Accueil / Prototype / Attrition Clients
Assurance,
prédire et réguler l’attrition clients
Fidéliser ses clients coûte 5 fois moins cher que d’en conquérir de nouveaux. Comment mettre à profit les nouvelles technologies pour limiter l’attrition client et prédire les éventuelles résiliations ? C’est tout l’objet de ce POC, mené en partenariat avec une IA Factory et un mutualiste, spécialiste de l’Assurance Retraite.
Date de réalisation : 2021
Catégorie : Prototype
Mots-clés : Satisfaction Client, Attrition, Réduction du churn, IA
Problématique
Les adhérents sont, chaque année, un peu moins fidèles à leur assureur. Comment prédire l’attrition, en temps réel, plutôt que de la subir ? Comment comprendre les motivations à la résiliation, adhérent par adhérent, afin de permettre aux Métiers de résorber le taux de churn en allant au-devant des résiliations via une stratégie marketing adaptée ?
Problématique
Les adhérents sont, chaque année, un peu moins fidèles à leur assureur. Comment prédire l’attrition, en temps réel, plutôt que de la subir ? Comment comprendre les motivations à la résiliation, adhérent par adhérent, afin de permettre aux Métiers de résorber le taux de churn en allant au-devant des résiliations via une stratégie marketing adaptée ?
Méthodologie
Afin d’identifier les signaux faibles conduisant un adhérent à la résiliation, nous avons imaginé un prototype basé sur l’intelligence Artificielle. Première étape, collecter auprès de l’assureur partenaire une masse de données suffisamment conséquente pour permettre la prédiction. Ici, ce sont 5 années d’historique clients qui ont été compilées au sein d’un dataset, puis segmentées afin d’être analysées.
Le dataset repose sur différentes typologies de données :
- Les données client (age, sexe, lieu de résidence & naissance)
- L’historique des échanges mails et appels
- L’historique des versements au contrat
- L’historique des actes de gestions réalisés sur les contrats
- L’Historique des données commerciales
- L’historique des suspensions
- Les données commerciales
Grâce à ces informations, nous avons pu construire une base de données « Client Centrée », la Single Customer View. A partir de cette vue panoramique, les profils clients ont été hypersegmentés sur la base de leur comportement. Des variables, identifiées comme acteurs d’attrition, ont été isolées afin de définir un modèle de scoring client. Par la combinaison d’un apprentissage patient et l’agrégat des algorithmes les plus pertinents, il devient alors possible d’identifier les profils à risque.
Méthodologie
Afin d’identifier les signaux faibles conduisant un adhérent à la résiliation, nous avons imaginé un prototype basé sur l’intelligence Artificielle. Première étape, collecter auprès de l’assureur partenaire une masse de données suffisamment conséquente pour permettre la prédiction. Ici, ce sont 5 années d’historique clients qui ont été compilées au sein d’un dataset, puis segmentées afin d’être analysées.
Le dataset repose sur différentes typologies de données :
- Les données client (age, sexe, lieu de résidence & naissance)
- L’historique des échanges mails et appels
- L’historique des versements au contrat
- L’historique des actes de gestions réalisés sur les contrats
- L’Historique des données commerciales
- L’historique des suspensions
- Les données commerciales
Grâce à ces informations, nous avons pu construire une base de données « Client Centrée », la Single Customer View. A partir de cette vue panoramique, les profils clients ont été hypersegmentés sur la base de leur comportement. Des variables, identifiées comme acteurs d’attrition, ont été isolées afin de définir un modèle de scoring client. Par la combinaison d’un apprentissage patient et l’agrégat des algorithmes les plus pertinents, il devient alors possible d’identifier les profils à risque.
Résultat
Ce POC nous a permis d’obtenir des résultats très encourageants quant au ciblage des clients sur le départ dans les mois à venir. Au terme de cette première expérience, le taux de fiabilité des prédictions est de 92%.
Résultat
Ce POC nous a permis d’obtenir des résultats très encourageants quant au ciblage des clients sur le départ dans les mois à venir. Au terme de cette première expérience, le taux de fiabilité des prédictions est de 92%.
A découvrir également…
Livre blanc
Open insurance & santé
Rétention Client
Livre blanc
Open Insuring Platform
Prototype
Détection de fraude