Get fresh updates from Hortonworks by email

Once a month, receive latest insights, trends, analytics, offering information and knowledge of the Big Data.

cta

Démarrer

cloud

Prêt à débuter ?

Télécharger Sandbox

Que pouvons-nous faire pour vous ?

fermerBouton Fermer
cta

Plateformes de données connectées
pour l’IoT des assurances et les analyses prédictives

cloud Les assurances dans le rapport Connected World

Télécharger le rapport

Beat risk

With Hortonworks connected data platforms, much more is possible. For example, a 360° view of not only your customers, but also connected cars to understand where and how are they driving while providing better predictive analytics.  You can now provide them with recommendations for alternative safer routes and driving behavior making them better drivers.

Des entreprises basées sur les données grâce aux applications analytiques avancées

Les changements dans la technologie et les attentes des clients créent de nouveaux défis pour les compagnies d'assurance, que ce soit dans leur façon de s'adresser à leurs clients, de gérer les informations sur le risque et de contrôler la fréquence montante et la gravité des déclarations. Les assureurs comme Progressive font appel à Hortonworks pour réimaginer les modèles traditionnels d'implication des clients.

exemples d'utilisation

Établir une vision à 360° du client

Les assureurs interagissent avec les clients sur de nombreux canaux, mais les données relatives aux interactions, aux polices et aux déclarations sont souvent isolées dans des silos. Peu de compagnies sont en mesure d'attribuer avec précision l'acquisition de nouveaux clients et la réussite de ventes croisées ou additionnelles à leurs campagnes marketing ou au comportement en ligne des consommateurs. Apache Hadoop donne aux assureurs une visibilité complète sur le comportement de leurs clients. Il leur permet de stocker les données plus longtemps et d'identifier les phases distinctes du cycle de vie du client. Une meilleure analyse permet d'augmenter le taux d'acquisition, d'augmenter les ventes et de fidéliser les meilleurs clients.


Dynamiser la productivité des agents grâce à un portail unifié

De nombreuses compagnies vendent leurs polices par l'intermédiaire d'agents. Pour préparer leurs appels (ou pour répondre aux questions des prospects pendant les appels), les agents doivent rechercher des informations parmi plusieurs plateformes et applications disjointes. Cela prend du temps et diminue leur productivité. Contrairement aux plateformes de données traditionnelles, HDP stocke les données de multiples sources dans un « data lake ». Cela permet d'obtenir une seule boucle, sans besoin d'interroger individuellement toutes les plateformes de stockage. Les agents peuvent mieux se préparer et effectuer davantage d'appels sur une période donnée, ce qui fait augmenter les recettes. Les compagnies d'assurance peuvent également utiliser le même genre de vision d'ensemble pour identifier les agents les plus productifs et ensuite proposer des avantages aux plus performants ou retirer la certification des moins productifs.


Créer un cache à haut débit pour traiter les documents des dossiers

Once customers agree to buy a new policy, the agent and/or underwriter still needs to process the application documents. This can be a lengthy manual process that causes leakage. Speed is important, but so is accuracy. One Hortonworks subscriber in the insurance industry built an enterprise document cache on HDP. Apache HBase caches the post-transaction documentation, with meta-tags that speed up processing. And because HDP’s YARN-based architecture supports multi-tenant processing on the same data set, document tracking does not slow down risk assessment or other analytics required before initiating coverage. Efficient document processing reduces costs and improves agent and underwriter productivity.


Détecter les fraudes

La fraude à l'assurance est un défi majeur du secteur. D'après le FBI, « le coût total de la fraude aux assurances (hors assurance maladie) est évalué à plus de 40 milliards de dollars par an. Cela signifie que la fraude aux assurances coûte entre 400 $ et 700 $ par an au foyer américain moyen sous la forme d'augmentation des primes. » Aux États-Unis, il existe plus de 7 000 compagnies d'assurance qui collectent plus d'un trillion de dollars de primes tous les ans. C'est donc une cible vaste et très lucrative pour les fraudeurs. Ceux-ci peuvent facilement masquer leurs traces alors qu'ils prennent part à des combines comme le détournement des primes, le gonflement des commissions, le détournement de biens ou la fraude aux indemnités d'accidents du travail. L'un des plus grands assureurs américains utilise HDP pour l'apprentissage automatique et la modélisation prédictive. Celle-ci applique des signaux basés sur des règles sur les données transmises, afin de détecter davantage de déclarations frauduleuses ou non valides. Lorsque les données sont envoyées dans le système, des alertes en temps réel aident les analystes spécialisés en déclarations à donner la priorité aux déclarations aux probabilités de fraude les plus élevées.

Lancer des services de réduction des risques

Les compagnies d'assurances comprennent le risque et, tout comme d'autres secteurs, sont en train de passer progressivement d'une utilisation réactive à une utilisation proactive de leurs données. Tous les experts en sinistres ont déjà vu des accidents, des incendies ou des blessures qui auraient pu être prévisibles voire même évités, et se sont déjà dit « Il n'aurait jamais dû conduire par ce temps » ou encore « Ces fils auraient dû être remplacés depuis longtemps ». Désormais les assureurs enregistrent et partagent ces données précieuses avec leurs clients avant même que ne surviennent les incidents. Grâce à ces services de réduction des risques et de prévention, les assureurs partagent les analyses en temps réel avec les assurés, pour prévenir les incidents. Ils peuvent par exemple mettre au point des algorithmes pour identifier les phénomènes émergents à haut risque liés au mauvais temps, aux épidémies ou aux rappels d'équipement et fournir des alertes en temps opportun pour que leurs clients puissent se protéger et protéger leurs biens. Un client d'Hortonworks qui vend des assurances automobiles travaille sur des alertes en temps réel qui puissent informer les conducteurs lorsqu'une forte tempête risque d'affecter une portion de route et leur suggérer des itinéraires moins risqués.

Chiffrer le risque grâce aux données de capteurs empiriques

Le risque subjectif décrit le phénomène qui se produit lorsqu'une personne prend plus de risque parce que ce risque incombe à une autre personne. Lorsqu'une compagnie propose une police d'assurance automobile, elle se trouve face à un risque subjectif en raison d'une asymétrie de l'information : les souscripteurs connaissent mieux leur façon de conduire que les assureurs. Les conducteurs peuvent conduire un peu plus vite ou être moins attentifs sur la route parce qu'ils savent qu'ils sont couverts en cas de collision. Les assureurs déterminent leurs prix pour couvrir ce risque subjectif. Au final, les conducteurs prudents paient pour ceux qui prennent des risques au volant. L'assurance basée sur l'utilisation peut réduire cette asymétrie dans l'information et ce risque subjectif en récompensant les bons conducteurs pour leur prudence. Un assureur majeur propose ce type de produits d'assurance grâce aux données de capteurs télématiques stockées dans HDP. Auparavant, le traitement hors Hadoop n'enregistrait qu'un sous-ensemble des données sur l'utilisation provenant des capteurs intégrés aux voitures. De plus, les processus d'extraction, transformation et chargement retardaient la disponibilité de ces données d'une semaine. Grâce à HDP, la compagnie enregistre et stocke toutes les données de conduite des clients qui s'inscrivent au programme. Ce vaste ensemble de données est ensuite traité deux fois plus rapidement. Enfin, la modélisation prédictive permet de récompenser les conducteurs en fonction de leur comportement sur la route plutôt qu'en devinant leur type de conduite, d'après leur âge, le modèle de leur voiture, leur lieu et leur historique de conduite.