Optimisation de l’efficacité opérationnelle et de la satisfaction client grâce à l’intelligence artificielle

Afin de généraliser l’étude scientifique des parcours clients au regard de la satisfaction client, plusieurs socles analytiques ont été mis en place :

• Le premier consistait en la création d’un outil de data visualisation permettant de mesurer les impacts des parcours clients sur le niveau de satisfaction, sur la base de l’analyse des informations sinistres, contrats, clients, mais également les interactions clients / assureur. L’objectif était ainsi de disposer d’un outil analytique de référence sur la satisfaction client, son évolution, sa corrélation avec les accords de niveaux de service (délai de traitement, nombre de communications échangées) mais aussi de comprendre les drivers de l’insatisfaction.

• En complément de cet outil de data visualisation, l’analyse des parcours au regard de la satisfaction a été renforcée par l’utilisation d’un outil de Process Mining, connecté en temps réel aux données. En exposant l’exhaustivité des flux opérationnels (communications, opérations comptables, logs de navigation web…), il est alors possible de visualiser l’ensemble des parcours et de mesurer les impacts de l’ensemble des déviations de parcours sur un ensemble de KPIs opérationnels, dont la satisfaction client. Ce projet d’ampleur allie des enjeux techniques via l’innovation technologique que représente la connexion temps réel (à la fois pour l’assureur et l’éditeur logiciel sur la mise en place et l’ingestion d’un flux Kafka, technologie de référence pour le traitement de flux de données en temps réel) ainsi que des enjeux opérationnels dans sa capacité à restituer les KPIs de gestion (alignés au pilotage déjà en vigueur) et démontrer leur exactitude.

• Enfin, dans le but de mieux comprendre l’origine de l’insatisfaction du point de vue des clients, un projet de Natural Language Processing a été mis en place afin de classifier l’ensemble des verbatims clients. Sur ce projet, un des objectifs majeurs était la détection d’irritants actionnables pour l’établissement, à travers l’identification :

  • D’étapes bloquantes sur les parcours,

  • De mécontentements liés aux prestataires,

  • Du risque d’attrition du client en cas de forte menace.

  • Etc.

À vocation avant tout analytique, ces projets ont été le point de départ de cas d’usage data science ayant pour objectif d’optimiser les parcours et d’améliorer la satisfaction client. Les cas d’usage présentés ci-après détaillent la manière dont Square Management a accompagné cet établissement dans l’atteinte de ces objectifs, synthétisant pour chaque projet les enjeux méthodologiques, techniques et leurs impacts opérationnels.

Un des premiers cas d’usage à fort potentiel identifié fut la création d’un moteur de détection de la fraude à l’indemnisation, sur les produits IARD et prévoyance. Pour réussir, ce projet devait réconcilier les objectifs :

• D’explicabilité de la suspicion de fraude, prérequis émis par les gestionnaires sinistres ;
• De performance sur l’identification des sinistres suspects, à l’équilibre entre une détection importante et une volumétrie faible de faux positifs ;
• De disponibilité, avec une détection au plus proche du temps réel.

Pour atteindre l’objectif d’explicabilité, il a été décidé de créer, conjointement avec les équipes en charge de la détection de la fraude, un ensemble de règles permettant d’isoler les comportements et patterns suspects. Par ces règles, il était ainsi possible de mettre en évidence les caractéristiques qui ont amené à émettre une alerte. En complément, il a été également décidé de mettre en place une boucle de feedback de ces alertes, permettant d’une part de mesurer leur pertinence et leur fiabilité, et d’autre part de construire des sous-ensembles de sinistres entièrement analysés et donc étiquetés. Cela avait vocation à servir la performance de détection, à la fois en améliorant les règles existantes, et aussi en permettant la mise en place d’une surcouche de Machine Learning dont l’objectif était de prioriser les niveaux d’alertes.

Si le moteur d’intelligence artificielle répondait effectivement aux enjeux d’optimisation des processus internes et une réduction de l’exposition au risque de fraude, il ne répondait cependant pas à celui de l’amélioration de la satisfaction client. Pour coupler ces deux enjeux, nous avons mis en place un moteur d’identification des clients « de confiance » : concrètement, ces clients ont la particularité d’avoir une « Customer Lifetime Value » élevée (CLV, valeur vie client), autrement dit aucun risque de fraude ne leur est associé et leurs sinistres ne présentent pas d’exposition financière majeure. Opérationnellement et d’un point de vue client, cela se traduit par une liste réduite de pièces justificatives pour, in fine, un processus d’indemnisation accéléré. Pour l’établissement, cela permet de renforcer le lien de fidélité avec leurs meilleurs clients, ainsi que de déporter sa charge opérationnelle sur les sinistres à forts enjeux, tout en maitrisant son risque.

Afin de répondre à l’objectif de prévenir l’insatisfaction client et de ne pas attendre le point de rupture de la relation commerciale, notre équipe de data scientists a doté l’établissement d’une capacité de pilotage en temps réel du risque d’insatisfaction, et par extension de l’attrition, grâce à la mise en place d’un projet de gestion pro-active du processus d’indemnisation.

En croisant l’exhaustivité des parcours clients d’indemnisation au regard de la satisfaction, il a été possible de mettre en évidence des parcours présentant des degrés d’insatisfaction élevés. En renforçant ce constat grâce à une combinaison de plusieurs approches de type Machine Learning (modèle supervisée prédisant l’insatisfaction : decision tree, régression logistique), il a été possible de créer des clusters d’insatisfaction, définis par :

• Des caractéristiques sinistres,
• Les typologies de prestataires (réparateurs) intervenus,
• Des notions de délai entre les phases de gestion,
• Les typologies de flux échangés entre le client et l’assurance.

Sous forme d’alertes transmises directement au système opérationnel, les gestionnaires sinistres sont désormais outillés pour mener les actions appropriées afin de limiter les irritants du point de vue du client :

• Demander des pièces justificatives,
• Relancer un expert,
• Déclencher l’indemnisation,
• Prévenir le client que son dossier suit son cours lorsque aucune anomalie n’est constatée,
• Etc.

Cette approche, au-delà d’avoir un impact réel sur la satisfaction client, permet également d’agir sur les niveaux de service de l’établissement en accélérant le délai avant indemnisation, en diminuant le nombre de flux échangés, et ainsi avoir un retour sur investissement direct autre que la satisfaction client.

Démontré par l’analyse des outils de monitoring et de classification des verbatims, le risque d’insatisfaction client puise également ses origines dans la relation qu’a le client avec les différents prestataires externes à l’établissement (experts, réparateurs, etc.).

En capitalisant sur la connaissance acquise sur ces prestataires à travers différents projets, notre équipe a décidé d’intervenir sur le périmètre des réparateurs automobiles. Outre le fort enjeu de satisfaction client, ce périmètre a été priorisé pour disposer en parallèle d’un outil de monitoring et de pilotage de la performance de ces prestataires, afin notamment d’établir de nouvelles relations commerciales privilégiées (ou au contraire d’exclure certains partenaires) et de maitriser ses coûts.

Ce moteur de recommandation des garages, outre la localisation du client, tenait donc compte des informations liées à :

• La satisfaction engendrée par le garage,
• La maîtrise des coûts et des délais,
• Ses engagements en termes de durabilité.

Pour bâtir ce moteur de recommandation, notre équipe a dû faire face à plusieurs problématiques, dont l’accès à l’information et la modélisation dans un cadre non supervisé :