La Maif se mue en assureur militant de la dataviz

Au sein de la Maif, pas moins de 80 personnes travaillent sur la donnée, de la collecte à la dataviz. Trois grands systèmes composent le système d'information data de la mutuelle (3,4 milliards d'euros de chiffre d'affaires en 2015) : un datawarehouse IBM où sont stockées les données structurées (contrats, sinistres, données du CRM), un datalake Hadoop monté il y a deux ans et ingérant tous types d'informations (mails, données de navigation, objets connectés, données externes) et un système d'indexation temps réel bâti avec ElasticSearch. « Cela nous permet d'avoir ce qu'on appelle en interne une vue 720° », s'amuse Thierry Champeroux, le directeur du programme Big Data et IA de la Maif (au premier plan sur la photo ci-dessus).

Restait à proposer une exploitation de ces données aux métiers, via une solution de dataviz. « Nous avons mis deux ans à choisir Tibco Spotfire car il s'agissait d'un choix central pour la culture analytique des métiers : marketing, réseau, direction de l'investissement et des placements ou actuaires », reprend le responsable. A partir de trois solutions retenues en short-list début 2014, l'assureur réalise un prototype qui aboutit à la sélection de Tibco. Mais, pour valider définitivement son orientation, la Maif développe une poignée de scénarios concrets avec les métiers. Et ce n'est que fin 2015 qu'est signé le contrat cadre, prévoyant un usage illimité de Spotfire pour le siège et dans le réseau.

« Ceux qui meurent sous les macros Excel »

« Nous voulions donner de l'autonomie aux utilisateurs et pousser au remplacement des tableaux Excel employés un peu partout », reprend Thierry Champeroux. Un point clef selon ce dernier, pour qui l'adoption d'un outil de dataviz est avant tout portée par des leaders dans les métiers « qui meurent sous les macros Excel », ces derniers assurant ensuite le bouche à oreille popularisant le nouvel outil. Aujourd'hui déployé auprès de 500 utilisateurs, Spotfire doit à terme être utilisé par 4 000 employés de la Maif, une fois la généralisation de l'outil au réseau achevée.

Ciblage marketing au niveau local

Parmi les premiers scénarios d'usage de la technologie de Tibco figure ainsi un tableau de bord offrant une vision consolidée du portefeuille clients. « L'objectif consiste à redonner cette connaissance-là, réservée d'ordinaire au marketing, aux managers de terrain », résume Stéphane Renoux, directeur de projet à la Maif (au second plan). Cette gestion du portefeuille local de clients implique de piocher dans de multiples sources de données : CRM, mails, système téléphonique, bases marketing (pour y récupérer les données de pression commerciale), données Insee. « La visualisation à la région ou à l'entité permet de présenter en détail le contenu d'un portefeuille, avec les multicontrats (les clients ayant souscrit plusieurs assurances, NDLR), les produits les plus vendus, la constitution du portefeuille par âge ou catégorie socio-professionnelle. », reprend Stéphane Renoux. L'objectif : permettre aux entités sur le terrain d'isoler des cibles et de les solliciter de façon adaptée, en lien avec le plan marketing national. Aujourd'hui, cette application fonctionne sur une douzaine d'implantations pilotes. La Maif travaille aujourd'hui à relier cette application à Siebel Campaign, afin d'automatiser les campagnes marketing qui découlent des analyses réalisés dans l'outil.

Au-delà de cet usage marketing, la Maif teste également des applications prédictives, par exemple en simulant l'impact d'une catastrophe nationale sur ses sociétaires. Objectif de la Maif : prévoir les coûts que les sinistres vont occasionner et mettre à disposition de ses équipes sur le terrain le bon dispositif pour encaisser la crise. « Nous partons des simulations météo à 3 ou 5 jours. Mais nous pouvons travailler sur de multiples scénarios en jouant sur la force du vent dans le cas d'une tempête par exemple », détaille le directeur de projet. Cette modélisation sur une carte vient supplanter des prévisions de sinistres auparavant effectuées avec les outils de SAS Institute. « Mais les modèles y étaient beaucoup plus statiques », relève Thierry Champeroux.

A lire aussi :

Pour sa croissance, le PMU mise une pièce sur le Big Data

Big Data : comment Trainline a construit sa gare de triage de données

Pour Air France, le Big Data est un atout maître dans la relation client