Depuis 2010, le volume de données en zettaoctets a été multiplié par 23. Pour la prochaine décennie, une multiplication par 45 du volume de données est prévue. La capacité à traiter cette donnée est également impactée. "Est-ce que vous savez quel est le volume de données, la puissance de calcul qui est mobilisée à chaque fois que vous tapez une requête sur Google ? C’est l’équivalent de l’ensemble des 17 missions Apollo qui ont envoyé des Hommes sur la lune", relève Elise Bert Leduc.

Pour éviter l’écueil de l’effet bulle qui peut être associé à une transformation technologique, il est important de se remémorer deux principes : 

• Revenir aux fondamentaux : la datascience est un ensemble de méthodes scientifiques qui, par le biais d’outils informatiques, va permettre de résoudre des problèmes complexes en utilisant des données collectées et exploitables. Quant à l’intelligence artificielle, elle est une technique avancée de data science, qui va permettre de traiter les données non structurées comme la voix ou les photos. Ses caractéristiques sont l’autonomie et l’adaptabilité, il faut qu’elle soit complémentaire à l’Homme.
• Se pencher sur les besoins des utilisateurs : premièrement, il faut avoir accès à des données fraîches et exploitables (data engeneering). Ensuite, on s’intéresse à la data analytics et la data vizualisation. Enfin, il faut modéliser et prédire les données pour comprendre les besoins clients et y répondre de manière pertinente.

1er use case : 

Comment détecter l’insatisfaction, non exprimée, d’un client et agir proactivement dans le cas d'un sinistre ?

Etape 1 : construire une base de données qui va devenir exploitable

• Pour l’input : ces données peuvent être le nombre d'appels, le délai de réponse, des missions d’expertise qui sont annulées... Elles vont être perçues comme facteur de satisfaction ou d’insatisfaction potentiel.
• Pour l’output : prendre les données de satisfaction, et celles de réponse de satisfaction ou insatisfaction historique sur des éléments de mesure.

Etape 2 : concevoir un modèle Machine Learning

Il faut pouvoir construire un modèle qui va mettre en commun les variables identifiées d’un côté, et un modèle de prédiction de l’autre avec, en output, un score d’insatisfaction potentiel. 

Etape 3 : appeler proactivement les clients identifiés comme potentiellement insatisfaits

AXA se retrouve dans une situation win-win avec ses clients. Les résultats sont positifs avec 15 % d’amélioration de la satisfaction. Les gestionnaires sont également satisfaits de mieux répondre aux attentes des clients.

2ème use case : 

Comment réussir à proposer la bonne offre, au bon client, au bon moment ?

Chez AXA, 46 % des clients n’ont qu’un seul contrat. Pourtant dès lors qu’un client a plusieurs contrats, il se multi-équipe fortement (4,1 contrats en moyenne). Il y a donc un enjeu, face à ce potentiel d’équipement, de proposer la bonne offre au bon moment. Le process vise à identifier des données input (moments de vie, changement de contrat, données issues des consultations sur l’espace client), mais aussi des données sur des parcours et sites externes qui pourraient indiquer un besoin potentiel. A partir des ces données exploitées et disponibles, "un moteur de règles doit être construit pour suggérer la bonne offre", précise l'experte. Pour cela, AXA a dû investir sur le geste utilisateur. Avec plus de données, les modèles ont pu être entraînés pour être plus pertinents, ce qui a fait décoller le nombre de contrats souscrits.

Les enseignements qu’en a tiré AXA :

1. Investir sur la culture avant la technologie : la data n’est pas une fin mais un moyen.
2. Concentrer les efforts sur quelques "Big Tickets", en évitant les effets de mode.
3. Investir en amont sur la qualité des données.
4. Communiquer clairement le ROI.

Retrouvez dès à présent l'ensemble des interventions du HUBDAY Data & AI en vidéo !