Gestion des risques PEO et questions d’assurance
Frank Huang, chef des solutions actuarielles en dommages corporels
23 novembre 2021
Publié à l’origine dans PEO Insider (novembre 2021). Reproduit avec la permission de la National Association of Professional Employer Organizations.
À la fin de 2020, la firme de consultation en gestion McKinsey & Company a sondé 899 cadres de direction sur les impacts de la pandémie sur les opérations commerciales. L’une de leurs conclusions était que la pandémie avait accéléré l’adoption des processus numériques de trois à sept ans,[1] avec des entreprises B2B comme celles du secteur PEO situées dans le haut du spectre.
J’ai aussi observé une augmentation des initiatives des PEO, avec un accent particulier sur l’évaluation des risques tant pour l’indemnisation des travailleurs (WC) que pour les prestations de santé (HB). Cette tendance est probablement motivée par le désir des entreprises d’élargir leur clientèle tout en améliorant la rapidité de mise sur le marché et la confiance dans les revenus nets attendus. Bien qu’il existe une grande variété de modèles potentiels d’évaluation des risques, j’aimerais aborder brièvement l’état actuel, deux approches couramment adoptées, et une que j’appelle affectueusement le « Saint Graal » des modèles. Pour tous les modèles sauf le dernier, je parlerai principalement à travers une perspective WC, bien que les concepts puissent être appliqués à d’autres couvertures.
État actuel
L’approche actuelle pour évaluer les risques dans l’industrie du PEO est trop souvent l’une des philosophies de moindre résistance et/ou héritée. D’après mon expérience, cela inclut des approches aussi simplistes que de battre le prix de l’entreprise en place ou d’intégrer les données de réclamation d’une manière qui aurait pu être initiée il y a des années par quelqu’un qui n’est plus dans le cabinet (par exemple, la fameuse « boîte noire » que personne ne comprend). Alors que le premier semble le plus risqué et dépend de la précision et de la pertinence du prix du titulaire, le second peut en fait présenter plus de risques en suggérant une précision ou une rigueur qui n’existe pas réellement. Par exemple, il n’est pas rare de trouver des hypothèses dépassées ou des conceptions de modèles incomplètes lors de l’examen du modèle actuel d’un PEO.
UN PAS EN AVANT ACTUARIEL
L’un des modèles actuellement adoptés par les PEO est en fait utilisé par de nombreuses compagnies d’assurance depuis des décennies. Ce modèle utilise des méthodes actuarielles traditionnelles pour estimer les pertes ultimes en se basant sur le mélange de la paie historique, mais aussi de l’expérience réelle des réclamations historiques lorsqu’il est crédible. Le modèle prend en compte une variété de facteurs pour déterminer l’importance accordée à l’expérience historique, y compris, mais sans s’y limiter, la taille du prospect et le nombre d’années d’expérience fournies.
Analytique prédictive
Alors que le modèle basé sur l’actuariat est sans doute plus intuitif mais plus lent à produire une décision et/ou une évaluation des risques, un modèle basé sur l’analytique prédictive et l’intelligence artificielle (IA) est moins intuitif et plus rapide à produire un résultat. Cela s’explique par le fait que ces modèles n’ont pas besoin de toutes les données historiques requises pour un modèle actuariel et utilisent plutôt une base de données de résultats historiques pour prédire un niveau de risque. Par exemple, lorsque le modèle actuariel traditionnel pouvait nécessiter cinq années de pertes et de rapports de paie dans les détails des codes d’État et de classe, un modèle prédictif pourrait seulement exiger des attributs plus résumés du prospect pour puiser ensuite dans la base de données des résultats.
La prochaine génération de modèles d’évaluation des risques
D’après mon expérience, plusieurs PEO évaluent le risque pour les prospects et les clients existants en examinant chaque secteur à risque de manière indépendante. Par exemple, un prospect peut sembler avoir un faible risque de WC mais un risque élevé de HB, de sorte que le PEO choisit de ne pas inscrire le compte, même si le bénéfice potentiel de WC compense le risque de HB.
La prochaine génération de modèles d’évaluation des risques applique l’approche prédictive/basée sur l’IA de la section précédente à toutes les sources de risque simultanément, en tenant ainsi compte du risque collectif du prospect. De ce point de vue, les PEO peuvent potentiellement améliorer leur rapidité de mise sur le marché et mieux correspondre leur appétit au risque avec celui d’un prospect. D’après ce que je comprends, très peu d’OPE utilisent actuellement une telle approche, les plus grandes étant probablement les plus proches de son adoption. Une telle approche pourrait devenir courante dans les trois à cinq prochaines années.
Quelques réflexions finales
Bien qu’il soit simpliste de dire que les petites entreprises sont dans le bas du spectre de la sophistication tandis que les grandes sont expertes en analytique prédictive, la réalité est beaucoup moins manichéenne. J’ai vu certaines des plus grandes entreprises utiliser des approches relativement rudimentaires et des petites firmes être de grands partisans et utilisateurs de l’analytique prédictive/IA.
Ce qui devient de plus en plus clair, c’est que ceux qui travaillent dans l’industrie du PEO ont été poussés à adopter davantage l’analytique à cause de la pandémie de COVID. Les entreprises qui adoptent tôt en récolteront les bénéfices, les « suiveurs rapides » espérant des résultats similaires et un minimum de sélection négative négative.
Post-scriptum concernant : les firmes d’analytique/IA
Sans surprise, plusieurs firmes de conseil et d’analytique/IA offrent leurs services à des professionnels du PEO, chacune proposant un modèle personnalisé adapté aux besoins de votre entreprise. Prenez le temps d’examiner leurs réclamations en posant des questions directes. Par exemple :
- À quel point comprennent-ils le modèle PEO?
- Qu’est-ce que leur modèle apportera?
- Comment ont-ils obtenu les données utilisées pour entraîner leurs modèles?
- À quel point cet ensemble de données ressemble-t-il à votre usage prévu?
- Quel type de modèle prédictif/IA est utilisé?
Sur ce dernier point, plusieurs entreprises hésiteront à partager de tels détails propriétaires, mais il est utile de savoir le plus possible quel moteur se trouve sous le capot de la voiture que vous achetez : un V8 4,0 L ou un 3 cylindres 1,2 L.
