Augmentation des revenus dans le secteur de l'assurance grâce à la prévision du taux d'attrition

Contexte et objectifs

Une compagnie d'assurance spécialisée desservant la Belgique et les Pays-Bas connaissait un taux d'attrition de la clientèle de +9%, causant des centaines de millions d'euros de pertes chaque année. Elle s'est tournée vers Agilytic pour comprendre les facteurs d'attrition et concevoir des mesures proactives de fidélisation.

Il était essentiel pour l'assureur d'obtenir des informations précises sur les clients afin de mieux allouer les ressources d'acquisition et de fidélisation. Nous avons donc déterminé les caractéristiques des polices et des clients susceptibles de signaler un risque de résiliation en transformant et en nettoyant les données, en procédant à une analyse descriptive et à une modélisation.

Approche

Nous avons collaboré avec les équipes de marketing et de vente pour maximiser la pertinence des résultats. Nous avons travaillé à partir d'une feuille de route de jalons afin d'approfondir les données et d'apporter des informations plus précises.

Tout d'abord, nous avons commencé par la consolidation des données, qui comprend le travail de transformation et de nettoyage des données. Il s'agissait de rassembler des données provenant de huit sources contenant des informations sur les clients, des détails sur les polices, des détails sur les produits d'assurance, la fréquence des paiements par police et d'autres informations sur les primes, afin de les utiliser comme base pour la prédiction du taux d'attrition.

Nous avons suivi des étapes pour nettoyer les données en fonction du résultat que nous voulions obtenir, c'est-à-dire en définissant le résultat cible, en supprimant les colonnes inutiles et en corrigeant ou en supprimant les informations manquantes. Pour la transformation des données, nous avons calculé le "delta jours" entre la date d'ouverture du contrat et la date de fin (durée de vie du client), en dérivant les dates de désabonnement et les dates de début de la campagne pour évaluer s'il y avait des informations utiles. Ce n'est qu'un exemple des nombreuses caractéristiques dérivées que nous avons créées dans le cadre de la transformation. Les principaux chiffres ont été examinés et validés avec l'entreprise pour s'assurer que les données avaient été interprétées correctement.

Après cette phase initiale de collecte de données et d'audit, nous sommes passés à l'analyse descriptive. Nous avons effectué une analyse des données à l'aide de l'outil d'interprétation des données TIMi afin de présenter les données au client d'une manière claire et pratique avec des visualisations faciles à comprendre.

Nous avons ensuite construit un modèle prédictif pour identifier les principaux facteurs de désabonnement et évaluer la propension au désabonnement des clients existants. Notre périmètre initial comprenait plus de 280 variables, dont 11 variables significatives ont été conservées dans le modèle final. TIMi nous a permis d'obtenir des résultats précis et faciles à interpréter en un temps record, car c'est un outil parfaitement adapté à ce type d'analyse.

Enfin, nous avons organisé des ateliers pour aider les équipes internes à améliorer leur connaissance des données et à s'approprier notre modèle. Nous avons fourni les résultats du projet sous la forme d'un Powerpoint (pour offrir des aperçus et des visualisations de données essentielles), de fichiers Excel pour simuler la propension à partir en fonction des 11 caractéristiques identifiées, d'un rapport d'audit des données TIMi et d'une documentation explicative supplémentaire sur l'élaboration du modèle.

Résultats

Notre modèle a permis au client d'identifier deux fois plus de churners qu'il ne pouvait le faire avant de travailler avec Agilytic. Nous avons également aidé notre client à mettre en place des mesures proactives de fidélisation, telles que le reconditionnement des produits pour mieux répondre aux besoins des clients, grâce à nos connaissances sur les facteurs de désabonnement.

Plus important encore, nous avons constaté que les deux facteurs prédictifs les plus importants sont le courtier impliqué, , sans lien avec la taille du portefeuille. Le taux de désabonnement était plus élevé pour les courtiers et plus faible pour les canaux directs. Le type de produit d'assurance est également un facteur prédictif significatif.

Deuxièmement, contrairement à ce que pensait initialement le client, nous avons constaté qu'il n'y avait pas de lien apparent entre la communication et le taux de désabonnement. Le nombre moyen de jours entre le début d'une campagne de communication et la date de fin de la communication est similaire pour les churners et les non-churners au fil du temps. S'il y a désabonnement, c'est généralement entre trois et six mois après le début de la campagne.

En outre, nous avons observé un pic de désabonnement en septembre et à la fin de l'année. Nous avons constaté que la plupart des désistements concernaient des plans de paiement semestriels, que le taux de désabonnement diminuait avec l'âge du titulaire et que les calendriers de paiement uniques et les paiements automatiques donnaient de bons résultats pour ce qui est de la diminution du taux de désabonnement.

Grâce à l'analyse et à la modélisation des données, le client peut désormais constater des améliorations dans le taux de désabonnement des clients, car il est en mesure de prendre des décisions plus intelligentes en ce qui concerne la coordination des efforts de commercialisation. Après avoir achevé le projet en moins de 30 jours, le client a rapidement compris les actions ultérieures nécessaires pour augmenter sa fidélisation et son potentiel commercial.