BizTech Byte

La rétention fait un retour en force. Pendant des années, les assureurs ont utilisé des approches traditionnelles de la rétention qui n’étaient pas à la hauteur des enjeux, car elles étaient généralement réactives, indifférenciées et activées très tardivement dans le cycle décisionnel du client. Mais les nouvelles capacités de l’analyse de données, de puissance de calcul et des sciences comportementales offrent des moyens d’améliorer significativement les taux de rétention.

Ces nouvelles stratégies de rétention tombent à point nommé. Face à la « commodisation » continue de l’assurance (caractérisée par des dépenses publicitaires durablement élevées, des obstacles à changer d’assureur plus faibles et une évolution démographique et comportementale de la clientèle où les millennials se distinguent par leur plus grande versatilité1), le secteur de l’assurance automobile aux États-Unis a enregistré une baisse constante de la rétention au cours des dix dernières années.

Les nouvelles capacités de l’analyse de données, de puissance de calcul et des sciences comportementales offrent des moyens d’améliorer significativement les taux de rétention.

La bonne nouvelle pour les assureurs est que de récentes et importantes capacités leur permettent désormais de retenir leurs clients de manière dynamique à l’aide de modèles et d’approches qui révolutionnent la rétention (voir Figure 1) en se basant sur :

  • Une meilleure compréhension des sciences du comportement et de leur incidence sur la manière dont les stratégies de rétention sont appliquées, déclenchées et ciblées.
  • De nouveaux ensembles de données plus accessibles, associés à des modèles d’analyse de données avancée qui permettent d’entreprendre des actions ciblées, dynamiques et pertinentes pour les clients « à risque » sur les points de vente. Il existe, par exemple, des informations publiquement disponibles sur la navigation en ligne, l’utilisation des applications mobiles, les dépenses par carte, le mode de vie et les événements personnels qui, combinées aux données des compagnies d’assurance (clients, indemnisations et interactions), fournissent une base élargie pour appliquer les modèles d’analyse de données.

La création de modèles d’attrition rigoureux est un élément essentiel de la rétention client. Nous utilisons un vaste ensemble de données clients exclusives et exhaustives, incluant des informations externes digitales, financières et géographiques, qui peuvent être combinées avec les données client internes d’un assureur pour créer un modèle d’attrition très rigoureux. Des algorithmes d’apprentissage machine spécifiques peuvent ensuite être déployés à partir de ces ensembles de données pour faire fonctionner les outils d’analyse de données prescriptive et développer des stratégies de rétention dynamiques et pertinentes. Enfin, la combinaison des informations issues de l’analyse de données et d'une conception centrée sur l’humain permet d’obtenir des stratégies innovantes et personnalisées, beaucoup plus efficaces pour retenir le client. D’autant que les clients sont disposés à bénéficier de cette attention plus personnalisée : 81 % de ceux qui ont changé d’assureur déclarent que ce dernier aurait pu faire quelque chose pour les retenir2, et près de la moitié d’entre eux (49 %) disent apprécier qu’une compagnie leur propose une offre ou un service personnalisés.3

Figure 1 : Les nouvelles capacités permettent de réorienter significativement les programmes de rétention

Concrètement, nous mettons en œuvre ces capacités grâce à une approche structurée en quatre étapes :

  1. Analyse de données prédictive : L’élément le plus important dans un programme de rétention est d’identifier très précisément les clients qui sont dans un processus d’achat. En utilisant l’apprentissage machine, nous construisons des modèles de prédiction très performants qui identifient tout particulièrement les clients qui commencent leur processus d’achat et ceux qui sont sur le point de résilier leur contrat. Ainsi, les assureurs peuvent savoir exactement vers où diriger immédiatement leurs efforts de rétention. Grâce à cette analyse, les assureurs peuvent développer et financer des stratégies plus ciblées qui influenceront le comportement des clients et les risques de résiliation.
  2. Conception de l’expérience : Les clients commencent leur processus d’achat sous l’influence d’un des quatre principaux facteurs suivants : une augmentation de tarif, une mauvaise expérience client, une campagne publicitaire concurrente ou un changement de situation qui impose une actualisation de leur police (l’achat d’une nouvelle voiture, l’ajout d’un conducteur, etc.). À partir de là, nous concevons des stratégies de rétention basées sur les sciences du comportement et centrées sur l’humain ; adaptées à chacun des facteurs déclenchant, elles peuvent être déployées auprès de chaque client à risque.
  3. Analyse de données prescriptive : Après avoir développé un ensemble de mesures, l’étape suivante consiste à les tester de façon analytique, individuellement et dans diverses combinaisons. L'A/B testing est utilisé pour déterminer les ensembles de mesures qui génèrent la meilleure amélioration de la rétention.
  4. Adoption et pérennité : Dès lors que les modèles et les mesures sont mis au point, le processus devra être activé sur une base hebdomadaire, voire quotidienne, pour identifier les clients à risque et commencer à mettre en œuvre l’ensemble des stratégies qui les inciteront à modifier leur processus d’achat.

Ces stratégies peuvent aider à générer des revenus significatifs. Selon notre expérience, l’application par des assureurs de ces nouvelles capacités a permis une hausse de 3 à 7 points du taux de rétention de la clientèle à risque (des clients qui commencent à chercher une autre assurance). Concrètement, un assureur dont les primes annuelles totalisent 10 milliards de dollars pourrait les accroître en cinq ans de 6 % de plus que le taux du marché en appliquant ces stratégies. Cela représenterait une hausse cumulée de ses primes de 2,7 milliards de dollars sur cinq ans (voir Figure 2).

Figure 2 : Transformer les données et les analyses de données en valeur ajoutée

De plus, la rétention étant généralement moins coûteuse que l’acquisition d’un nouveau client, ce type d’approche aura un impact très important sur la marge de l’assureur, ce qui en fait une solution intéressante dans un secteur où les acteurs se battent pour gagner des parts de marché sans sacrifier leur rentabilité.

Dans le jeu à somme nulle de l’assurance, ceux qui négligent l’amélioration régulière de la rétention risquent de perdre des parts de marché au profit de leurs concurrents qui s’y emploient.

1 Global Consumer Pulse Research, Accenture Strategy, 2017

2 Ibid

3 Global Consumer Pulse Research, Accenture Strategy, 2018

Shamik Lala

Directeur Exécutif – Accenture Strategy, Assurance


​Tim Hoying

Directeur Exécutif – Accenture Strategy, Assurance

POUR ALLER PLUS LOIN


Nos autres expertises

Inscription
Restez informé avec nos dernières publications Restez informé avec nos dernières publications