Le scoring consiste à attribuer une note (un “score”) à un client ou un prospect, en fonction de différents critères. La note sera ensuite utilisée pour établir le profil de la personne et prédire ses comportements futurs (fraude, défaut de paiement, achat de biens ou services, etc.). Les scores ont historiquement été utilisés par les assureurs pour évaluer le profil de risque des clients. Ces scores permettent alors d’adapter la tarification, de détecter des schémas de fraude potentiels ou encore d’améliorer la gestion des sinistres en anticipant leur gravité, ce qui en fait un outil très intéressant pour les assureurs.

Si l’utilisation du scoring est bénéfique pour analyser les profils de risques, d’autres applications sont apparues, notamment pour acquérir de nouveaux clients et les équiper en nouveaux produits.

Dans le secteur de l’assurance, on remarque que la prédiction comportementale reste néanmoins plus complexe, notamment avec un accès à la donnée plus délicat. En effet, l’obtention de données complémentaires (hors celles déjà récupérées lors de l’entrée en relation) est souvent complexe en raison de réglementations strictes. Contrairement au secteur du retail, où les incitations telles que les programmes de fidélité existent et facilitent la collecte de données personnelles, cette même approche est plus délicate à mettre en place dans l’assurance.

Ainsi, la collecte de données peut nécessiter des efforts supplémentaires et des partenariats avec des organismes externes, privés (fournisseurs de données, etc.) ou publics (ministères, etc.).

II en va de même pour l’élaboration du modèle de scoring puisque dans ce secteur, les modèles prédictifs sont plus complexes à construire et à maintenir.

En effet, malgré un cadre réglementaire favorisant la mobilité, le choix de sa compagnie d’assurance reste une décision engageante pour le client. Ainsi, le secteur Banque / Assurance affiche un taux d’attrition de seulement 4,1 %. Plusieurs critères rentrent en jeu dans la décision d’achat, ce qui augmente la complexité du modèle de scoring. Cette complexité augmente à son tour le temps nécessaire à la mise en place du modèle, mais également le risque d’erreur.

De plus, le processus de prise de décision et d’achat peut être plus long dans le cas de l’assurance que dans le retail. Afin de concrétiser l’opportunité de vente, les actions recommandées par le score doivent donc être menées au bon moment. En effet, si celles-ci sont menées trop tôt, le client ne sera probablement pas encore en mesure de prendre une décision. Inversement, si elles sont menées trop tard, le client aura déjà choisi une autre compagnie d’assurance et il sera difficile de le convaincre de changer.

En résumé, le scoring peut être utile dans le secteur de l’assurance, notamment en contribuant à la mise en place de processus de gestion plus efficaces. En revanche, son utilisation à des fins marketing est un chemin plus complexe et laborieux. Pour que la démarche soit profitable, il est nécessaire d’avoir une approche structurée et progressive, avec un investissement dans la donnée et dans l’utilisation opérationnelle et commerciale de ces scores.

Par Sharleen Vincent, Consultante chez Square Management.