• Print
  • Decrease text size
  • Reset text size
  • Larger text size
19/06/2018

Assurance emprunteur : Utiliser la data science comme levier de fidélisation et de prospection des banques

Dans sa décision du 12 janvier 2018, le Conseil constitutionnel a entériné le principe de résiliation à échéance annuelle du contrat d'assurance emprunteur pendant toute sa durée (« amendement Bourquin »), alors que la loi Hamon (2014) avait déjà permis aux emprunteurs de changer d'assurance dans les douze mois suivant la souscription. Ces efforts soutenus de la part du législateur ont vocation à augmenter le pouvoir d'achat des Français faisant l'acquisition d'un logement à crédit, sur un marché encore essentiellement captif. Ainsi, en 2016, 85% des prêts immobiliers étaient assurés par les établissements créanciers, avec des marges atteignant les 40%[1]. Les banques doivent donc se préparer face à la montée des concurrents en contrat individuel, qui grignotent déjà des parts sur ce marché de 8,8 milliards d’euros de cotisations annuelles.

L'effet de l'amendement Bourquin se fait déjà sentir

Six mois après l'entrée en vigueur de la mesure, plusieurs éléments semblent témoigner d'un début de mouvement sur le marché. Néanmoins, ce changement sera-t-il suffisamment ample pour déboucher sur une remise en cause du statu quo ? L'actualité bancaire nous donne quelques pistes.

Sur les trois premiers mois de l'année, les banques auraient enregistré des pertes de l'ordre de 300 millions d'euros, selon les calculs du Figaro basés sur une extrapolation des données du courtier en ligne Réassurez-moi. Ce dernier capterait environ 10% des demandes de changement d'assurance, en majorité en provenance de deux banques leaders : le Crédit Agricole et la Banque Postale[2]. Parmi les « gagnants » de cette nouvelle donne, la Macif semble bien placée puisqu'en février 2018, les 3/4 de sa production se seraient faits sur la reprise de contrats d'assurance-emprunteur vieux de plus d’un an[3].

De fait, si le directeur adjoint de Crédit Agricole Assurance estime qu'il est encore tôt pour parler d'un « tsunami de demandes », il accorde que l'on observe « une montée en charge progressive ».

Alors que 8 Français sur 10 seraient aujourd’hui prêts à envisager de changer d'assurance, selon un sondage[4], plusieurs postures sont possibles pour les banques : une première approche attentiste, principalement fondée sur le postulat que le client restera attaché à ses services ; une seconde position défensive, avec pour vocation de cibler les actions de fidélisation du client ; enfin, une troisième posture résolument tournée vers la transformation du marché, avec pour ambition de démarcher de nouveaux clients.

Une première posture « défensive » : prudence de la part des acteurs bancaires

Certaines banques commencent déjà à observer les effets de la loi, enregistrant une montée progressive des demandes de résiliation de la part de leurs clients, pour la plupart leurs « meilleurs risques ». Plusieurs mois après l'entrée en vigueur du texte, elles comptent sur le facteur « service », conservant la main sur la relation client à travers la figure du conseiller, épaulé par des centres de relation clientèle qui peuvent prendre le relais en cas de pics de demande. Les centres de traitement ont été également renforcés afin de prendre en compte cette nouvelle donne. Les banques peuvent également jouer sur le levier « produit », en émettant des contre-propositions sous la forme d'ajustements de prix ou de rajout de garantie, pour retenir les clients dans leurs portefeuilles. Néanmoins, ces mesures ne répondent que de manière réactive au problème, cette stratégie reposant en grande partie sur la croyance bien ancrée que la clientèle, fidèle à sa banque, « n’ira pas voir ailleurs ».

Une seconde approche « défensive + » : cibler les actions de rétention clients

Afin de répondre à l’offensive des assureurs individuels et des courtiers sur le moyen / long terme, les établissements bancaires ont tout intérêt à cibler les actions de rétention marketing, par exemple par la pratique de remises commerciales ou la proposition de nouveaux services, en direction des clients susceptibles de résilier leurs contrats. Les banques redoutent en effet le départ en masse des « meilleurs » risques de leur portefeuille, déstabilisant le modèle sur lequel est fondée l’assurance de groupe, même si les personnes ayant récemment amélioré leur profil d’assuré (en arrêtant de fumer ou en arrêtant de pratiquer un sport à risque par exemple) ont également intérêt à changer d’assurance avec la nouvelle loi.

En vue de réaliser cet objectif, les établissements financiers peuvent se reposer sur la data science, en vue de collecter, stocker et traiter l’ensemble des données de leurs stocks de clients dans une même base dynamique pour faire ressortir les critères-clés conduisant à une prise de décision (montant restant dû du prêt immobilier, changement dans le profil de santé du client, changement de situation familiale, etc) et attribuer un scoring à chaque client (sous la forme d’une probabilité de départ). Cette base sponsorisée par les directions stratégie et marketing serait mise à disposition du réseau de conseillers en agences pour mettre en œuvre une stratégie de rétention uniforme à travers le territoire.

Une troisième approche « offensive » : une opportunité commerciale à saisir

Une seconde approche fondée sur la data science est possible.

Jusqu’à présent, les banques captaient leurs clients directement à travers le process de souscription de prêt immobilier. Avec la nouvelle loi, elles ont néanmoins des opportunités de marché à saisir, en délégation d’assurance. Cette approche concerne donc en premier chef les banques disposant de solutions d'assurance individuelle, par exemple Prédica, assurance-vie du groupe Crédit Agricole Assurances, et Cardif Liberté Emprunteur, du Groupe BNP Paribas, qui ont bien compris l’intérêt de diversifier leur portefeuille face aux récentes évolutions réglementaires.

Contrairement à l’approche « défensive + », cette démarche repose sur une collecte de données externes « ouvertes » qui sont traitées en vue d’établir des benchmarks de concurrents ou de faire ressortir des catégories de populations vers lesquelles concentrer les actions de prospection commerciale. Ce traitement de données ouvertes peut par exemple se matérialiser par un suivi des taux proposés par la concurrence, à partir de web robots positionnés sur les simulateurs de devis en ligne. Par ailleurs, le croisement de données, par exemple les statistiques de la Banque de France relatives aux encours des crédits à l’habitat par département et les données open data de l’INSEE, peuvent permettre de déterminer un score d’opportunité commerciale par zone géographique.

Principe du Bot - Scénario dit "offensif"

Principe du bot - scénario dit « offensif » Données ouvertes : statistiques ; taux de concurrents ; … Apprentissage par retour d’expériences Score d’opportunité commerciale / Base de prospection

Les banques continueront-elles encore longtemps à être maîtres du jeu sur le marché de l'assurance emprunteur ? Rien ne semble moins sûr, après une série d'efforts législatifs aboutis en faveur de la mobilité des clients. Pour affronter le marché de demain, les banques ont donc tout intérêt à soigner leur bien le plus précieux : la connaissance de leurs clients. Dans ce cadre, une approche basée sur la data science doit permettre d'aider les directions des banques à mieux comprendre leur clientèle pour mieux les orienter en matière d'offres de services.

Alors, laquelle de ces trois postures emprunteront les banques ?

Sia Partners

0 commentaire
Poster un commentaire

Plain text

  • Aucune balise HTML autorisée.
  • Les adresses de pages web et de courriels sont transformées en liens automatiquement.
  • Les lignes et les paragraphes vont à la ligne automatiquement.
Image CAPTCHA
Saisissez les caractères affichés dans l'image.
Back to Top