Contexte & Objectifs

Une compagnie d'assurance européenne de premier plan opère dans un marché de niche où les marges de prix sont minces. L'assureur dispose d'un vaste réseau de vente, divisé équitablement entre les ventes directes et un réseau de courtage (+/- 4 500 courtiers). Ils avaient besoin de mieux connaître leurs courtiers et l'intensité de leur relation avec le client final.

Dans cet esprit, plusieurs « inspecteurs » rendaient régulièrement visite aux différents courtiers et stimulaient la relation avec le client final. Cependant, l'assureur a rencontré deux difficultés majeures. Premièrement, les inspecteurs effectuaient des visites en fonction de la disponibilité des courtiers, ce qui entraînait une utilisation sous-optimale des ressources. Cela rendait très compliqué pour les inspecteurs de maximiser leur nombre de visites au cours de l'année.

Deuxièmement, il n'était pas toujours possible que les visites des inspecteurs tenaient compte du potentiel de vente réel des courtiers. Il était donc probable que leur temps (déjà limité) était passé avec des courtiers à faible/moyen potentiel tout en ignorant les grands courtiers à fort potentiel. Une segmentation précise du réseau de vente était cruciale pour l'assureur afin de mieux allouer les ressources commerciales.

Approche

Pour prioriser les visites des inspecteurs avec une segmentation de la base de courtiers existante, nous avons suivi ces étapes :

Premièrement, la Consolidation des Données comprend le nettoyage des données et la liaison des données avec OPENDATA (Statbel et BCE/BNB). La mise en avant des données a ensuite révélé le chiffre d'affaires médian/moyen qu'un courtier réalise chaque année et le ratio entre le chiffre d'affaires d'un courtier chez l'assureur sur son chiffre d'affaires annuel. Pour compléter la Consolidation, nous avons préparé les données pour la segmentation.

Deuxièmement, nous avons effectué une Analyse des Données avec l'outil d'interprétation des données TIMi pour présenter les données à l'assureur de manière claire et pratique.

Enfin, nous avons exécuté deux modèles de segmentation pour identifier les agents actifs et inactifs par l'analyse de cluster, détecter les opportunités les plus critiques, et trouver le nombre optimal de clusters pour l'assureur. Nous avons assemblé ces informations en visualisations faciles à comprendre.

Nous avons livré les résultats du projet via un Powerpoint (pour offrir des informations clés sur les données et des visualisations), des fichiers Excel (chacun couvrant des segments de courtiers de potentiel différent), du Code Python, un Audit de Données TIMi, et d'autres documentations explicatives.

Résultats

À première vue, grâce à la segmentation et à l'analyse des données, l'assureur peut mieux interpréter son réseau de courtage province par province. Ces informations ont conduit à une réorganisation du département des ventes pour mieux coordonner les efforts commerciaux géographiques.

Au total, pour chaque modèle de segmentation, nous avons découvert quatre segments :

• Deux très ciblés géographiquement, nécessitant une attention immédiate compte tenu de leur potentiel lors de la prochaine inspection.

• Deux sont divisés en faible potentiel et courtiers bien établis. Ces derniers soulignent l'importance des courtiers déjà en activité et montrant un fort potentiel, pour l'assureur à conserver à l'avenir.

Après avoir complété le projet en 8 jours, l'assureur a rapidement acquis une vision claire de ses actions futures pour augmenter son potentiel commercial. Au total, environ 200 courtiers ont été identifiés comme ayant un fort potentiel ou sous-développés.