Big Data et assurance : le tarif parfait est-il possible ?

Intervenant 10:00

Bienvenue dans le podcast du magazine Tangente. Je suis ravie de vous retrouver. Imaginez juste une seconde un algorithme d'assurance. Un algorithme tellement avancé, nourri avec une quantité astronomique de données sur vos habitudes. Et il crée un profil mathématique absolument unique. En fait, vous devenez une catégorie à vous tout seul.

Intervenant 20:23

C'est le rêve de la personnalisation ultime,

Intervenant 10:25

ça. Exactement. Sur le papier, c'est ça. Fini de payer pour les imprudences des autres, on ne paie que pour soi.

Intervenant 20:33

Voilà.

Intervenant 10:34

Figurez-vous que selon les lois implacables de la géométrie, cet algorithme vient tout simplement de s'effondrer.

Intervenant 20:41

Ah oui, complètement.

Intervenant 10:41

C'est l'objet de notre exploration d'aujourd'hui. On va voir comment les maths démontent l'une des plus grandes promesses tech de notre époque.

Intervenant 20:50

Pendant super longtemps, on a cru que l'accumulation massive de données, ça réglerait tous les problèmes de précision.

Intervenant 10:56

Mais oui, c'est exactement le récit qu'on nous vend depuis au moins dix ans. Si on regarde nos sources, d'ailleurs, on lit très clairement cette courbe de l'enthousiasme dans les médias.

Intervenant 21:07

Tout à

Intervenant 11:07

fait. En 2014, par exemple, on se posait même pas de questions. Le magazine Les Echos titrait avec une certitude absolue, genre comment le Big Bata va révolutionner l'assurance.

Intervenant 21:18

Oui, oui, c'était perçu comme une fatalité, un train qu'on ne pouvait plus arrêter.

Intervenant 11:22

C'est ça. Mais ce qui est intéressant, c'est de voir comment le discours se fissure un peu avec le temps. Deux ans plus tard, en 2016, Le Monde adopte déjà une posture un peu plus défensive. Il titre « Le Big Data peut-il vraiment fixer les prix de l'assurance ? »

Intervenant 21:39

Avec un point d'interrogation.

Intervenant 11:40

Voilà, la certitude devient une vraie question.

Intervenant 21:43

Et alors, le contraste, il devient vraiment flagrant quand on se tourne vers le monde académique. Dès 2015, l'économiste Jean-Pascal Gaillan, il publiait une tribune où il s'interroge sur la fin potentielle de la mutualisation. Mais il le fait avec une prudence extrême, tu vois, en utilisant beaucoup le conditionnel. Chez les scientifiques et les actuaires, le doute, il était déjà bien installé.

Intervenant 12:03

Il savait ?

Intervenant 22:04

Ouais. Ils savaient que plus on s'approche du moteur mathématique, plus le rêve de cette personnalisation totale y vacille.

Intervenant 12:12

Bon, alors notre mission aujourd'hui, c'est de soulever le capot. L'idée reçue, c'est qu'avec des milliards de données, l'assureur cible parfaitement le risque en temps réel. Mais pour vérifier si les maths valident ça, il faut reprendre les bases en fait. Concrètement, c'est quoi fixer un prix d'assurance ?

Intervenant 22:31

Si on veut déconstruire ce mythe, il faut d'abord définir ce qu'est la tarification. Ce qu'on appelle la tarification ex ante. Ex ante parce qu'elle est fixée avant que le sinistre n'arrive

Intervenant 12:42

évidemment.

Intervenant 22:43

Techniquement, c'est une fonction mathématique pure et dure. Imaginez un espace multidimensionnel. Et cet espace, il contient toutes les informations objectives qu'on a pu collecter sur vous.

Intervenant 12:53

Genre mon âge, la puissance de ma voiture, mon code postal, tout ça.

Intervenant 22:59

Exactement, voilà. La fonction, elle va prendre ce point précis dans l'espace et elle va le projeter vers l'ensemble des nombres réels positifs. Et le résultat de cette projection, c'est votre prime.

Intervenant 13:10

D'accord. Donc en gros, je donne un profil super complexe à la machine et elle me recrache un nombre unique en euros.

Intervenant 23:17

C'est ça.

Intervenant 13:17

Mais comment elle sait la machine ? Quelle formule utiliser pour faire cette conversion ?

Intervenant 23:22

Alors c'est là qu'interviennent deux étapes cruciales et qui sont très souvent mal comprises par le grand public. D'abord, il y a le choix du modèle mathématique. Ça, c'est toujours arbitraire. L'actuaire, il choisit une structure qu'il juge adéquate, mais ça reste une construction humaine fondamentalement. Ensuite, et c'est là le plus important, il y a la calibration. Ouais. Le modèle possède des paramètres, un peu comme des curseurs si vous préférez. Et pour bien régler ces curseurs, il faut confronter le modèle à la réalité.

Intervenant 13:52

C'est-à-dire ?

Intervenant 23:53

C'est-à-dire à une énorme base de données historique qui associe des profils passés à des sinistres qui ont vraiment eu lieu.

Intervenant 13:59

Ah, mais attendez, je vous arrête direct. Si le nerf de la guerre, c'est la calibration, alors le Big Data, c'est l'arme absolue.

Intervenant 24:07

C'est ce qu'on pourrait croire, oui.

Intervenant 14:08

Bah oui, si je nourris mon algorithme avec des teraoctets de données sur la conduite de milliers de gens, ma calibration va être monstrueusement précise. L'individualisation, ça devrait être la suite logique, non ?

Intervenant 24:19

C'est le piège. C'est le piège très intuitif dans lequel beaucoup de gens tombent. Mais la réalité du terrain pour un assureur, elle est très différente de celle d'un réseau social qui vous cible pour une pub pour des chaussures.

Intervenant 14:32

D'accord.

Intervenant 24:32

Pour calibrer un modèle d'assurance, observer des comportements de conduite, ça ne suffit pas.

Intervenant 14:37

Ça ne suffit pas.

Intervenant 24:37

Non. Parce qu'il faut observer la sinistralité effective. Il faut qu'il y ait de la tôle froissée, des incendies, des vols, peu importe. Or, par définition, un sinistre grave, c'est un événement rare.