Projets

L'I.A. au service de l’Assurance

Mining & social networks and mathematical modelization via Belief Functions

Le Contexte

L’émergence de l’intelligence artificielle (IA), du Big Data et des nouvelles méthodes en data science est en train de changer profondément le monde pour toutes les entreprises, et en particulier pour les compagnies d’assurance. Les assureurs ont la particularité d’être confrontés à un “cycle de produit inversé” (c’est-à-dire qu’ils vendent des produits sans en connaître le coût réel, qui dépend directement de facteurs aléatoires).  Les données ont donc toujours été au cœur de l’activité d’assurance, qui doit utiliser toutes les (sources d’) informations possibles pour évaluer les risques d’assurance.  L’émergence d’un « marché de la data » avec des sources de données innovantes et le développement de nouvelles méthodes (d’apprentissage automatique) ouvrent de nombreuses possibilités supplémentaires aux assureurs, avec la possibilité d’adapter l’offre à des clients toujours plus exigeants.

Le Challenge

Les assureurs belges évoluent dans un marché (non-vie) presque saturé et donc extrêmement compétitif. Il est donc très important pour les assureurs d’adopter les meilleures stratégies afin (1) d’augmenter le « Nouveau Business » et (2) de limiter l’impact négatif de la résiliation de contrat (le « churn »). Des méthodologies de pointe (machine learning, deep learning, …) et de nouveaux outils sont essentiels pour prospérer, en particulier pour Ethias, une des sociétés leader sur le marché, mais seulement active sur le marché belge de l’assurance, qui ambitionne également d’être la première société d’assurance phygital. Dans un monde caractérisé à la fois par le risque et l’incertitude (Keynes, Knight), les fonctions de croyance (« Belief Functions ») constituent des outils adéquats, car elles permettent de gérer l’incertitude, étendant ainsi la notion classique de probabilité (utilisée pour gérer le risque par les actuaires).

Question clé & objectifs

Sur la base des éléments susmentionnés, la question clé peut être formulée comme suit :

Comment pouvons-nous mieux formaliser, modéliser et prévoir le comportement et les préférences des clients en combinant les Belief Functions et les méthodes de Machine (Deep) Learning ?

Cette question clé peut être décomposée en plusieurs sous-questions, à savoir :

  • Quand contacter un client ?
  • Quels produits et/ou services lui recommander ?
  • Quels sont les déterminants du churn?
  • Qui est susceptible de résilier son contrat, et quand ?
  • Que peut-on déduire de sources non conventionnelles (courriels, transcriptions téléphoniques, etc.) sur le risque de résiliation ?

Pour répondre à toutes ces questions, des méthodes originales basée sur les Belief Functions et le Machine (Deep) Learning seront développées.


À propos d’Ethias

En 1919, un groupe d’autorités communales et provinciales a fondé la “Société Mutuelle des Administrations Publiques” (en abrégé SMAP, aujourd’hui Ethias) pour l’assurance contre l’incendie, la foudre et les explosions. Bien que la forme juridique ait évolué au fil du temps, elle reste imprégnée de cette philosophie. Ce fut le début d’une histoire riche en rebondissements et en succès, qui a conduit Ethias à devenir un groupe d’assurance solide, qui compte aujourd’hui plus d’un million d’assurés. La majorité des activités d’Ethias se concentrent sur le marché belge. Ethias est le quatrième assureur du pays, toutes activités confondues, avec une part de marché de 9,1 %, et est le premier assureur du secteur public et de ses agents. L’ensemble du processus d’innovation d’Ethias vise à fournir un meilleur service phygital aux assurés, toujours en quête d’excellence, notamment en soutenant la recherche universitaire.