Contexte & Objectifs

Une société d'assurance spécialisée servant la Belgique et les Pays-Bas subissait un taux de désengagement client de +9%, entraînant des pertes de centaines de millions d'euros chaque année. Elle s'est tournée vers Agilytic pour comprendre les facteurs de désengagement et concevoir des mesures de rétention proactive.

Obtenir des informations précises sur les clients était crucial pour l'assureur afin de mieux allouer les ressources d'acquisition et de rétention. Par conséquent, nous avons déterminé quelles caractéristiques de polices et de clients indiqueraient un risque de désengagement grâce à la transformation des données, le nettoyage, l'analyse descriptive et la modélisation.

Démarche

Nous avons travaillé avec les équipes marketing et commerciales pour maximiser la pertinence des résultats. Nous avons suivi une feuille de route des étapes pour approfondir les données et fournir des insights plus précis.

Tout d'abord, nous avons commencé par la consolidation des données, qui comprend le travail de transformation et de nettoyage des données. Cela impliquait de recueillir des données provenant de huit sources contenant des informations clients, des détails de polices, des détails de produits d'assurance, la fréquence des paiements par police et d'autres informations sur les primes pour les utiliser comme base pour la prédiction du désengagement.

Nous avons suivi des étapes pour nettoyer les données afin d'atteindre le résultat souhaité, c'est-à-dire définir le résultat cible, supprimer les colonnes inutiles et corriger ou supprimer les informations manquantes. Pour la transformation des données, nous avons calculé les 'delta jours' entre la date d'ouverture et la date de fin du contrat (durée de vie du client), déduisant les dates de désengagement et les dates de début de campagne pour évaluer si des informations pertinentes pouvaient être obtenues. Ceci n'est qu'un exemple parmi de nombreuses caractéristiques dérivées que nous avons créées lors de la transformation. Les chiffres principaux ont été examinés et validés avec l'entreprise pour s'assurer que les données avaient été interprétées correctement.

Après cette phase initiale de collecte et d'audit des données, nous sommes passés à l'analyse descriptive. Nous avons effectué une analyse des données avec l'outil d'interprétation des données TIMi afin de présenter les données au client de manière claire et pratique avec des visualisations faciles à comprendre.

Nous avons ensuite construit un modèle prédictif pour identifier les principaux moteurs de désengagement et ensuite évaluer la propension au désengagement des clients existants. Notre champ d'application initial comprenait plus de 280 variables, dont 11 variables significatives ont été conservées dans le modèle final. TIMi nous a permis d'obtenir des résultats précis et faciles à interpréter en un temps record, comme un outil parfaitement adapté à ce type d'analyse.

Enfin, nous avons animé des ateliers pour aider les équipes internes à améliorer leur maîtrise des données et s'approprier notre modèle. Nous avons fourni les résultats du projet via un Powerpoint (pour offrir des insights et visualisations essentiels sur les données), des fichiers Excel pour simuler la propension à partir sur la base des 11 caractéristiques identifiées, un rapport d'audit des données TIMi, et d'autres documents explicatifs sur la construction du modèle.

Résultats

Notre modèle a permis au client d'identifier deux fois plus de désengagements que ce que le client pouvait identifier avant de travailler avec Agilytic. Nous avons également aidé notre client à mettre en place des mesures de rétention proactive comme le reconditionnement des produits pour mieux répondre aux besoins des clients grâce à nos insights sur les facteurs de désengagement.

Plus important encore, nous avons constaté que le principal facteur prédictif est le courtier impliqué, non lié à la taille du portefeuille. Le désengagement était plus élevé pour les courtiers et le plus bas pour les canaux directs. Le type de produit d'assurance était également un prédicteur significatif.

Deuxièmement, contrairement à la croyance initiale du client, nous avons vu qu'il n'y avait aucun lien apparent entre la communication et le désengagement. Le nombre moyen de jours entre le début d'une campagne de communication et la date de fin de communication est semblable pour les désengagés et les non-désengagés au fil du temps. Lorsqu'il y a désengagement, c'est généralement entre trois et six mois après le début de la campagne.

De plus, nous avons observé un pic de désengagement en septembre et à la fin de l'année. Nous avons constaté que la plupart des désengagements apparaissaient sur les plans de paiement semestriels, que le taux de désengagement diminuait avec l'âge du titulaire, et que les paiements uniques et les paiements automatiques montraient de bons résultats par rapport à un taux de désengagement plus bas.

Grâce à l'analyse des données et à la modélisation, le client peut désormais constater des améliorations dans le désengagement client en prenant des décisions plus éclairées concernant la coordination des efforts de commercialisation. Après avoir terminé le projet en moins de 30 jours, le client a rapidement compris les actions subséquentes nécessaires pour augmenter la rétention client et le potentiel commercial.