ARTICLE – Telematics data – 27/07/2017

Source : Willis Towers Watson – Not all telematics data is created equally – 27 juillet 2017

Points clés / Chiffres remarquables :

  • Aux Etats-Unis, il y a déjà au moins 10 produits d’assurance à l’usage (Usage-Based Insurance) dans tous les états. Il y a même une pointe à près de 20 produits dans quelques états en avance. Ces produits sont majoritairement utilisés comme un moyen d’améliorer la relation avec les assurés, mais aussi et surtout pour affiner la tarification.

Données granulaires

Les bonnes données à conserver sont les données dites « granulaires », à savoir continues. Il faut ainsi éviter tout regroupement. Cela concerne

  • Données contextuelles: Cela peut être la position en temps réel du véhicule, ce qui permet d’ajouter des informations contextuelles en fonction de cette position (trafic, accidents, etc.)
  • Analyses comparatives: Les analyses de données doivent pouvoir se faire sur un panel, avec, au sein de ce panel, des contrôles sur les extrêmes par exemple. Il est alors possible de ne s’intéresser qu’aux 0,01% de freinages les plus brutaux pour définir des seuils ou des niveaux de risques à exploiter pour le futur.
  • Changements comportementaux: Des données trop regroupées permettent de déterminer si un conducteur a un risque d’avoir des accidents. Toutefois, pour réduire les accidents, il faut changer les comportements à risques. Afin d’identifier ces comportements, il est nécessaire d’avoir un suivi des données fines.

Modélisations

Les meilleurs modèles prédictifs utilisent la combinaison de données continues et granulaires avec les données réelles de sinistres.telematics data

    • Modélisation subjective: Le score de risque est déterminé par un analyste en fonction des données disponibles. Toutefois, ceci s’avère peu précis et peu fiable.
    • Modélisation rétrospective: L’utilisation des données du passé permet d’identifier les risques à venir. Cette modélisation est plutôt cohérente, et à la base de l’histoire même du secteur de l’assurance, mais cela part de l’hypothèse que les conducteurs continuent à se comporter de la même manière. Par exemple, cela ne tient pas compte des incitations à l’amélioration de la conduite.
    • Modélisation prospective avec données télématiques (telematics data) discrètes: Utiliser des données regroupées permet d’identifier des profils de risques et donc de classer les conducteurs. En revanche, il est impossible de déterminer des causalités.
    • Modélisation prospective avec données télématiques (telematics data) continues: Si l’objectif est de changer les comportements pour réduire les accidents, il s’agit d’identifier quelles causes ont provoqué quels accidents. Il est alors possible d’analyser toutes les données disponibles pour chaque accident et déterminer des « cocktails » risqués. Ainsi, il sera possible de concevoir des programmes de prévention pour lutter contre ceux-ci.
    • Croisement de données télématiques et de facteurs traditionnels: La difficulté réelle se présente lorsqu’il s’agit de croiser les données télématiques avec les données classiques de risque des conducteurs, qui sont des facteurs importants de la sinistralité.

telematics data

  • Les données télématiques n’étant pas encore développées largement, l’article cite tout de même un biais important et un risque d’anti-sélection par le fait même de généraliser d’ores et déjà les modélisations sur ce type de données.

Quelques états américains proposent déjà plus de 20 produits d’assurance à l’usage! ». – Geoff Werner, Willis Towers Watson


Lire l’article en entier sur Willis Towers Watson.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *