Combler le manque de données

Publié à l’origine dans PEO Insider (novembre 2022). Reproduit avec la permission de la National Association of Professional Employer Organizations.

Les PEO qui desservent des clients dans tous les secteurs font face au même dilemme en ce qui concerne les clients potentiels – comment estimer et gérer les coûts pour les clients potentiels lorsqu’il y a peu ou pas d’historique de sinistres? Cela se produit lorsqu’un prospect est actif depuis des années, mais a eu de la chance du point de vue des réclamations, mais plus souvent ce problème se présente pour les entreprises nouvelles et les entreprises en démarrage. Les modèles de coûts sont généralement la solution, mais la façon dont ces modèles sont développés peut varier autour de deux caractéristiques principales : les données utilisées et qui effectue la modélisation.

La première caractéristique est la question de savoir où obtenir les données nécessaires pour construire un tel modèle. Les PEO d’une taille requise[1] peuvent utiliser leurs propres données internes, surtout s’il existe un chevauchement industriel entre les données historiques et les entreprises potentielles. Mais pour les PEO qui n’ont pas la taille requise ou les PEO cherchant à compléter leurs données internes, les données externes peuvent être un ajout précieux pour renforcer leur crédibilité et potentiellement contribuer à des points de données dans des industries que le PEO n’écrit peut-être pas actuellement. Les données externes sont disponibles à un coût, que ce soit en travaillant directement avec un fournisseur de modélisation prédictive ou en acquérant directement auprès d’un bureau de tarification.

Il est important de noter que les données externes ne sont pas toujours matériellement bénéfiques pour un PEO. La destination finale des coûts des réclamations dépend de divers facteurs, y compris, mais sans s’y limiter, le demandeur sous-jacent et l’exposition, la juridiction, les gestionnaires de réclamations, etc. Si l’un de ces facteurs est fondamentalement différent entre les données internes d’un PEO et une base de données externe, alors la combinaison des deux ensembles de données pourrait ajouter plus de complications que ce qui en vaut la peine.

La deuxième caractéristique est la question de savoir qui fera la modélisation. Tout comme les données peuvent être internes ou externes, ceux qui les utilisent peuvent aussi être internes ou externes. Le personnel interne est généralement dans les départements des risques et peut être un actuaire interne, un data scientist ou une personne à l’aise dans un contexte de modélisation. Le personnel externe est généralement employé par des firmes de conseil en actuariat, des courtiers en assurance, des fournisseurs de modélisation prédictive, et plus encore. En supposant que l’expérience nécessaire existe, les ressources internes sont avantageuses pour un PEO parce que l’expert interne comprend l’historique et les données du PEO, et peut être capable de prévoir des défis de modélisation qu’une partie externe mettra plus de temps à réaliser. Des parties externes pourraient être en mesure d’apporter un regard neuf au même problème et de tirer parti de l’expérience acquise auprès d’autres clients similaires et/ou de types différents.

Un nouveau type d’approche se rapporte aux deux caractéristiques mentionnées ci-dessus. Les plateformes de modélisation no-code et low-code ont émergé ces dernières années pour offrir aux PEO la possibilité de développer une variété de modèles d’assurance et/ou d’affaires sans avoir besoin de savoir utiliser des langages établis comme Python et R. Utiliser de tels environnements de codage établis présente ses propres avantages et inconvénients, mais pour la plupart des utilisateurs, cela peut être lourd, avec potentiellement beaucoup de temps passé au dépannage et au débogage. Ces plateformes no-code et low-code offrent une interface très conviviale et permettent potentiellement un développement beaucoup plus rapide d’un modèle, et à une fraction du coût. L’inconvénient, c’est que l’utilisateur et/ou le PEO devront acquérir toutes les données utilisées par ce service, tandis que faire appel à un fournisseur de modélisation externe pourrait ouvrir la porte à l’utilisation de leurs propres ensembles de données.

Les PEO cherchant à aborder et à atténuer les coûts, surtout dans le contexte de l’assurance, ont plusieurs façons de traiter peu ou pas de données provenant d’un client potentiel. Disposer de la bonne combinaison de données et d’expertise en modélisation peut aider les PEO à réduire les coûts et à offrir à ces types de clients les avantages dont ils ont besoin pour soutenir leurs employés. Les plateformes de modélisation low-code et no-code peuvent aussi être une approche appropriée pour certains PEO.

[1] Il n’y a pas de nombre fixe d’années ou de réclamations garantissant la construction d’un modèle.