C'est pas mon idée !

vendredi 27 juillet 2012

AllState : le crowdsourcing pour développer l'UBI

AllState
La modulation des primes d'assurance (automobile) en fonction de l'usage (UBI – "Usage-Based Insurance") recueille les faveurs des compagnies, qui y voient le moyen de réduire leurs risques, plus ou moins directement. Mais la plupart d'entre elles en sont encore aux balbutiements de cette "technologie", ce qui rend difficile la mise au point de modèles actuariels adaptés (c'est à dire de déterminer avec précision l'effet de tel ou tel facteur sur le niveau de risque d'un contrat et, donc, la probabilité d'un sinistre et son coût moyen).

Pour la compagnie américaine AllState, la solution passe par une technique originale : elle fait appel à ses collaborateurs et ses agents pour tester son dispositif, baptisé DriveWise. Celui-ci a déjà été déployé dans 3 états et des tests internes précédents ont permis d'accumuler des données sur près de 20 millions de kilomètres parcourus et 350 000 heures de conduite. Mais, comme dans toute méthode statistique, plus le volume d'information recueillie sera important, meilleurs seront les modèles prédictifs, en particulier sur les régions non encore couvertes (le facteur géographique ayant un impact non négligeable).

Chez AllState, cette approche est la suite d'une longue tradition d'utilisation du "crowdsourcing" avec, par exemple, son expérience "App Attack !" (un hackathon, de 48 heures, au cours duquel les collaborateurs ont créé des applications mobiles originales) ou encore son concours de modèles actuariels ouvert aux statisticiens du monde entier.

Comme dans ces précédents, le choix que fait la compagnie pour sa solution "UBI" est encore empreint d'un bon sens évident : la mise au point de modèles pertinents et précis ne peut se faire qu'à partir d'une masse d'information la plus large possible, mais correspondant aussi à des comportements de conducteurs "normaux". Et, très logiquement, les collaborateurs du groupe, dans toute leur variété (ils sont quelques dizaines de milliers au total), constituent un échantillon représentatif "naturel" pour ce type de besoin.

Notons au passage que les grandes lignes du programme DriveWise sont déjà définies : réduction de 10% des primes aux volontaires, dès la souscription (basée sur le constat que l'adoption est généralement incitative de comportements plus prudents) et possibilité de bénéficier d'une réduction maximale de 30% (au total) en fonction des données collectées. L'objectif de la compagnie n'est donc pas de fixer les grands paramètres de son modèle actuariel mais, plus vraisemblablement, de l'ajuster plus finement, de manière à réduire encore son risque et, éventuellement, offrir des avantages plus importants aux clients (comme imagine aussi pouvoir le faire, à terme, Progressive dans son expérience équivalente).

Au-delà de sa volonté d'enregistrer des données sur lesquelles elle exerce ses talents statisticiens, AllState peut aussi profiter de cette phase de tests pour évaluer d'autres aspects de sa solution. Ainsi, par exemple, l'"UBI" continue à susciter une certaine méfiance chez les consommateurs, qui y voient parfois une intrusion dans leur vie privée (bien que le dispositif accompagnant DriveWise n'enregistre que la vitesse, les freinages et accélérations, les horaires et le kilométrage de conduite, à l'exclusion de toute information de localisation). Mesurer la perception qu'en ont les collaborateurs (en prenant en compte, peut-être, le biais qu'ils peuvent introduire inconsicemment vis-à-vis de leur employeur) est beaucoup plus prudent que de lancer l'opération sans précaution dans le grand public.

L'expérience d'AllState est une application parfaite de la suggestion que j'émettais récemment (dans le domaine des applications mobiles) de mettre à contribution les collaborateurs pour tester et mettre au point les innovations de l'entreprise. Le bon sens arrive donc parfois à prendre le pouvoir !

Aucun commentaire:

Enregistrer un commentaire

Afin de lutter contre le spam, les commentaires ne sont ouverts qu'aux personnes identifiées et sont soumis à modération (je suis sincèrement désolé pour le désagrément causé…)