Mesurer le ROI des données propres sur les ratios de sinistralité

Un seul chiffre mal saisi dans l'adresse de garage d'un assuré peut déplacer un véhicule d'une banlieue à faible taux de vol vers un code postal à fort taux de vol, et sous-tarifer discrètement une police pendant des années. Multipliez cette erreur sur un portefeuille de 500 000 polices et vous obtenez un problème mesurable, inscrit au budget, pas un désagrément informatique. Cette leçon construit l'argumentaire quantitatif pour traiter la qualité des données comme un levier de ratio de sinistralité, et non comme une corvée de conformité.

Pourquoi la qualité des données touche directement le ratio de sinistralité

Le ratio de sinistralité (sinistres payés divisés par primes acquises) est le tableau d'affichage, mais la qualité des données se situe en amont, de deux façons précises :

• Tarification erronée : une mauvaise adresse, un mauvais type de véhicule ou un mauvais code d'occupation signifie que la prime facturée ne correspond pas au risque réel. Cela se traduit par de l'antisélection : le risque sous-tarifé s'attire et se conserve lui-même.
• Claims leakage : des données de police, d'actif ou de demandeur incorrectes provoquent des surpaiements, des doubles paiements ou des subrogations manquées (récupération des coûts auprès du tiers responsable).

Les deux sont mesurables via des métriques de qualité des données avant même d'apparaître dans le ratio de sinistralité. Ce délai d'avance constitue tout l'argument ROIROIReturn on Investment : le rapport entre le profit net et le coût d'un investissement. Un ROI de 300 % signifie que chaque dollar investi en rapporte 3.Voir la définition complète → : corrigez les données, observez le ratio bouger quelques mois plus tard, et vous pouvez retracer la chaîne causale.

Les datasets clés

Avant de mesurer la qualité, il faut connaître les sources évaluées :

• Données du policy administration system (PAS) : adresse, numéro d'identification du véhicule (VIN), limites de garantie, dates d'effet.
• Données d'enrichissement tierces : intrants de modélisation catastrophe (par ex. les données de risque immobilier et automobile de Verisk), scores d'assurance basés sur le crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →édit, relevés d'information de conduite (MVR).
• Systèmes de gestion des sinistres : détails de la déclaration initiale de sinistre (FNOL), notes des experts, devis de réparation.
• Données géospatiales : coordonnées géocodées des adresses utilisées pour la modélisation des zones inondables, des incendies de forêt ou des catastrophes (CAT).
• Registres externes : données d'immatriculation DMV, dossiers du National Insurance Crime Bureau (NICB) pour la fraude et l'historique des épaves.

Chacune de ces sources a son propre taux d'erreur, et les erreurs se cumulent à mesure que les données circulent de la saisie à la tarification puis aux sinistres.

Les métriques de qualité des données qui anticipent le ratio de sinistralité

Les assureurs devraient les suivre au niveau du champ, pas seulement en « qualité globale des données » :

Ce sont des indicateurs avancés. Une baisse du taux de correspondance d'adresse aujourd'hui annonce des renouvellements mal tarifés dans 60 à 90 jours, bien avant que le ratio de sinistralité ne le signale.

Exemple chiffré : l'amélioration de 5 % de la précision

Voici le calcul que la direction veut réellement voir.

Hypothèses (illustratives, pas des affirmations sectorielles) :

• Taille du portefeuille : 500 000 polices auto particuliers
• Prime annuelle moyenne : 1 400 $
• Taux d'erreur estimé actuel sur les données adresse/véhicule : 8 % des polices comportent au moins un champ de tarification matériellement faux (cette fourchette de 5-10 % est couramment citée comme estimation dans les audits de qualité de données des assureurs)
• Sous-perception moyenne de prime sur une police mal tarifée : 12 % (car un mauvais territoire ou une mauvaise classe de véhicule déplace généralement des facteurs de tarification, pas la prime entière)

Étape 1 : polices concernées aujourd'hui

500 000 × 8 % = 40 000 polices mal tarifées

Étape 2 : fuite de prime aujourd'hui

40 000 × 1 400 $ × 12 % = 6,72 millions de dollars de prime annuelle sous-perçue

Étape 3 : appliquer une amélioration de 5 points de précision (le taux d'erreur passe de 8 % à 3 %)

Nouveau nombre de polices mal tarifées : 500 000 × 3 % = 15 000

Réduction : 25 000 polices mal tarifées en moins

Étape 4 : prime récupérée

25 000 × 1 400 $ × 12 % = 4,2 millions de dollars par an de précision tarifaire récupérée

Ces 4,2 millions de dollars n'apparaissent pas comme du « chiffre d'affaires ». Ils apparaissent comme un ratio de sinistralité plus bas, parce que les coûts de sinistres sur ces 25 000 polices ne s'imputent plus sur une base de primes sous-tarifée. Si le programme de qualité des données (logiciel de matching, APIAPIApplication Programming Interface : une interface standardisée qui permet aux applications de communiquer et d'échanger des données sans connaître leur fonctionnement interne respectif.Voir la définition complète → de vérification d'adresse, services de décodage VIN) coûte 600 000 à 900 000 dollars par an, le payback est nettement inférieur à un trimestre, avant même de compter les économies sur le claims leakage.

Claims leakage : la seconde moitié de l'argumentaire ROI

Les erreurs d'adresse et de véhicule gonflent aussi le claims leakage, défini comme les paiements de sinistres supérieurs à ce qu'aurait coûté un sinistre correctement traité. Les estimations sectorielles couramment citées par des cabinets comme McKinsey situent le claims leakage évitable entre 5 % et 10 % des sinistres survenus pour les assureurs P&C (dommages et responsabilité), en partie sous l'effet de mauvaises données : valorisation erronée du véhicule, limites de garantie incorrectes remontées au FNOL, historique de sinistres antérieurs manqué.

Calcul simple du leakage :

Si les sinistres survenus s'élèvent à 300 millions de dollars et que le leakage est de 6 % de façon conservatrice, cela représente 18 millions de dollars. Si un tiers du leakage remonte à des erreurs de données (une répartition raisonnable et couramment citée pour les causes racines identifiables), améliorer la précision du décodage VIN et du matching des demandeurs vise environ 6 millions de dollars par an. C'est le chiffre à associer à la récupération de prime ci-dessus pour construire un dossier à présenter au conseil.

Les métriques de gouvernance qui pérennisent le gain

Un nettoyage ponctuel des données se dégrade. Les métriques de gouvernance empêchent cette dégradation :

• Couverture par data steward : % des éléments de données critiques dotés d'un propriétaire responsable nommé
• Taux de conflit entre sources de vérité : % d'enregistrements pour lesquels deux systèmes (PAS vs sinistres vs facturation) divergent sur le même champ
• Délai du cycle de remédiation d'audit : nombre de jours entre la détection d'une erreur et sa correction en production
• Constats d'examen réglementaire : nombre de constats liés aux données lors des market conduct exams des États (États-Unis) ou au titre des exigences de qualité des données de Solvabilité II (UE/Royaume-Uni)

Aux États-Unis, la National Association of Insurance Commissioners (NAIC) examine de plus en plus la gouvernance des données lors des market conduct exams. En Europe, l'article 19 de Solvabilité II exige explicitement des assureurs qu'ils démontrent le caractère « approprié, complet et exact » des données pour le provisionnement et les modèles de capital ; la non-conformité peut déclencher des exigences de capital supplémentaires, conséquence financière directe d'une gouvernance déficiente.

Construire le dashboard de benchmark

Pour rendre l'argumentaire ROI durable, associez métriques de qualité et métriques de résultat sur un même dashboard revu tous les mois :

Leading indicators          Lagging indicators
------------------          -------------------
Address match rate      ->  Loss ratio by territory
VIN decode accuracy     ->  Vehicle-class loss ratio
Field completeness      ->  Renewal mis-rate rate
Duplicate claimant rate ->  Claims leakage %
Data latency             ->  Subrogation recovery rate

L'enjeu n'est pas l'outil sophistiqué. C'est l'appariement causal : chaque métrique de qualité à gauche doit avoir un résultat nommé et suivable à droite, pour que la direction voie le décalage entre le nettoyage des données et la réaction du ratio de sinistralité.

Points clés

• La qualité des données est un indicateur avancé de la performance du ratio de sinistralité : les erreurs d'adresse et de VIN tarifent mal le risque des mois avant que cette erreur de tarification n'apparaisse dans l'expérience sinistres.
• Une amélioration de 5 points de la précision des données adresse/véhicule, sur un portefeuille auto de 500 000 polices avec des hypothèses de taux d'erreur couramment citées, peut récupérer plusieurs millions de dollars par an de prime mal tarifée, illustrés ci-dessus à environ 4,2 millions de dollars.
• Le claims leakage lié à de mauvaises données (valorisations erronées, historique de sinistres antérieurs manqué) constitue un second flux de ROI distinct : les estimations sectorielles suggèrent que 5 à 10 % des sinistres survenus fuient de façon évitable, les erreurs de données étant une cause racine fréquente.
• Suivez les métriques avancées (taux de correspondance, précision de décodage, complétude, latence) aux côtés des métriques retardées (ratio de sinistralité, % de leakage, taux de récupération en subrogation) sur le même dashboard pour prouver la causalité à la direction.
• Les cadres réglementaires (market conduct exams de la NAIC aux États-Unis, article 19 de Solvabilité II dans l'UE) traitent de plus en plus la gouvernance des données comme une discipline examinable et pertinente pour le capital, non comme une préférence de back-office.