données et de data scientists pour déterminer ce que vous voulez prédire, comment (précisément) cela doit être fait, quelles techniques utiliser et enfin comment tout opérationnaliser et sécuriser pour obtenir les résultats souhaités.

Exemple : Prédiction des résiliations En tant qu’entreprise, vous voulez vous assurer que les bons clients reçoivent l’attention appropriée de vos conseillers au bon moment, minimisant ainsi les résiliations. Idéalement, vous sauriez quels clients sont susceptibles de résilier. Mais comment traduire cela à l’équipe ? Souvent, un client résilie une seule police, ce qui est généralement juste un changement et quelque chose que vous ne voulez pas contaminer votre modèle ML avec. Supposons qu’un client résilie toutes les polices dans la branche de la responsabilité principale mais pas les autres (encore). Est-ce un client sur le point de partir ? Et s’il résilie tout dans la branche incendie principale mais conserve encore une aide juridique et une assurance-vie temporaire ? Des polices ont-elles été transférées en interne ? Quel est le taux de résiliation réel ? Ce sont toutes des choses que vous voulez déterminer avant de mettre une équipe d’ingénieurs ML au travail. De plus, vous devez considérer votre horizon de prévision : combien de temps à l’avance voulez-vous prédire ? Voulez-vous savoir quels clients résilieront dans les 1, 3, 6 ou 12 prochains mois ? Cela peut sembler un détail, mais sous le capot, cela signifie que vous entraînerez un modèle ML complètement différent.

Trouver des motifs Une fois que vous avez clairement défini ce que vous voulez prédire, il est temps de voir si vos données sont suffisamment précises, disponibles et cohérentes (les « ABC des données »). La principale raison pour laquelle les clients résilient est souvent un manque d’attention. La question est bien sûr de savoir de qui, quand et pourquoi il y a eu un « manque d’attention ». Cette information n’est pas dans votre entrepôt de données et doit être construite par l’ingénierie des fonctionnalités. Quelles caractéristiques affectent significativement la probabilité de résiliation ? C’est un processus analytique et créatif où les connaissances et l’expérience des experts en assurance et des data scientists se rejoignent. Une fois qu’une table initiale solide avec des fonctionnalités est formée, vous pouvez enfin commencer avec l’apprentissage automatique. L’expérience montre que la prédiction des résiliations est mieux modélisée avec la classification ou l’analyse de survie. Il existe des centaines de techniques ML théoriquement adaptées à cela. Dans votre choix, il est important de considérer : dans quelle mesure l’algorithme doit-il être explicable, quelle complexité les motifs peuvent-ils avoir et combien de données sont ABC ?

Validation des motifs Après que la « machine » a commencé à travailler pour trouver des motifs et faire des prédictions, il y a toujours un moment excitant… quelle est la précision des différents modèles ? L’ingénieur ML dispose d’une boîte à outils étendue pour cela. D’abord, ils gardent une partie des données séparée pour tester et valider un modèle entraîné. Cela garantit la robustesse des motifs découverts et empêche un modèle de faire des prédictions inexactes dans le « monde réel ». Ensuite, ils regardent les faux positifs et les faux négatifs et leurs coûts. Par exemple, une prédiction faussement positive qu’un client résiliera le mois prochain n’est pas trop grave. Le conseiller appelle le client et conclut que rien ne va mal : cela ne coûte que 15 minutes de son temps. Si l’algorithme prédit incorrectement qu’un client restera fidèle (faux négatif), c’est beaucoup plus coûteux : vous perdez un client. En se basant sur, entre autres, la précision, le rappel et les scores AUC, le meilleur modèle ML est déterminé. De plus, il est possible d’ajuster les algorithmes pour qu’ils soient plus stricts ou plus indulgents afin qu’ils s’adaptent mieux au processus commercial prévu. Cela s’appelle le réglage des paramètres et un ingénieur ML expérimenté sait comment le faire de manière responsable.

Rendre cela utilisable Ensuite, vous intégrez l’algorithme dans les processus opérationnels. Comment les données peuvent-elles être transférées de manière sûre et efficace ? Comment le conseiller peut-il facilement utiliser la prédiction ? C’est le travail des ingénieurs de données et de logiciels. Enfin, vous voulez également que le conseiller fournisse des commentaires sur la qualité de l’algorithme afin qu’il apprenne de l’utilisateur. L’algorithme devient plus intelligent et plus efficace à mesure qu’il est utilisé. C’est le véritable composant « IA », mais plus à ce sujet dans la prochaine édition !

L’IA n’est pas toujours ML Par exemple, l’algorithme Deep Blue (qui a battu le grand maître d’échecs Garry Kasparov) en 1997 est de l’IA mais pas du ML. Le ML est toujours de l’IA.

Trois phrases sur Dennie lui-même Dennie est un économètre avec 12 ans d’expérience dans la conception, la construction et la mise en œuvre de solutions d’apprentissage automatique en pratique. En tant que co-fondateur et CTO de Onesurance, il est responsable du développement des solutions IA et de leur opérationnalisation réussie pour les clients du secteur des assurances.

Une histoire personnelle par Heidy Bouwmans-Bierman dans cet article, qui a été publié dans VVP, la plateforme pour les conseillers financiers aux Pays-Bas, sur la manière dont l’équipe personnelle chez Rivez et Zuiderhuis Assurantiën collabore avec l’application TopDefend de Onesurance.

« La manière dont les données peuvent être utilisées pour prédire, par exemple, la probabilité de résiliation d’une relation me fascine. Cela nous fournit un excellent outil pour servir nos clients. Nous pouvons également prédire la prochaine meilleure police pour une relation en fonction des données. »

Heidy Bouwmans – Gestionnaire des assurances personnelles – Rivez Zuiderhuis

Que dit son collègue :

« L’Assistant IA tient ses promesses, suscitant l’enthousiasme des employés car il intègre parfaitement une technologie complexe sur le terrain. Cela se traduit par une réduction du taux de résiliation, une augmentation des ventes et une satisfaction accrue tant chez les clients que chez le personnel ».

Michael Dubelaar – Directeur des opérations – Rivez Zuiderhuis

Assurer que chaque client reçoive une attention opportune et personnalisée est crucial.

Texte de Willem Vreeswijk

Heidy Bouwmans, gestionnaire des assurances personnelles et des conseils chez Rivez-Zuiderhuis, qui compte 165 employés, le dit. La compagnie d’assurance, générant plus de 20 millions d’euros de chiffre d’affaires, a été formée en 2022 à partir de la fusion entre Rivez Assurantiën & Risicobeheer et Zuiderhuis Assurantiën. La société fait partie du réseau Söderberg & Partners et possède des succursales à Helmond, Veghel, Deurne, Schaijk, Tegelen et Venlo. Rivez-Zuiderhuis est active dans les assurances, la gestion des risques, les problèmes d’absence, les prêts hypothécaires et les conseils financiers sur mesure pour les particuliers et les entreprises. De plus, il existe une spécialisation dans l’immobilier/les corporations immobilières et les associations commerciales.

« Un meilleur service client où la plupart de l’attention est accordée au bon client »

Heidy exerce ses fonctions actuelles depuis quatre ans mais possède une longue carrière dans le secteur financier. « J’ai principalement travaillé dans le segment des entreprises. Il y a environ 35 ans, j’ai commencé chez Aegon. Après une période de formation, j’ai été détaché chez l’un de leurs conseillers. Ensuite, j’ai travaillé avec plaisir dans le département des sociétés de véhicules à moteur à Leeuwarden. Après le déménagement de la partie entreprise d’Aegon à La Haye, j’ai travaillé pendant une courte période dans le département privé à Leeuwarden. En raison d’un déménagement, je me suis retrouvé chez Quintes, où j’ai travaillé pendant douze ans en tant que responsable des relations commerciales et j’ai également approuvé conjointement des polices et des sinistres commerciaux délégués avec un collègue. Ensuite, j’ai travaillé comme responsable des affaires internes dans un plus petit bureau. Ici aussi, je m’occupais des sinistres et des relations commerciales. Après avoir occupé ce poste pendant environ dix ans, je suis arrivé chez Rivez-Zuiderhuis dans mon poste actuel. J’ai toujours tiré beaucoup d’énergie du fait de fournir aux relations la meilleure solution d’assurance et de conseils possibles. J’ai remarqué que je passais beaucoup de temps à répondre aux questions des employés et à assumer un rôle plus coaching. J’ai tellement aimé cela qu’il y a environ quinze ans, je suis passé à un rôle plus axé sur le leadership. Malgré les défis que cela comporte, j’en tire toujours beaucoup de satisfaction. »

MEILLEUR SERVICE CLIENT

« Pendant longtemps, l’IA et l’utilisation des données étaient pour moi un ‘spectacle lointain’, et je l’associais à la technologie robotique. Jusqu’à ce que je lise comment l’IA est utilisée dans les hôpitaux, par exemple, pour extraire des informations des données des patients dans la délivrance de diagnostics de COVID-19 et la recherche sur le cancer. Grâce à mes enfants, je suis entré en contact avec une application comme ChatGPT, et un tout nouveau monde s’est ouvert à moi. L’utilisation de l’IA est tellement plus large et plus intégrée dans la vie quotidienne que beaucoup de gens ne le réalisent. »

« L’année dernière, nous sommes entrés en contact avec Onesurance, et mon intérêt pour l’IA a été vraiment éveillé. La manière dont les données peuvent être utilisées pour prédire, par exemple, la probabilité de résiliation d’une relation me fascine. Cela nous fournit un excellent outil pour servir nos clients. Les développements sont rapides. Par exemple, ils peuvent également prédire la prochaine meilleure police pour une relation en fonction des données. »

« Ce que nous visons à réaliser avec l’utilisation de données, c’est un meilleur service client où la plupart de l’attention est accordée au bon client. Les prédictions que nous utilisons créent un sentiment de pertinence parmi les employés. Ils ressentent également qu’ils maintiennent le bon client, ce qui est très motivant. Surtout parce qu’il y a eu un changement dans l’approche des clients privés ces dernières années. Les jours où le conseiller venait prendre un café le soir pour passer en revue le package sont loin derrière nous. Fournir une bonne approche client tout en respectant le devoir de diligence reste un défi, surtout avec les difficultés actuelles sur le marché du travail. »

POINTS D’APPRENTISSAGE

« Nous avons commencé petit avec quelques employés qui ont fourni beaucoup de commentaires, permettant des ajustements continus et le début d’un programme plus optimal. Progressivement, le programme est déployé dans tout le département privé. Les employés traitent un certain nombre de pistes chaque jour. »

Quels sont les points d’apprentissage pour les collègues conseillers ? « Un point important est de prendre le temps et d’instruire les employés. Dans l’agitation de la journée, vous devez vous assurer qu’il y a suffisamment d’opportunités pour contacter un certain nombre de relations chaque jour. Faciliter cela de manière suffisante pour nos employés reste un défi

Insurance Data et Onesurance annoncent fièrement un partenariat stratégique dans ce post lié, combinant leurs forces uniques pour transformer radicalement l’utilisation des données sur le marché de l’assurance. Cela marque une nouvelle phase de progrès dans l’industrie. En tant qu’expert leader dans la rationalisation, l’intégration et la visualisation des données d’assurance, Insurance Data a construit un palmarès impressionnant dans l’intelligence d’affaires avancée. En complément, l’équipe d’ingénieurs IA expérimentés de Onesurance a développé un moteur IA innovant. Ce moteur modulaire est spécifiquement conçu pour les assureurs, agences de souscription et intermédiaires, fournissant des prédictions de résiliations avancées et une souscription IA hautement précise pour les risques commerciaux. Jack Vos (CEO Onesurance) : « Cette collaboration augmente notre impact sur le marché car nous servons le même groupe de clients sélectionnés. » Lex De Bruijn (CEO Insurancedata) : « Cette alliance offre non seulement une plus grande visibilité mais nous permet également d’ajouter une valeur directe pour nos clients. » L’urgence d’exploiter les données et l’IA pour des thèmes critiques tels que la gestion active des clients, les flux de travail efficaces, la croissance évolutive et la conformité est motivée par la consolidation de portefeuilles de plus en plus grands et la pénurie croissante de personnel qualifié. Avec plus de 12 mois de collaboration intensive en coulisses, les experts en données des deux entreprises ont construit le moteur IA permettant un temps de mise en valeur rapide pour les clients. Dans le monde de l’assurance, le timing est crucial. Le moteur IA répond à cette question tout en maintenant la précision et l’orientation client, gardant les entreprises en avance sur la concurrence. Un exemple est le module générique M&A qui prédit les évaluations de portefeuille en utilisant des algorithmes. Pour répondre rapidement à la demande croissante du marché, Frank Rensen (RGA) a été nommé en tant qu’expert en assurance expérimenté. Il est bien connu sur le marché.

Le 18 décembre 2023, nous avons été présentés dans cet article du Het Financieele Dagblad avec une interview approfondie où nous avons quelque peu démystifié le « buzz de l’IA » et nous nous sommes concentrés particulièrement sur les aspects éthiques de l’IA. Nous avons conclu en soulignant l’importance du comité consultatif KOAT de SIVI qui comprend des représentants de l’Association des Assureurs Néerlandais, Adfiz, le groupe de contact pour l’automatisation, l’université de Leiden et l’université de Tilburg. KOAT signifie Qualité des applications de conseil automatisé. Cela fait référence à des logiciels intelligents capables de remplacer des tâches mais pas des personnes. L’assurance est et restera une affaire de personnes.

L’ÉVOLUTION DE L’IA DANS LE SECTEUR DE L’ASSURANCE
Introduction :
Il est remarquable que beaucoup pensent encore que l’IA se limite à l’IA générative telle que Chat-GPT. Cependant, l’IA spécifique est utilisée dans le secteur de l’assurance depuis un certain temps, notamment par les grands assureurs pour l’optimisation des primes et des risques. L’entreprise de science des données Onesurance se concentre sur l’IA spécifique pour aider les prestataires de services financiers à mieux servir leurs clients.
Dennie Van Den Biggelaar, économètre et data scientist avec 12 ans d’expérience en tant que stratège en IA, souligne que dans le secteur de l’assurance, il s’agit plus d’une « évolution de l’IA spécifique » plutôt que d’une « révolution de l’IA générative ». Cette (r)évolution est motivée par un besoin croissant de servir les clients de manière évolutive et personnelle. En raison des consolidations, les portefeuilles augmentent en taille avec une pénurie croissante de conseillers. Les compagnies d’assurance atteignent ainsi les limites de leur croissance. « Ce problème ne peut être résolu qu’en utilisant les données et l’IA de manière plus intelligente », déclare Van Den Biggelaar, qui, avec son partenaire Jack Vos, a fondé Onesurance. Vos, qui connaît bien le monde de l’assurance, explique que leurs modules IA ne sont pas destinés à remplacer les conseillers et les experts mais à les soutenir dans leur travail. « Dans le monde de l’assurance, des hypothèques et des pensions, tout tourne autour de la confiance : c’est et reste une affaire de personnes. »
Onesurance choisit délibérément de déployer l’IA spécifique pour résoudre des problèmes très spécifiques pour les compagnies d’assurance. Basées sur des données historiques, des prédictions fiables sont faites pour l’acceptation, le risque de résiliation, la valeur à vie du client ou la gestion client efficace, garantissant que le bon client reçoive la bonne attention au bon moment. « Nos modules IA sont ‘par conception’ explicables, transparents et conformes aux cadres éthiques de l’Association des Assureurs Néerlandais », note Van den Biggelaar, responsable du développement technique des modules IA. Vos ajoute : « Ce sont des qualités généralement requises dans le secteur des assurances mais que l’IA générative ne peut pas encore fournir. »
Le potentiel de faire plus avec les données et l’IA est considérable. Selon une étude du CapGemini Research Institute auprès de 204 assureurs, les « maîtres des données » du secteur de l’assurance réalisent un chiffre d’affaires par ETP supérieur de 175 % et sont 63 % plus rentables. Ce fait séduit évidemment les parties qui font constamment des acquisitions dans leur ambition de croître de manière évolutive.
En même temps, les dilemmes autour de la confidentialité, du biais et de la responsabilité restent importants. Si l’IA est déployée sans contexte et sans le « soi-disant humain dans la boucle », des erreurs involontaires peuvent survenir, entraînant une insatisfaction des clients, des problèmes éthiques et une perte de confiance dans le secteur des assurances. « Il ne faut pas faire de compromis éthiques et moraux lorsqu’on travaille avec l’apprentissage automatique et l’IA », déclare Van den Biggelaar. « Il est crucial que les experts en IA se sentent responsables de diriger cela dans la bonne direction. Et nous prenons notre rôle dans ce domaine très au sérieux. » C’est pourquoi Onesurance collabore intensivement avec Brush-AI, la première entreprise néerlandaise dédiée à la gestion systématique du composant éthique dans l’IA.
Que cette responsabilité soit également prise au sérieux par le secteur des assurances est évident avec le comité consultatif KOAT, qui a débuté sous la direction de SIVI en 2019. SIVI développe et gère des normes pour les affaires numériques dans le monde financier. Jack Vos, lui-même membre du comité, déclare : « KOAT signifie Qualité des applications de conseil et de transaction automatisées. Par ‘applications automatisées’, nous entendons des logiciels intelligents capables de remplacer des tâches, pas des personnes. L’utilisation croissante de telles applications automatisées dans le secteur financier, combinée à de nouvelles réglementations (européennes), rend le contrôle de qualité des applications automatisées de plus en plus important pour protéger les intérêts des clients. » L’Institut des plaintes des services financiers (Kifid) voit de plus en plus de plaintes concernant les services numériques. La plateforme SIVI offre aux assureurs, agents de souscription et entreprises de logiciels une checklist et une base de connaissances, entre autres. Il n’est pas impensable que la checklist soit une bonne première étape vers une norme de qualité. Cela est important pour le consommateur final mais aussi pour le conseiller financier lui-même. Après tout, le prestataire de services financiers reste responsable des conseils donnés même si l’application automatisée est développée par un fournisseur de logiciels externe.
« Une technologie devient puissante seulement lorsqu’elle est intégrée dans le contexte éthique et humain. » – Satya Nadella, CEO de Microsoft.

Boîte de faits :
Depuis septembre 2022, Onesurance fait partie du Cronos Group, le plus grand fournisseur de services TIC en Belgique avec 10000 employés, dont 500 sont basés aux Pays-Bas. Cela a permis à Onesurance de se développer rapidement, car tous les experts TIC complémentaires sont directement disponibles au sein des unités Cronos. Les fondateurs Jack Vos et Dennie van den Biggelaar ont acquis des années d’expérience dans le développement et la mise en œuvre de solutions de science des données chez Building Blocks, qui fait partie de l’entreprise cotée CM.com. En 2019, ils ont remporté le NVGA Innovation Award avec la solution Data Driven Underwriting. Onesurance a des bureaux à Amsterdam-IJburg, Breda et Kontich (Belgique).

« Est-ce que le buzz autour de l’IA fonctionne définitivement en faveur de Onesurance ? » entendons-nous souvent. L’IA n’est certainement pas juste une mode, et les data scientists expérimentés considèrent cette mode principalement autour de Chat-GPT avec des sentiments mitigés. Dans cet article présenté dans le numéro 4 de VVP, la principale plateforme pour les conseillers financiers aux Pays-Bas, nous approfondissons ce sujet. La montée de l’intelligence artificielle (IA) semble avoir atteint le secteur des assurances grâce au buzz autour de ChatGPT, et la discussion sur ses effets est tout sauf noir et blanc. La question est de savoir comment trouver un équilibre entre les aspects positifs et négatifs de la montée de l’IA, cet équilibre étant crucial dans aucun autre secteur autant que dans le monde de l’assurance.

« Est-ce que le buzz autour de l’IA fonctionne définitivement en faveur de Onesurance ? » entendons-nous souvent. L’IA n’est certainement pas juste une mode, et les data scientists expérimentés considèrent cette mode principalement autour de Chat-GPT avec des sentiments mitigés. Dans cet article présenté dans le numéro 4 de VVP, la principale plateforme pour les conseillers financiers aux Pays-Bas, nous approfondissons ce sujet. La montée de l’intelligence artificielle (IA) semble avoir atteint le secteur des assurances grâce au buzz autour de ChatGPT, et la discussion sur ses effets est tout sauf noir et blanc. La question est de savoir comment trouver un équilibre entre les aspects positifs et négatifs de la montée de l’IA, cet équilibre étant crucial dans aucun autre secteur autant que dans le monde de l’assurance.

L’IA : Plus qu’un perroquet stochastique
La montée de l’intelligence artificielle (IA) semble avoir atteint le secteur des assurances grâce au buzz autour de ChatGPT, et la discussion sur ses effets est tout sauf noir et blanc. La question est de savoir comment trouver un équilibre entre les aspects positifs et négatifs de la montée de l’IA, cet équilibre étant crucial dans aucun autre secteur autant que dans le monde de l’assurance.
AUTEUR – JACK VOS – ONESURANCE.NL
Pour commencer, le concept d’intelligence artificielle n’est certainement pas nouveau. Le terme lui-même a été utilisé pour la première fois lors de la « Dartmouth Workshop » en 1956, où des scientifiques se sont réunis pour discuter de la manière dont les machines pourraient afficher un comportement intelligent. Depuis lors, nous pouvons distinguer trois phases principales dans le développement de l’IA dans le paysage de l’assurance :
Systèmes basés sur des règles (1960-1990)
Dans les premières années de l’IA, ces systèmes n’utilisaient que des règles saisies manuellement pour prendre des décisions simples basées sur des entrées spécifiques. Par exemple, l’acceptation basée sur des règles prédéfinies simples. Ces systèmes étaient encore trop limités pour prendre des décisions complexes.
Modélisation statistique et analyse de données (1990-2010)
À mesure que les ordinateurs devenaient plus rapides et que les logiciels d’analyse devenaient plus intelligents, des modèles d’apprentissage automatique étaient déployés pour découvrir des motifs et des tendances dans de grandes quantités de données d’assurance. Cela était particulièrement utile dans l’évaluation des risques et la détection des fraudes.
Apprentissage automatique et analyse prédictive (2010-présent)
Avec l’avènement de techniques d’apprentissage automatique plus avancées telles que les réseaux neuronaux et l’apprentissage profond, il est devenu possible de réaliser des analyses encore plus complexes. Cela inclut la prédiction du comportement des clients, la détermination des taux basés sur des caractéristiques individuelles et la détection d’activités frauduleuses avec une précision accrue. L’IA est également utilisée pour améliorer le service client avec des chatbots, des assistants virtuels et des interactions automatisées.
Et maintenant, depuis novembre 2022, il y a Chat-GPT dans lequel Microsoft veut investir 10 milliards d’euros. C’est un modèle de langage de grande taille (LLM) qui prédit le mot suivant dans un texte, imitant le langage humain. Parmi les experts en données chevronnés qui travaillent depuis des années à affiner les algorithmes et à comprendre les grandes données, le récent buzz autour de l’IA causé par ChatGPT a suscité un mélange d’excitation et de préoccupation. Deux tweets de figures de l’IA bien connues encapsulent le contraste entre les aspects positifs et négatifs.

Le côté positif : « Ça va être glorieux »
Le tweet 1 est de Marc Andreessen, capital-risqueur bien connu, en janvier 2023 : « Nous sommes juste en train d’entrer dans un âge d’or de l’écriture, de l’art, de la musique, des logiciels et de la science alimentés par l’IA. Ça va être glorieux. Historiquement mondial. » L’excitation autour de l’IA est certainement justifiée dans le secteur des assurances, car elle a introduit de nouvelles possibilités qui semblaient autrefois impensables. L’IA promet une efficacité et une précision à un niveau nouveau. L’IA peut analyser de très grandes quantités de données et créer des perspectives sur l’évaluation des risques, la gestion des réclamations ou le service client que les évaluateurs humains ne pourraient jamais atteindre. Les avantages de l’IA sont tout simplement trop attrayants pour être ignorés, c’est pourquoi de plus en plus de décideurs mettent l’IA à l’ordre du jour. Elle permet aux compagnies d’assurance de gagner des avantages concurrentiels, d’améliorer l’expérience client et de réduire les coûts simultanément. En bref, une opportunité unique de diriger en tant que « maîtres des données » dans une industrie traditionnelle soumise à des changements.

Le côté négatif : « Une impression trompeuse de grandeur »
Le contraste avec le tweet 2 est frappant : « ChatGPT est incroyablement limité mais assez bon dans certaines choses pour créer une impression trompeuse de grandeur. C’est une erreur de s’appuyer dessus pour quoi que ce soit d’important en ce moment. (…) » L’auteur de ce tweet est Sam Altman, le fondateur et CEO de OpenAI lui-même. Avez-vous déjà entendu un CEO dire de son propre produit qu’il est encore bon pour créer une fausse grandeur ? La préoccupation est justifiée car la persuasion est en effet le principal facteur permettant à de fausses informations de faire leur travail dévastateur. La persuasion de ChatGPT est surestimée à cet égard. Cela signifie que toute personne impliquée professionnellement dans la vérité doit être vigilante, car poser les bonnes questions peut produire des absurdités très crédibles et convaincantes. Selon le professeur Terrence Sejnowski, auteur de The Deep Learning Revolution, les modèles de langage reflètent également l’intelligence et la diversité de leur intervieweur. Par exemple, Sejnowski a demandé à ChatGPT-3 : « Quel est le record du monde de la traversée de la Manche à pied ? » à quoi GPT-3 a répondu : « Le record du monde de la traversée de la Manche à pied est de 18 heures et 33 minutes. » La vérité qu’on ne peut pas traverser la Manche à pied a été facilement détournée par GPT-3 pour refléter la question de Sejnowski. La cohérence de la réponse de GPT-3 dépend entièrement de la cohérence de la question qu’elle reçoit. Soudainement, pour GPT-3, il est possible de marcher sur l’eau simplement parce que l’intervieweur a utilisé le verbe « marcher » au lieu de « nager ».

Il y a une analogie frappante qui illustre les inconvénients de l’IA : le perroquet stochastique. Stochastique signifie « aléatoire ou basé sur le hasard », faisant référence à des processus où les résultats ne sont pas entièrement prévisibles. L’IA, en particulier sous la forme de l’IA générative comme Chat-GPT, fonctionne essentiellement comme un mécanisme répétitif sans compréhension complète. Tout comme un perroquet peut répéter des mots sans connaître leur signification, l’IA peut reproduire des motifs (textuels) sans pouvoir comprendre la logique sous-jacente. Cela est préoccupant, surtout lorsque nous pensons à des décisions ayant des conséquences importantes telles que l’acceptation des risques ou l’évaluation des réclamations d’assurance. Si l’IA est utilisée pour prendre ces décisions sans une compréhension approfondie du contexte et sans intervention humaine, le soi-disant humain dans la boucle, des erreurs involontaires peuvent survenir. Cette imprévisibilité inhérente peut entraîner une insatisfaction des clients, des problèmes éthiques et finalement saper la confiance dans l’industrie de l’assurance. Ajoutez à cela la complexité de la mise en œuvre de l’IA et les préoccupations concernant la confidentialité et la sécurité, et il est compréhensible que certains décideurs dans les compagnies d’assurance hésitent à investir pleinement dans l’IA.

Le rôle important de l’IA spécifique
Le débat intense sur l’IA semble se concentrer principalement sur l’IA générative, dont ChatGPT est l’exemple le plus connu. L’IA générative fait référence à un sous-ensemble de l’intelligence artificielle qui utilise des algorithmes pour générer des résultats nouveaux, originaux et créatifs. La distinction entre l’IA générative et l’IA spécifique devient de plus en plus pertinente dans le secteur des assurances. L’IA spécifique se concentre sur la résolution de problèmes spécifiques ou l’exécution de tâches spécifiques. La principale application de l’IA spécifique dans l’industrie de l’assurance est depuis des années l’analyse prédictive. Avec des données historiques, des prédictions très précises peuvent être faites de manière fiable et mathématique, par exemple pour l’évaluation des risques, le développement des ratios combinés, les montants des réclamations ou le service client le plus efficace. La fiabilité et la précision sont typiquement des qualités demandées dans l’industrie de l’assurance. L’IA spécifique n’est pas non plus une « mode » et est de plus en plus appliquée avec succès au cours des 10 dernières années, notamment par les « maîtres des données » du marché. Les maîtres des données sont des entreprises qui optimisent l’utilisation de leurs ressources de données, entre autres grâce à l’utilisation de la science des données et de l’IA.

Boîte de faits :
Pour les assureurs, les données sont la clé du succès [Cap Gemini]
Selon une étude récente de Cap Gemini réalisée auprès de 204 assureurs dans le monde, seulement 18 % des assureurs peuvent se qualifier de « maîtres des données ». Plus de 70 % des assureurs sont encore parmi les « retardataires en données ». Les différences sont frappantes : le chiffre d’affaires par ETP est de 175 % plus élevé pour un maître des données et ils sont 63 % plus rentables que les retardataires en données. Les initiatives des maîtres des données autour de la science des données et de l’IA conduisent à un NPS plus élevé, un ratio combiné amélioré et une augmentation des revenus de primes dans plus de 95 % des cas. En plus de la fiabilité et de la précision, un avantage significatif des systèmes d’IA spécifiques est qu’ils permettent aux développeurs de contrôler et d’ajuster avec précision la transparence et l’équité des algorithmes. De cette manière, les applications peuvent être conçues et calibrées pour répondre aux normes éthiques des données établies par l’Association des Assureurs Néerlandais. Pour l’instant, même selon le CEO de ChatGPT lui-même, cela est très difficile pour les applications d’IA générative.

Trouver l’équilibre : Crucial pour le secteur des assurances
En fin de compte, la question est : pouvons-nous faire confiance à l’IA ou non (encore) ? Une définition bien connue de la confiance est : « la croyance en un bon nom et en l’honnêteté ». L’Association des Assureurs Néerlandais a établi des cadres éthiques pour les données afin de garantir que les applications d’assurance basées sur les données soient équitables et respectueuses. Adhérer à ces cadres devrait garantir que l’utilisation de l’IA ne conduise pas à la discrimination, par exemple. Personne ne veut un deuxième « scandale des avantages » qui pourrait gravement nuire à la bonne réputation de la compagnie d’assurance. Par conséquent, la question de confiance reste actuelle tant pour les clients que pour les prestataires de services financiers eux-mêmes. Nous devons et pouvons toujours faire confiance à nos conseillers pour fournir des conseils impartiaux et professionnels. Les compagnies d’assurance atteignent ainsi les limites de leur croissance. Nous devons travailler ensemble pour garantir que l’IA serve non seulement nos objectifs économiques mais aussi nos normes éthiques. C’est pourquoi la communauté des experts en données doit travailler ensemble pour maximiser les avantages de l’IA et minimiser les risques. Si nous nous concentrons sur les aspects positifs de l’IA, tout en surveillant de près les aspects négatifs, nous pouvons trouver l’équilibre qui permettra à l’industrie de l’assurance de prospérer. En fin de compte, nous pouvons alors véritablement affirmer que l’IA est plus qu’un perroquet stochastique. La vérité est que les compagnies d’assurance qui cherchent à l’adopter pleinement doivent le faire de manière responsable. En trouvant un équilibre entre les aspects positifs et négatifs, les compagnies d’assurance peuvent utiliser l’IA pour offrir une valeur ajoutée aux clients tout en respectant les normes éthiques les plus élevées. Au final, l’IA dans l’assurance est en effet plus qu’un perroquet stochastique, mais son déploiement nécessite prudence, compétence et responsabilité.

Dans le numéro spécial sur l’innovation de VVP, la principale plateforme pour les conseillers financiers aux Pays-Bas, cet article de notre collègue Dennie van den Biggelaar a été publié ce mois-ci. L’article met clairement en lumière la différence entre les deux formes d’IA, à savoir l’IA générative (comme le fameux Chat-GPT) et l’IA spécifique.

L’IA spécifique, en particulier, fournit déjà aux intermédiaires des outils concrets pour utiliser de manière beaucoup plus efficace le temps précieux des conseillers. S’appuyant sur ses 10 ans d’expérience en science des données et en IA, Dennie décrit également comment démarrer avec l’IA dans votre entreprise avec un risque minimal.

Avec la montée en puissance rapide de l’IA, le secteur de l’assurance est au bord d’une révolution. Cette révolution affecte les assureurs mais a également des implications significatives pour les intermédiaires. L’IA remplacera-t-elle les intermédiaires, et comment ces derniers peuvent-ils rester pertinents dans cet environnement en évolution rapide ?

Les mathématiques sont une science exacte qui est utilisée dans l’assurance depuis ses débuts pour calculer les primes et les risques. Traditionnellement, ce sont les actuaires qui effectuaient ces calculs. Cependant, l’émergence de l’apprentissage automatique (ML) et de l’intelligence artificielle (IA) permet d’analyser des quantités massives de données à l’aide de formules mathématiques sophistiquées (algorithmes) pour découvrir des motifs et des tendances. Cela a déjà conduit à des calculs de primes plus précis (par exemple, l’exemple de la VPI-box). La combinaison de l’IA et des énormes quantités de données dont disposent les assureurs peut également être utilisée pour améliorer considérablement l’efficacité des processus d’acceptation et de règlement des sinistres et offrir des opportunités de service client personnalisé à grande échelle. Par conséquent, les assureurs gagnants de demain réduiront considérablement leurs charges tout en améliorant considérablement le service client.

Cependant, cette avancée met une pression supplémentaire sur le modèle économique de l’intermédiaire. L’intermédiaire devient un canal de distribution relativement coûteux si l’information, le conseil et la gestion peuvent largement être automatisés par le biais d’algorithmes pour une fraction de la commission actuelle.

De plus, les consommateurs peuvent désormais trouver facilement les informations qu’ils recherchent sur internet. Par exemple, ils peuvent simplement demander à chatGPT les 20 points les plus importants à considérer lors de l’assurance d’un camping-car. Des applications de conseil financier basées sur l’IA telles que Parthean ou Mint sont déjà disponibles sur le marché, bien qu’elles ne soient actuellement pas encore adaptées à la connexion aux comptes bancaires néerlandais.

Dans cet environnement en évolution rapide où l’IA a un impact significatif sur le secteur de l’assurance, il est crucial pour les intermédiaires de prendre les bonnes décisions stratégiques. D’une part, ils devraient se concentrer encore plus sur l’utilisation des qualités humaines, et d’autre part, ils devraient apprendre à exploiter le pouvoir de l’IA pour soutenir leur travail.

Le Pouvoir du Conseiller

Les qualités humaines telles que la gentillesse, l’empathie, la compréhension, la confiance et le respect sont difficiles à reproduire grâce à l’IA. Comme mentionné précédemment, ces qualités sont et resteront essentielles pour construire des relations solides avec les clients. « Client » vient du mot français « chalant », signifiant « attention ». L’attention personnelle permet aux conseillers de créer un facteur de fidélité qui va au-delà de la relation purement transactionnelle entre le client et les systèmes d’IA. Cela est particulièrement vrai si les conseillers fournissent un soutien proactif, faisant sentir aux clients qu’ils sont valorisés et bien pris en charge.

Les conseillers peuvent également se spécialiser et acquérir une connaissance approfondie dans des niches ou des domaines de produits spécifiques. En restant à jour avec les derniers développements, les conseillers peuvent fournir des informations précieuses basées sur leur intuition, allant au-delà de ce que l’IA peut actuellement offrir.

Cependant, comment les intermédiaires avec des dizaines de milliers de clients peuvent-ils offrir une attention personnelle à tout le monde ? Recruter plus de conseillers n’est pas évolutif et trop cher. Le défi est de s’assurer que le temps précieux du conseiller est utilisé de manière efficace et investi auprès du bon client au bon moment. Des outils intelligents d’IA peuvent aider à cela, que nous explorerons plus en détail.

Le Pouvoir de l’IA

L’IA est une technologie systémique, tout comme l’électricité et le moteur à combustion. Les technologies système ont toujours un impact significatif sur la société qui ne peut être prédit à l’avance. Pour les intermédiaires, cela signifie qu’ils doivent embrasser cette nouvelle technologie pour rendre leur travail plus efficace et plus efficient. Il existe deux principaux types d’outils d’IA : l’IA générative et l’IA spécifique.

IA Générative

L’IA générative désigne l’utilisation d’algorithmes capables de générer de manière autonome de nouveaux contenus, tels que des textes, des images ou des sons, basés sur des données existantes. L’exemple le plus connu est chatGPT-3, disponible sur https://openai.com/. GPT signifie « Generative Pre-trained Transformer », un type d’architecture de réseau neuronal utilisé pour générer un langage naturel. Les conseillers peuvent déjà utiliser GPT efficacement pour générer de puissantes réponses à des questions fréquemment posées, créer un contenu de site Web pertinent ou obtenir rapidement des résumés de longs textes juridiques. Des sociétés Insurtech comme Wegroup expérimentent l’utilisation de GPT dans le service client. Aux États-Unis, Sixfold.ai a développé un modèle GPT qui peut évaluer automatiquement les risques pour les objets assurés et fournir des conseils de couverture appropriés dans les directives d’acceptation.

L’IA générative présente actuellement quelques inconvénients importants. Des corrections manuelles et un contrôle qualité sont nécessaires, surtout lorsque des données de haute qualité et précises sont requises. De plus, le contenu généré par l’IA générative nécessite une validation, car il fonctionne comme une « boîte noire », ce qui rend difficile de comprendre le raisonnement exact derrière le contenu généré. Enfin, l’IA générative nécessite de grandes quantités de données d’entraînement pour apprendre efficacement et générer de nouvelles informations. Bien que d’énormes quantités de données soient disponibles sur internet, elles ne sont généralement pas disponibles exclusivement pour une utilisation propriétaire par une entreprise. Il existe également des risques juridiques associés à l’IA générative, comme discuté sur https://www.arag.nl/nieuws/chatgpt-juridisch-risico.

IA Spécifique

Outre l’IA générative, il existe l’IA spécifique, également appelée IA étroite. Elle est conçue pour effectuer efficacement une tâche spécifique avec un haut niveau d’expertise et de précision. Cela est particulièrement important dans l’industrie de l’assurance, où l’IA spécifique est de plus en plus utilisée. L’IA étroite est également utilisée dans des applications telles que la reconnaissance d’images et de la parole, les systèmes de recommandation et les véhicules autonomes.

L’IA spécifique nécessite des données d’entraînement spécifiques à la tâche pour laquelle elle est conçue. Par exemple, si vous souhaitez utiliser l’IA pour prédire la probabilité d’acceptation d’un véhicule automobile spécifique, vous avez seulement besoin de données historiques d’applications de véhicules automobiles acceptées et rejetées. La pertinence et la représentativité des données d’entraînement sont cruciales pour les performances de ces modèles d’IA. Voici quelques applications réussies de l’IA spécifique déjà utilisées par les intermédiaires et les sociétés de souscription néerlandaises :

Prédiction de la Résiliation : Les modèles d’apprentissage automatique peuvent être entraînés sur la base de données clients et de polices historiques pour prédire la probabilité que les clients résilient leurs polices dans une certaine période (résiliation). Des algorithmes comme la régression logistique, les arbres de décision ou les réseaux neuronaux sont utilisés à cette fin. Les conseillers peuvent utiliser cette information de manière efficace. Les clients avec une probabilité de résiliation élevée nécessitent une attention immédiate et des approches proactives, telles que des conversations de maintenance ou des incitations (stratégie de défense). En revanche, les clients avec une probabilité de résiliation faible sont fidèles, et leur relation peut être renforcée grâce à un suivi constant (stratégie de valorisation). Une action immédiate n’est pas nécessaire. De plus, le modèle fournit des informations sur les raisons pour lesquelles la probabilité de résiliation est élevée ou faible, permettant des actions stratégiques. Prédiction de la Valeur à Vie du Client (CLV) : Le CLV est une mesure cruciale pour les intermédiaires visant à établir une rentabilité systématique et durable dans le service client. Techniquement, le CLV peut être calculé à l’aide d’un modèle d’apprentissage automatique qui analyse les données historiques des clients et des polices. En combinant cela avec des algorithmes avancés tels que l’analyse de régression ou l’analyse de survie, le modèle peut prédire la valeur future en euros pour chaque client, en tenant compte de la durée de vie du client et du potentiel de vente croisée. Avec ces informations, les intermédiaires peuvent prendre les bonnes décisions stratégiques, en investissant spécifiquement dans (l’acquisition de) clients avec un CLV prévu élevé.

Les clients avec à la fois un CLV prévu élevé et une probabilité de résiliation élevée devraient être une priorité pour les conseillers. Cela permet un marketing efficace et des activités axées sur le client, offrant des services personnalisés pour réaliser le CLV prévu. Ci-dessous un exemple de segmentation de clients basée sur des prédictions de résiliation et de CLV, simplifié.

Recommandation de la Meilleure Police à Souscrire : En analysant les profils clients, les données de police et les sources de données externes, les modèles d’apprentissage automatique peuvent prédire quelles polices ou options de couverture supplémentaires sont les plus pertinentes et attrayantes pour chaque client individuel. Des techniques comme le filtrage collaboratif sont utilisées pour découvrir des motifs et des similitudes entre les clients, permettant des recommandations personnalisées. De cette manière, les intermédiaires peuvent informer continuellement tous les clients des couvertures pertinentes. Si un client montre de l’intérêt, les conseillers peuvent fournir des conseils personnalisés (stratégie d’agrandissement), visant ainsi à augmenter la densité des polices. De plus, les clients avec plus de polices ont tendance à être plus fidèles.

Automatisation des Processus Robotiques (RPA) : La RPA est une technique utilisée pour automatiser les tâches répétitives et chronophages. Bien qu’elle puisse être réalisée à l’aide de règles métier intelligentes, elle devient encore plus efficace lorsqu’elle est combinée à des modèles d’apprentissage automatique (ML). Dans le cas d’agences de souscription ou de grands intermédiaires, la RPA peut être utilisée dans le traitement sans intervention humaine (STP) pour l’acceptation. Les acceptants doivent vérifier et évaluer les données soumises par rapport aux directives d’acceptation. La RPA peut automatiquement effectuer ces processus de vérification, éliminant le travail manuel pour les « produits en masse ». La RPA peut également être configurée pour signaler toute divergence aux acceptants, les tenant ainsi informés et rendant leur travail plus intéressant.

Traitement Automatisé des Réclamations : Les algorithmes de NLP peuvent analyser les formulaires de réclamation pour extraire les informations pertinentes, telles que la nature de la réclamation, les parties impliquées et les détails de l’incident. Les réclamations peuvent également être vérifiées par rapport aux conditions de police. Cela permet aux gestionnaires de réclamations de traiter les réclamations plus rapidement et plus précisément, ce qui conduit à une amélioration de la satisfaction client. Analyse des Sentiments : En utilisant des algorithmes de NLP, les intermédiaires peuvent obtenir des informations continues sur les sentiments des clients concernant les services ou les produits. Cela aide à identifier les tendances en temps réel dans les commentaires des clients et les raisons potentielles d’une baisse de la satisfaction client. La plateforme Microsoft offre déjà une analyse des sentiments pour le texte écrit (par exemple, les e-mails via Outlook) et le texte parlé (par exemple, les appels via Teams). Chatbots : En utilisant des techniques telles que la reconnaissance d’intention ou l’extraction d’entités, les chatbots peuvent comprendre les intentions des clients et fournir des réponses pertinentes. Cela réduit la charge de travail et améliore le service client. Tout le monde connaît les chatbots mal conçus ; le succès dépend de la configuration. Le chatbot bien formé d’Inshared, par exemple, est capable de répondre automatiquement à plus de 95% des questions.

Élaboration d’une Feuille de Route pour l’IA

La bonne nouvelle est que l’IA offre déjà diverses possibilités aux intermédiaires d’améliorer le service client. Cependant, chaque bureau a sa propre direction et son propre groupe de clients, donc il n’y a pas de solution universelle. Il est donc sage d’élaborer une feuille de route pour l’IA, exploitant efficacement l’IA pour atteindre les objectifs de l’entreprise (KPI).

Commencez par une exploration conjointe avec l’équipe de direction (MT) des cas d’utilisation potentiels alignés sur les objectifs et la stratégie du bureau. Ensuite, priorisez ces cas d’utilisation ensemble dans un quadrant de valeur commerciale par rapport à l’effort. Les cas d’utilisation avec une valeur commerciale attendue élevée qui peuvent être réalisés relativement facilement avec l’aide de l’IA selon les experts de l’assurance IA sont considérés comme des « victoires rapides » et devraient être prioritaires. Les cas d’utilisation plus difficiles, ou « projets majeurs », viennent ensuite.

Pour les intermédiaires et les sociétés de souscription, les cas d’utilisation suivants peuvent déjà être mis en œuvre avec succès en utilisant la technologie IA :

Augmentation de la densité des polices Prévention des résiliations de police Mise en œuvre de la gestion active des clients à grande échelle Amélioration de l’efficacité des conseillers Rationalisation des processus d’acceptation ou de réclamation Amélioration des ratios combinés Identification des opportunités et des risques dans le portefeuille client Surveillance des portefeuilles auto Amélioration du service client (numérique) Sélectionnez un ou deux cas d’utilisation, et mettez en place un pilote dans un environnement opérationnel avec une portée limitée. Il est essentiel de calculer le business case du pilote, en évaluant si l’investissement dans l’IA l’emporte sur la valeur commerciale attendue en ligne avec les objectifs organisationnels. Les objectifs doivent être formulés de manière SMART.

Il est crucial d’impliquer les employés et de se concentrer sur la gestion du changement. Évaluez régulièrement la mise en œuvre et adaptez-la aux besoins changeants et aux avancées technologiques. Considérez également les considérations éthiques, la sécurité des données et la conformité aux lois et réglementations lors de la mise en œuvre de solutions IA.

La balle est dans le camp des intermédiaires pour explorer rapidement les possibilités de l’IA. Il n’est pas nécessaire de réinventer la roue, car des solutions d’IA sont déjà disponibles et peuvent être déployées immédiatement. Consultez les fournisseurs de logiciels ou demandez conseil à des experts en IA. En tirant parti des outils d’IA, les intermédiaires peuvent renforcer encore davantage leurs conseillers, renforcer leur position concurrentielle, améliorer le service client et ouvrir la voie à une entreprise d’assurance visionnaire et réussie.

Dennie van den Biggelaar (cofondateur de OneSurance) possède plus de 10 ans d’expérience en tant que stratège en IA et a aidé des organisations telles que Johnson & Johnson, CZ, BasicFit, Corendon, Sligro et Samsung dans la mise en œuvre d’applications de big data & IA

Pendant le Congrès VIP auquel ont participé 600 professionnels de l’assurance le 4 juillet au théâtre AFAS à Leusden, aux Pays-Bas, notre stratège en IA, Dennie van den Biggelaar, a prononcé une présentation principale sur la Gestion Active de la Clientèle 2.0 et l’application pratique de l’IA.

Deux de nos principaux clients ont partagé leurs expériences positives. Un grand merci à Odette Bakker de Dazure et à Ellis de Haan de SUREbusiness. « Beaucoup parlent de l’IA, mais peu font réellement quelque chose avec. »

Lors du déploiement de l’intelligence artificielle, l’éthique des données joue un rôle majeur, comme nous l’expliquons dans cet article. C’est pourquoi nous travaillons en étroite collaboration avec notre société sœur Brush-AI, la première entreprise néerlandaise entièrement dédiée à l’IA responsable.

Cette collaboration garantit que les algorithmes que nous concevons respectent intrinsèquement le Cadre Éthique pour les Applications de Données établi par l’Association Néerlandaise des Assureurs.

Nous le constatons tous les jours au bureau : la technologie informatique moderne fait croître de manière exponentielle la montagne de « big data ». Mais que pouvons-nous faire avec ces données actuellement sans signification ? Comment les transformons-nous en informations utilisables qui nous mettent figurativement en formation, nous permettant de prendre de meilleures décisions et d’améliorer le service client ? Et comment pouvons-nous nous assurer que cette prise de décision basée sur les données se fait de manière éthique et responsable ?

Auteurs : Jack Vos (Onesurance.nl) et Max Roeters (Brush-ai.nl)

Le Modèle DIKW

La sagesse est l’art de prendre les bonnes décisions et d’agir correctement dans toutes les circonstances. Une chose est claire : les cycles de technologies de plus en plus nouvelles avec de plus en plus d’informations disponibles nous confondent plus qu’ils ne contribuent à la connaissance et à la sagesse. C’était déjà noté par l’écrivain T.S. Eliot en 1934. Dans un poème inspirant, il écrit : « Où est la Vie que nous avons perdue en vivant ? Où est la sagesse que nous avons perdue dans la connaissance ? Où est la connaissance que nous avons perdue dans l’information ? Les cycles du ciel en vingt siècles Nous éloignent de Dieu et nous rapprochent de la Poussière. »

Le texte d’Eliot est considéré par beaucoup comme la base du célèbre modèle DIKW dans le monde de l’ICT. Le modèle répond à la question de pourquoi nous voulons utiliser les données et les informations : permettre aux humains de prendre de meilleures décisions.

Nous distinguons quatre niveaux :

Données : Faits et chiffres simples. C’est l’immense montagne de big data, comme tous les changements de politique stockés. Sans analyse, nous ne pouvons rien en faire. Information : Données regroupées, organisées et de préférence visualisées. Cela nous permet de voir ce qui s’est passé et, par exemple, de l’utiliser comme référence. Combien de polices ont été annulées en 2022 par rapport à 2021 ? Connaissance : Informations à partir desquelles des modèles sous-jacents peuvent être dérivés, étant donné le contexte. Cela répond à la question de pourquoi quelque chose s’est produit. Pourquoi les clients ont-ils annulé leurs polices ? Pourquoi étaient-ils mécontents ? Était-ce dû à des augmentations de prime ? Une mauvaise gestion des réclamations ? Sagesse : Idéalement, nous utilisons la connaissance acquise pour prendre de meilleures décisions maintenant et à l’avenir qui profitent à tous. Peut-être pouvons-nous prédire qui annulera une police en fonction des modèles passés ? Et surtout : pouvons-nous prédire comment prévenir l’insatisfaction des clients ?

Les quatre niveaux du modèle DIKW correspondent aux quatre niveaux de maturité des données dans lesquels une organisation peut se trouver, à savoir :

Niveau descriptif (organisation des données en informations) Niveau diagnostique (acquisition de connaissances en extrayant des modèles des informations) Niveau prédictif (utilisation des connaissances pour prédire ce qui va se passer) Niveau prescriptif (prescrire comment le faire se produire ou l’empêcher).

La maturité des données indique dans quelle mesure une entreprise utilise efficacement ses sources de données pour augmenter sa productivité. Aux niveaux les plus élevés, il est impossible d’éviter d’utiliser la technologie de l’intelligence artificielle (IA). Si nous aspirons à la sagesse, nous voulons utiliser correctement cette technologie, et l’éthique joue un rôle important.

Comment les Conseillers Peuvent Utiliser l’IA

De nombreux assureurs, souscripteurs et intermédiaires se demandent comment continuer à servir de manière optimale des dizaines de milliers de clients. Cela ne peut se faire de manière évolutive qu’en utilisant intelligemment les données et la technologie de l’IA, car le déploiement de plus de conseillers est tout simplement trop coûteux. L’IA utilise des algorithmes auto-apprenants – essentiellement des formules mathématiques – qui peuvent analyser des millions de points de données pour des corrélations. Un logiciel complexe déduit ensuite des modèles prédictifs indiquant si quelque chose fonctionne bien ou non. Par exemple, une prédiction fondée peut être faite pour chaque client sur les actions dans le parcours client qui conduisent à la plus grande satisfaction client et au plus grand retour pour le bureau. Cette connaissance permet aux conseillers de travailler de manière plus efficace et d’utiliser leur temps précieux de la manière la plus efficiente possible.

Certains se méfient de la technologie de l’IA parce qu’ils pensent qu’elle fonctionne dans une ‘boîte noire’. Cela signifie que bien que les flux d’informations entrants et sortants de l’algorithme soient visibles, les mécanismes reliant ces deux flux ne le sont pas. De l’ambition de tendre vers la sagesse, nous voulons connaître les propriétés de ces mécanismes pour garantir l’interprétabilité de l’IA. C’est crucial lors du travail avec des données personnelles.

IA Responsable et Cadre Éthique

L’idée derrière la méthodologie appelée IA responsable est de développer et de mettre en place l’algorithme à partir de zéro afin que l’utilisateur puisse toujours prendre une décision éclairée sur le caractère éthiquement responsable de son utilisation compte tenu du contexte. Le cadre éthique pour la prise de décision basée sur les données, établi par l’Association Néerlandaise des Assureurs, s’aligne bien avec cela. Ce cadre stipule que sept exigences doivent être observées pour l’utilisation éthique de l’IA. Les normes exactes peuvent être trouvées dans le cadre éthique, et voici une brève explication :

Autonomie Humaine et Contrôle L’IA doit être un moyen d’atteindre une certaine solution, et non pas le but en soi. Cela signifie que si une technologie moins compliquée peut être utilisée pour obtenir le même résultat, elle est préférée. Une attention suffisante doit également être accordée aux risques et aux intérêts conflictuels potentiels. Robustesse Technique et Sécurité Les données client doivent logiquement être protégées, et la qualité des données doit être assurée. Des données client obsolètes peuvent entraîner involontairement des insights incorrects. Vie Privée et Gouvernance des Données Assurer la vie privée est primordial lors du travail avec des données. La surveillance humaine est cruciale, car certains biais (préjugés) peuvent inévitablement entrer dans le modèle. Aborder cela attentivement et préventivement aide à éviter les erreurs inutiles. Transparence Surtout lors de la prise de décisions pouvant avoir un impact significatif sur la vie d’une personne – comme le rejet d’une réclamation – il est important de structurer le modèle IA de manière à ce qu’il soit toujours possible d’expliquer aux clients comment une décision a été prise. Diversité, Non-Discrimination et Équité Il est important de reconnaître que, comme les humains, il est presque impossible de créer un modèle IA totalement exempt de biais. En accordant une attention particulière aux groupes sous-représentés ou vulnérables, nous pouvons éviter que le modèle ne les discrimine, consciemment ou inconsciemment. Bien-Être Sociétal L’IA devrait contribuer à faire en sorte que le plus grand nombre possible de clients restent assurables, et ceux qui sont difficiles à assurer ou risquent de devenir non assurables devraient être informés des moyens de réduire ou de couvrir les risques. Les modèles interprétables et transparents peuvent informer les clients de manière plus précise, par exemple en indiquant les attributs client sur lesquels une décision est basée. Responsabilité Une interaction sûre et réceptive concernant les risques potentiels de l’IA entre l’assureur, ses employés et ses clients est essentielle. Par conséquent, des mécanismes permettant une évaluation continue de la technologie devraient être envisagés pendant le développement.

Technologie et Éthique : L’Humain dans la Boucle

Ce qu’un humain ne peut pas faire, la technologie de l’IA peut le faire : convertir d’énormes quantités de données en informations utilisables et reconnaître des modèles prédictifs au sein de celles-ci. Cela permet aux compagnies d’assurance de déployer les conseillers de manière plus efficace, surtout si elles veulent servir des dizaines ou même des centaines de milliers de clients de manière évolutive. En aspirant à la sagesse, nous voulons maintenir l’humain dans la boucle. Le cadre éthique fournit des lignes directrices qui aident à garantir la qualité d’un modèle IA. Ce n’est pas une menace pour l’IA ; au contraire, elle sera utilisée et acceptée beaucoup plus facilement, surtout si la méthode de l’IA responsable est utilisée. Le conseiller joue toujours un rôle important tant qu’il apporte des qualités interpersonnelles telles que l’empathie, la gentillesse et la confiance au bon moment.

Interview avec Indra Frishert, Directeur Marketing & Ventes / Co-propriétaire de Dazure

Pour ceux qui ne vous connaissent pas encore, qu’est-ce que Dazure ? Dazure est une agence de souscription qui crée des produits d’assurance innovants adaptés au monde d’aujourd’hui : des produits honnêtes que nous voulons également offrir à nos proches.

Pourquoi avez-vous commencé avec l’IA ? Nous étions curieux de savoir comment nous pourrions améliorer notre service client en faisant davantage usage de toutes les données que nous avons accumulées au cours des 14 dernières années. Les données se sont avérées être de bonne qualité. En peu de temps, nous avons reçu de nombreuses informations précieuses et des opportunités utilisables. Cela nous a agréablement surpris !

Quels avantages voyez-vous dans l’IA ? Le gros avantage est l’effet auto-apprenant de l’IA. Cela nous permet de faire de grands progrès dans le parcours client tout en gardant l’humain dans la boucle pour garantir que ces progrès sont faits avec soin. De cette manière, nous pouvons améliorer, accélérer et simplifier nos processus pour le client. Par exemple, en examinant le processus d’acceptation de l’assurance vie, il y a une forte dépendance aux professionnels de la santé (comme les médecins généralistes). Cela ne répond pas aux souhaits du client, car il veut une police immédiatement, et cela surcharge également le monde médical, qui a de meilleures choses à faire que d’évaluer les risques d’assurance. Avec l’IA, nous pouvons prédire quelles petites enquêtes médicales (SME) sont inutiles. L’IA est un outil efficace, à condition d’être utilisée correctement.

Pourquoi l’IA responsable est-elle si importante ? L’IA responsable est importante pour nous parce que les big data elles-mêmes ne sont pas le danger, mais la manière dont nous, en tant que personnes (entrepreneurs), traitons les données. Nous appliquons la « mesure familiale » à tous nos produits. C’est la norme que nous mettons en œuvre sur tous les fronts et que nous jugeons très importante. Si vous ne proposeriez pas quelque chose à votre propre famille, vous ne devriez tout simplement pas le faire. En appliquant cette mesure à l’aspect IA également, nous croyons que vous créez une entreprise qui travaille véritablement sur une relation à long terme avec ses clients.

Dans cet article publié dans le magazine d’assurance le plus connu pour les professionnels aux Pays-Bas, Dennie van den Biggelaar et Jack Vos déclarent : ‘L’innovation est un bond de renouvellement clairement perceptible. L’existant est ainsi bouleversé.’

Dans l’industrie néerlandaise de l’assurance, il semble assez confortable de tout garder tel quel, alors que d’autres secteurs, tels que la vente au détail et les voyages, ont subi d’importants changements en raison de la forte concurrence. Selon une étude récente sur l’innovation menée dans l’industrie de l’assurance, on s’attend à ce qu’un ‘quelque chose’ arrive, et que ce ‘quelque chose’ sera une perturbation significative pour le secteur, en particulier sur le marché personnel. On oublie que ces acteurs innovants bousculent déjà les choses dans d’autres pays. Par exemple, Wefox, une plateforme d’assurance en ligne, conquiert rapidement l’Europe. Ou encore l’insurtech indienne Acko, dans laquelle Amazon a investi. Acko a eu 70 millions de clients en peu de temps. Wefox et Acko sont tous deux soutenus par Munich Re, et ce n’est pas un hasard.

L’innovation suit toujours une séquence reconnaissable. Du produit aux services, puis aux solutions, à l’expérience, pour enfin aboutir à une transformation basée sur l’innovation stratégique. À la transformation, la chenille devient un papillon. Par conséquent, il est judicieux de s’asseoir avec votre équipe de direction dans un cocon et de formuler d’abord une stratégie d’innovation claire et audacieuse. Faites-le de préférence avec des personnes capables de penser en dehors de leurs propres murs, sinon, vous vous retrouverez juste avec une chenille chaussée de baskets.

En collaboration avec Building Blocks, nous avons présenté une présentation principale dynamique lors du Congrès VIP de la Stichting Contactgroep Automatisering chez AFAS Software à Leusden. C’était un événement réussi avec plus de 600 personnes de l’industrie de l’assurance ! Un merci spécial aux organisateurs Michael Mackaaij, Jeroen Oversteegen, Eric Boers, Willem Vreeswijk, et à tous les autres intervenants impliqués !

Une étude menée par TJIP The Platform Engineers montre que 72 % des consommateurs des fournisseurs de services financiers s’attendent à être approchés régulièrement et avec une offre personnalisée. Cela correspond parfaitement à une récente étude de McKinsey & Company (Next in Personalization 2021 Report), où 71 % des consommateurs ont indiqué qu’ils s’attendaient à des interactions personnalisées de la part d’une entreprise. Lorsque cela ne se produit pas, 76 % deviennent même tellement frustrés qu’ils cherchent une autre entreprise !

Ne pas commencer par la personnalisation signifie que vous perdrez inévitablement de nombreux clients car les attentes ne sont pas satisfaites. Dans cet article publié dans VVP, la principale plateforme pour les conseillers financiers, vous découvrirez le comment et le quoi de la personnalisation, ce qui entraîne une plus grande fidélité des clients.

Un merci spécial à Wilbert Beelen, spécialiste du marketing numérique chez Univé, et à Mark Kruisman, spécialiste principal du marketing chez Centraal Beheer, pour leur contribution.

Ma contribution se concentre sur la génération Z et les Millennials, qui exigent (et attendent) un service client différent de votre entreprise. Voici quelques conclusions :

50 % de la génération Z quitteront votre entreprise après une seule mauvaise expérience, et 92 % après deux mauvaises expériences dans le parcours client. La génération Z préfère discuter plutôt qu’appeler. 85 % de la génération Z vérifient les réseaux sociaux pour des références positives. La génération Z est sensible aux messages provenant d’individus authentiques. Seulement 16 % de la génération Z utilise Facebook, tandis que 41 % utilisent Instagram. 81 % de la génération Z rencontrent des difficultés financières, surtout lors d’événements de vie tels que la cohabitation. Les études complètes peuvent être consultées ici : Étude 1 Étude 2

Membres du panel : Robin van Beem, Astrid Duits, Richard Meinders, Edwin Bosma, et moi-même.