Depuis ces premières expériences, nous avons étendu nos travaux et avons mis en place un Datalab. Cette équipe est chargée de concevoir des services innovants et de travailler sur ces questions des données et de leur exploitation avec des traitements statistiques ou des technologies d’intelligence artificielle et de machine learning. Le fonctionnement est proche de l’intrapreneuriat, avec une certaine liberté laissée dans l’exploration des usages, mais toujours en lien très fort d’une part avec les meilleures compétences techniques à disposition, et d’autre part avec les différentes BU métiers pour alimenter les réflexions.
La matière première de ce Datalab, les données, provient de nos activités d’éditeur et d’opérateur. Nous avons accès, avec bien sûr l’accord préalable de nos clients, à certaines de leurs données, anonymisées, qui nous permettent de mettre en œuvre des analyses de plus en plus poussées. En effet, l’historique long que nous avons désormais constitué donne un recul satisfaisant sur de nombreuses possibilités de services.
Un complément est à ajouter ici, notre atout à ce stade est d’être un acteur trans-secteur. En effet, nos différentes activités nous permettent d’avoir accès à des données d’horizons divers, en particulier à celles d’autres activités du Groupe, pouvant être rapprochées en préservant le cadre réglementaire. Cette vision multidimensionnelle permet d’enrichir les données assurantielles avec des visions complémentaires et d’en obtenir des prismes de lecture nouveaux, avec une vision très large du marché.
Ainsi nous avons significativement enrichi notre catalogue de services à proposer à nos clients et partenaires, notamment autour de nos travaux sur la fraude, l’analyse de portefeuilles d’assurés ou d’entreprises, ou la détection de moments de vie par exemple. Nous avons atteint une maturité particulière sur l’analyse et l’exploitation de données souvent considérées a priori comme « pauvres », c’est-à-dire peu signifiantes de façon isolée. Et nous travaillons pour renforcer notre expertise sur les modélisations multidimensionnelles qui nous permettent déjà de proposer des solutions innovantes !
Voici quelques exemples de nos réalisations :
- Détecter via des « patterns » (modèles) de soins, les parcours de soins des assurés
- Cibler les adhérents pouvant être intéressés par des garanties supérieures, des services d’accompagnement ou de prévention
- Travailler sur le churn des portefeuilles
- Détecter des patients en Arrêt de Longue Durée, n’ayant pas mis à jour leur carte Vitale
- Analyser la prévalence d’un portefeuille vis-à-vis de certaines pathologies
- Suivre les impacts de la crise sanitaire, et analyser l’évolution des volumes des principaux postes de prestations
Ce ne sont là que quelques exemples sur lesquels nous sommes déjà opérationnels.
Notre enjeu est de proposer une offre qui s’adapte à la fois aux transformations de nos clients et aux multiples évolutions de la réglementation. Et bien souvent, la difficulté n’est pas d’avoir une solution à proposer, mais de faire prendre conscience à nos clients des opportunités qu’ils pourraient exploiter.
Afin de faciliter cette prise en main et ce déploiement, nous réfléchissons à exploiter un de nos atouts : nos solutions progicielles largement déployées. Ainsi nous avons jugé opportun d’intégrer, directement dans le back office de gestion, un module de machine learning permettant d’automatiser des processus en reproduisant les décisions des utilisateurs. C’est un modèle qui se développe de plus en plus et vous utilisez probablement déjà un fonctionnement équivalent dans la saisie automatique de vos smartphones.
En toile de fond, ce qui nous anime, c’est véritablement une recherche vers plus de services additionnels. Notamment, nous concentrons nos efforts sur la possibilité de venir greffer les différents travaux que nous menons sur la chaîne de valeur assurantielle de nos clients. Il ne s’agit pas tant ici de savoir si c’est pertinent, car nous en avons démontré l’usage, mais bien d’envisager le meilleur déploiement possible afin de rendre la data accessible au plus grand nombre.
Enfin, il nous est tout à fait possible, au-delà de ces standards que nous souhaitons intégrer dans nos outils, de travailler avec nos clients sur leurs projets et leurs réflexions en mettant à disposition les données massives que nous détenons pour enrichir leurs modélisations ou pour le faire ensemble. Pour cela, nous proposons de travailler en 2 temps : d’abord analyser un portefeuille pour identifier comment nos propositions peuvent déjà s’appliquer à ce contexte, et pouvoir ensuite, dans un deuxième temps, être en mesure de travailler avec nos clients dans une logique de co-construction, permettant ainsi d’enrichir leur autonomie interne sur ce type de projets.
Tout commence donc par une analyse du portefeuille. Quand commençons-nous ?