Reply is the place to meet an incredible variety of enthusiastic, passionate, ideas-driven people, who want to make a difference and an impact.Would you like to know more?
Les compagnies d'assurance traditionnelles essaient de se différencier et de récompenser les conducteurs «sûrs» pour leur conduite au fil du temps, comme la fréquence des accidents, les kilomètres parcourus de nuit ou sur autoroutes, les horaires et les heures de conduite, avec pour objectif d'aligner les primes de risque empirique, en se basant sur la conduite réelle des assurés. Les conducteurs les plus sûrs paient moins, car la compagnie d'assurance sait comment ils conduisent. De plus, comme les assurés le savent, une spirale vertueuse commence, dans laquelle les conduites imprudentes sont évitées en échange d'une remise.
Malheureusement, le marché de l'assistance avec la boîte noire semble ne pas avoir capitalisé sur les progrès récents dans les technologies GPS, des accéléromètres et de la télémétrie, et cela, associé à la consolidation de l'offre d'assistance, a entraîné une utilisation très large des politiques de paiement à la conduite ou de paiement à l'usage. Il est temps pour les assureurs de récupérer les données de leurs clients, d'enregistrer le flux des données liées à la conduite des véhicules, de développer des idées et d'appliquer des remises et des tarifs adaptés et différenciés.
Cela est simplifié avec l'augmentation de la granularité des données collectées, mais une granularité supérieure implique des coûts plus élevés, de sorte que la société ne conserve que 25% des données disponibles, tandis que le temps de traitement nécessite généralement une semaine de travail. En adoptant une architecture Hadoop, un assureur peut conserver 100% des données de géolocalisation de ses assurés et traiter cet énorme flux de données en quelques heures. La vitesse des nouveaux outils d'analyse des Big Data permet d'examiner très rapidement des quantités de données très élevées, représentant ainsi un allié puissant dans la reconstruction rapide et précise des accidents et garantissant une lutte immédiate et efficace contre la fraude.
Tout temps d'inactivité est une perte potentielle de revenus pour les entreprises en raison de l'absence de production, des coûts de réparation et des pertes générées dans le processus. Afin de limiter ce risque, les constructeurs utilisent généralement des programmes de maintenance préventive, qui appliquent presque toujours une approche basée sur les délais, c'est-à-dire qui se réfère au besoin de soumettre pour entretien ou de remplacer des pièces à des intervalles prédéfinis. Par exemple, le remplacement d'un composant après un certain laps de temps ou un certain nombre d'opérations pourrait être prévu. Au contraire, un programme de maintenance basé sur les conditions est axé sur l'état de l'équipement et sur son fonctionnement, plutôt que sur un intervalle de temps ou sur un programme prédéfini. Avec l'amélioration de la technologie, chaque dispositif d'ingénierie est maintenant doté de capteurs et de RFID (identification par radiofréquence) qui peuvent transmettre activement les informations de base sur les variables du véhicule, telles que la température, le niveau d'huile, les vibrations, les charges de travail, l'humidité, le taux de production, la mesure des consommations et les pannes. En envoyant à un «data lake» (lac de données) la quantité considérable de données de journal générées par la machine et en les associant aux paramètres de panne enregistrés lors de l'avarie d'un robot et à la chronologie d'entretien relative, il sera certainement plus facile d'identifier les modèles qui entraînent la panne du robot, façonnant l'état de l'équipement entretenu afin de prévoir à quel moment une telle intervention sera nécessaire.
Les compagnies d'assurance traditionnelles essaient de se différencier et de récompenser les conducteurs « sûrs » pour leur conduite au fil du temps, comme la fréquence des accidents, les kilomètres parcourus de nuit ou sur autoroutes, les horaires et les heures de conduite, avec pour objectif d'aligner les primes de risque empirique, en se basant sur la conduite réelle des assurés. Les conducteurs les plus sûrs paient moins, car la compagnie d'assurance sait comment ils conduisent. De plus, comme les assurés le savent, une spirale vertueuse commence, dans laquelle les conduites imprudentes sont évitées en échange d'une remise.
Chaque compagnie d'assurance est soucieuse de limiter les risques et d'augmenter les opportunités d'équilibrer la perception potentielle des primes avec le risque de payer des indemnisations là où peu de personnes peuvent causer des pertes extraordinaires si leurs activités malveillantes passent inaperçues. Les compagnies d'assurance stockent et traitent d'énormes quantités de données, mais le plus souvent, elles restent isolées dans des silos fonctionnels, alors que leur intégration dans Apache Hadoop pourrait fournir une meilleure compréhension afin d'améliorer les marges d'exploitation et d'anticiper les événements uniques pouvant causer des pertes désastreuses.
Chaque assureur possède déjà les systèmes d'analyse des données structurées à un niveau approprié. Malheureusement, les informations collectées sur une base indemnisation pour indemnisation sont, dans la plupart des cas, limitées à des domaines fonctionnels divers et distincts de la compagnie (gestion des indemnisations, administration, finances, gestion des fraudes) et sont rarement utilisées par les fonctions actuarielles pour améliorer les modèles de prix. Des notes d'indemnisation moins structurées et des analyses basées sur les médias sociaux apporteraient une valeur ajoutée significative pour une meilleure compréhension des soft links entre les actionnaires impliqués dans un accident ou, plus généralement, dans un processus de gestion des indemnisations, mais cette approche ne fonctionne pas et passe facilement dans les entrepôts de données traditionnels. La combinaison des données de texte ou sociales avec des données structurées dans un environnement SGBDR n'est en effet pas viable du point de vue économique.
Un système avec «schéma à la lecture» tel qu'Apache Hadoop permet de capturer une gamme de types de données plus large, afin de pouvoir ensuite les regrouper rapidement et facilement dans un data lake pour obtenir un cadre plus clair et holistique du risque réel. Cette grande réserve de données pourra être analysée ultérieurement avec les outils de business intelligence existants et les compétences des employés grâce à l'intégration étroite entre la plateforme Hadoop et les plateformes de BI les plus utilisées, qui sont actuellement liées ou, mieux encore, via la nouvelle classe d'instruments de découverte de données. L'approche proposée, qui surmonte les hiérarchies des rôles, conduit à une vue unifiée des phénomènes, offrant une occasion de comprendre à l'avance les nouvelles tendances ou les modèles de fraude qui ne pouvaient pas être facilement détectés, en analysant les phénomènes par l'étude sectorielle habituelle.
Avec la combinaison de nombreux clients et de nombreux points d'interaction entre les clients, chaque compagnie aspire à atteindre la perspective proverbiale du client à 360°. Toutefois, le regroupement des données issues de plusieurs systèmes administratifs distincts, de systèmes de demandes d'indemnisation et d'autres sources de données (généralement un mélange de logiciels commerciaux et d'applications créées à leur compte) n'est pas aussi facile, alors que l'extraction, le remplacement ou simplement le fait de toucher ces systèmes d'enregistrement d'une importance critique est généralement incontestable.
Comment une grande compagnie d'assurance pourrait-elle donc accéder aux informations à partir de ces différentes sources? Au cours des dernières années, les bases de données NoSQL se sont affirmées comme une option différente et évolutive de collecte des données acquises à partir de nombreux systèmes existants qui contiennent des dizaines de téraoctets de données, afin de les fusionner en un seul dossier qui est mis à jour presque en temps réel, au moment de l'insertion des données d'un nouveau client.
Il est facile de comprendre l'impulsion réelle qu'une « perspective client avec un dossier unique » (qui représente une chronologie de l'état, des transactions, des indemnisations et des demandes d'un client) peut offrir en termes d'efficacité des processus et, par conséquent, de satisfaction du client. En outre, la valeur d'une simple intégration entre les informations semi-structurées et structurées, comme les images des dossiers médicaux, des certificats médicaux, les plaintes, les informations administratives ou basées sur fichier et les données transactionnelles, deviennent jour après jour de plus en plus nécessaires pour améliorer la qualité du service. Un autre point en faveur de la technologie NoSQL.
La destruction des silos de données qui empêchent la perspective à 360° du client peut être une tâche impossible, mais l'intégration des données via une architecture NoSQL pour le suivi et la présentation de toutes les interactions des clients avec les centres de contact, les connexions sur différents sites Web et les interactions personnelles avec des agents d'assurance ou des spécialistes dans le domaine des indemnisations pour comprendre les exigences des clients et les aider avec le produit approprié au bon moment et au bon prix, peut être effectuée en un quart d'heure.