Pendant des années, la souscription a reposé sur l’expérience, des tables de tarification et des tableurs que seul leur auteur comprenait vraiment. Aujourd’hui, la décision d’accepter un risque et de le tarifer se prend plus vite, sur bien plus de données, et sous une pression réglementaire croissante qui demande pourquoi un contrat a obtenu ce prix. Pour un directeur de la souscription, des risques ou de l’actuariat, cela signifie une chose : l’évaluation du risque devient un produit digital, et sa qualité dépend autant du logiciel que de l’expertise des personnes.
D’après notre expérience, le plus difficile n’est pas d’inventer un modèle de scoring mais de le raccorder au processus de décision, aux données et aux personnes qui tranchent. Nous n’avons pas d’étude de cas à exposer ici dans ce domaine, alors disons-le simplement : ce que nous livrons d’abord, ce sont des compétences et des personnes qui construisent cela, en renfort d’équipe ou en équipe dédiée, adossées à une capacité réelle en données et en ML au sein du groupe RITS.
Pourquoi un assureur a-t-il besoin d’une souscription digitale ?
Parce que le nombre de décisions ne cesse d’augmenter tandis que le temps consacré à chacune se réduit. Un souscripteur n’a plus le luxe de retourner un dossier pendant des jours, et doit pourtant pouvoir défendre chaque décision devant un audit et un régulateur. La souscription digitale déplace la routine dans le système et laisse à l’expert ce qui relève vraiment du jugement.
En pratique, nous visons trois résultats : une décision plus rapide et reproductible, un prix du risque cohérent qui ne dépend pas de la personne qui traite le dossier, et une piste d’audit complète qui montre quelles données et quelles règles ont produit le résultat. Il ne s’agit pas de remplacer le souscripteur, mais de lui donner un outil qui calcule plus vite et n’oublie rien.
Comment construire des modèles de scoring et de tarification du risque ?
Un modèle de scoring n’est pas un algorithme unique mais une chaîne : des données d’entrée, aux variables, jusqu’au résultat qui alimente le processus. Nous le construisons pour qu’il puisse être maintenu et expliqué, pas seulement démontré une fois.
- l’entraînement sur des données historiques du portefeuille, de la sinistralité et de sources externes, avec contrôle de qualité et versionnement des données,
- l’exposition du modèle via une API, pour que le scoring soit appelé depuis le système de gestion des contrats, le portail agent ou le parcours d’achat en temps réel,
- l’explicabilité du résultat (importance des variables, codes de motif), car la décision doit avoir du sens pour le souscripteur, le client et l’auditeur,
- le suivi de la dérive et une règle claire de mise hors service, avant que le modèle ne se trompe sur les nouvelles données.
Nous ancrons notre travail sur les données et le ML dans la capacité du groupe RITS, y compris nos équipes IA, LLM et data, où nous avons livré des projets LLM, RAG et de machine learning. C’est une expérience réelle en données, même si nous ne prétendrons pas qu’elle provient d’un déploiement chez un assureur précis.
Comment concevoir le poste de travail du souscripteur ?
Le poste de travail est l’endroit où le souscripteur passe toute sa journée : chaque clic compte. Un bon poste rassemble les données en une seule vue au lieu d’obliger à sauter d’un système à l’autre, et guide la décision au lieu de simplement l’enregistrer.
- l’agrégation des données sur le risque depuis le système de gestion des contrats, les sources externes et la sortie du modèle sur un seul écran,
- les règles d’acceptation et d’exception qui laissent passer automatiquement les cas simples et orientent les cas difficiles vers un humain,
- une file de décisions avec priorités, SLA et statut clair pour chaque dossier,
- une trace de la décision enregistrée automatiquement, avec le commentaire du souscripteur et les valeurs sur lesquelles le résultat s’est appuyé.
Nous concevons le poste de travail autour du rythme de travail réel de l’équipe, pas autour d’un schéma tiré d’une diapositive. Ici, la plus grande valeur vient en général de l’automatisation des décisions simples, qui libère du temps d’expert pour les dossiers qui demandent vraiment du jugement.
Comment détecter la fraude dans le processus d’assurance ?
La détection de la fraude fonctionne mieux lorsqu’elle combine deux approches. Les règles attrapent ce que nous connaissons déjà ; les modèles d’anomalies attrapent ce que nous n’avons pas encore su formuler en règle.
- une couche de règles bâtie sur les schémas de fraude connus et les signaux d’alerte, lisible pour l’équipe anti-fraude,
- des modèles de détection d’anomalies qui font ressortir des schémas inhabituels dans les demandes, les sinistres et les liens entre parties,
- un score de risque de fraude attaché au dossier, pour que le souscripteur voie le signal en amont et non après un paiement,
- une boucle de retour depuis les cas confirmés, pour que le réentraînement du modèle s’appuie sur les décisions réelles de l’équipe.
L’objectif n’est pas de bloquer les clients mais d’orienter l’attention là où la probabilité de fraude est réelle, avec le moins de fausses alertes possible.
Comment rendre compte de l’exposition du portefeuille ?
Une décision isolée est une chose, mais le directeur des risques regarde l’ensemble. Le reporting d’exposition relie les décisions de souscription à une image du portefeuille : répartition des risques, cumuls, limites et part consommée. Nous construisons la couche de reporting pour qu’elle réponde aux questions du conseil et du régulateur sans recoudre à la main des données issues de plusieurs systèmes. L’essentiel est que les chiffres viennent de la même source que les décisions, pour que le reporting et l’opérationnel reposent sur un modèle de données cohérent, et non sur deux vérités concurrentes.
Comment échanger les données avec la réassurance ?
La réassurance vit des données qu’elle reçoit de la cédante : l’échange doit donc être structuré et reproductible. Nous automatisons la préparation des bordereaux, des états d’exposition et des données sinistres dans les formats convenus avec le réassureur, nous la relions au calendrier de reporting et nous vérifions l’exhaustivité avant tout envoi. Un échange bien conçu raccourcit la clôture de période et réduit les litiges nés de chiffres discordants.
Comment garder un humain dans la boucle de décision ?
Le modèle conseille, mais une personne porte la responsabilité du risque, et il faut qu’il en reste ainsi. Nous concevons le processus pour que le souscripteur puisse accepter, refuser ou outrepasser la recommandation du modèle, toujours avec un motif qui reste dans le système. Ces dérogations deviennent ensuite une matière précieuse : elles montrent où le modèle se trompe et ce qui mérite d’être corrigé. L’humain dans la boucle n’est pas une formalité de conformité ; c’est le mécanisme qui protège de la confiance aveugle dans l’automatisation tout en instruisant le système.
Quelles compétences fournissons-nous pour les projets de souscription ?
Nous pourvoyons les rôles pour la phase précise du projet, pas « au cas où ». Selon le besoin, une équipe peut couvrir :
- des ingénieurs data et ML qui construisent et maintiennent les modèles de scoring et de détection d’anomalies,
- des développeurs backend et d’intégration qui relient modèles, systèmes de gestion des contrats et API,
- des spécialistes frontend et UX qui conçoivent le poste de travail du souscripteur,
- des architectes et DevOps responsables de la mise à l’échelle, de la sécurité des données et des déploiements.
Nos compétences en données et en ML sont réelles (le groupe RITS, y compris nos équipes IA, LLM et data, avec des projets GenAI, RAG et machine learning), et notre expérience dans des projets industriels exigeants se transpose en discipline d’ingénierie, ce qu’un environnement réglementé réclame.
Comment procédons-nous chez RITS ?
Nous travaillons comme partenaire nearshore depuis la Pologne qui renforce l’équipe de l’assureur avec des compétences, plutôt que de vendre une boîte toute faite. Nous partons de votre processus et de vos données, formons l’équipe autour des spécificités du projet et vérifions les compétences avant le démarrage. Nous travaillons dans un fuseau horaire proche : nos personnes entrent dans les revues de code, les réunions et le rythme de travail sans longue montée en charge. Le plus souvent, nous le faisons sous forme de logiciel sur mesure construit par notre équipe, ou en renfort d’équipe quand il faut compléter vite des compétences data, ML ou ingénierie.
Par où commencer pour soutenir la souscription ?
Commencez par la décision qui fait le plus mal : celle qui prend le plus de temps, se trompe le plus souvent ou se justifie le plus difficilement. Cartographiez les données, les règles et les rôles autour d’elle, puis décidez s’il vous faut un modèle, un meilleur poste de travail, ou les deux à la fois. Cette première tranche produit un résultat mesurable et fixe l’architecture pour la suite. Nous avons traité les différences entre modèles de collaboration dans notre article sur les modèles de collaboration IT.
Vous voulez soutenir la souscription et l’évaluation du risque ? Parlons-en - nous adapterons une équipe et des compétences à votre processus.
Renforcez la souscription et l’évaluation du risque avec nous