Sous le capot : fondation ML et architecture technique
Un examen technique approfondi de la façon dont RetainGuard prédit le départ des titulaires de police, traite les signaux de risque et fournit des conseils générés par l’AI à travers 9 rôles dans l’assurance.
Pour la partie 1 (aperçu commercial, personas, scénario), voir (blog part 1 link).
La fondation ML
Le moteur de prédiction de départ au cœur de RetainGuard est un modèle XGBoost entraîné sur les données des titulaires de police et déployé comme point de terminaison d’inférence en temps réel sur Amazon SageMaker. Il attribue une note à chaque titulaire de police selon 58 variables codées et retourne une probabilité de départ entre 0,0 et 1,0, avec une latence de moins d’une seconde pour chaque demande et la prise en charge du traitement par lot pour toute la clientèle.
Ce que couvrent les 58 variables
Le modèle s’appuie sur sept catégories de données sur les titulaires :
| Catégorie | Ce qu’elle mesure |
|---|---|
| Données démographiques | Âge, emplacement, segment de clientèle |
| Configuration de la police | Type de police, niveau de couverture, durée du contrat, statut de renouvellement automatique |
| Historique de réclamations | Nombre de réclamations, taux de rejet, type de réclamation, récence |
| Comportement de paiement | Historique de paiement, paiements manqués, changements de prime, mode de paiement |
| Satisfaction client | Score NPS, tendance de satisfaction, fréquence des plaintes |
| Engagement numérique | Utilisation des canaux, fréquence des connexions, activités d’autogestion |
| Indicateurs de risque calculés | Indice de risque, vélocité de départ, score d’ancienneté |
Aucune variable unique ne détermine le score. Le modèle pondère la combinaison complète — un titulaire ayant un NPS faible et un renouvellement automatique désactivé présente un profil de risque différent d’un autre ayant des paiements en retard et aucun historique de réclamations. L’évaluation sur 58 variables saisit cette nuance.
Chaîne d’intelligence de risque
Il est déployé comme point de terminaison d’inférence en temps réel. Il accepte des demandes individuelles ou par lot, retourne une probabilité de départ en moins d’une seconde et classe le risque en trois niveaux.
Fig4 : Chaîne d’intelligence de risque de départ
- Détection des signaux de risque : Au-delà du score ML, un moteur basé sur des règles identifie des déclencheurs précis du départ : contrats mensuels, renouvellement automatique désactivé, paiements en retard, rejets de réclamation, polices échues, faibles scores de satisfaction, hausses de primes et indices de risque élevés
- Recyclage continu : Une chaîne automatisée assure le traitement des données, l’entraînement, l’évaluation, l’enregistrement du modèle avec des processus d’approbation, la détection de dérive et le réentraînement. Le modèle ne devient jamais obsolète
- Classification du risque : La probabilité de départ est attribuée à trois niveaux : FAIBLE (moins de 40 %), MOYEN (40-70 %), ÉLEVÉ (plus de 70 %). La VVC et le revenu à risque sont calculés à partir de la prime annuelle et du score de départ
Pourquoi ceci est important pour l’assurance
L’assurance est une activité basée sur la relation, avec de longs cycles de polices. Perdre un titulaire signifie perdre des années de revenu futur en primes, le coût d’acquisition d’un remplaçant, et souvent la perte du potentiel de ventes croisées sur plusieurs gammes de produits.
La plupart des assureurs disposent déjà de données pouvant prédire le départ. L’écart ne se situe pas dans la collecte des données, mais dans trois domaines :
- Le moment — savoir assez tôt pour agir, et non après réception de la demande d’annulation
- Le contexte — comprendre pourquoi ce titulaire est à risque, et pas seulement qu’il l’est
- L’action — fournir à la bonne équipe la bonne recommandation, dans un format utilisable immédiatement
RetainGuard répond à ces trois enjeux. Le modèle ML fournit une détection précoce. Les signaux de risque offrent le contexte. Les agents AI fournissent des conseils concrets adaptés à chaque rôle.
La combinaison de la prédiction ML et des conseils AI agents comble l’écart entre « savoir qu’un client risque de partir » et « savoir quoi faire, maintenant, selon votre rôle ».
Architecture technique
Fig. 5 : Architecture technique
- Moteur de prédiction : Point de terminaison SageMaker en temps réel pour le scoring de départ, avec chaînes automatisées de réentraînement, registre de modèles pour le versionnage et flux d’approbation pour la mise en production
- Couche de conseils AI : Amazon Bedrock avec modèles Claude — Haiku pour des conseils rapides et légers et Sonnet pour des tâches d’analyse approfondie comme la planification de la rétention, l’optimisation des primes et les audits de conformité
- Couche de persistance : Amazon DynamoDB pour l’historique des prédictions et les journaux des agents. Amazon S3 pour les artefacts du modèle, les données d’entraînement et les sorties de chaînes
