Structures de gouvernance pour une souscription basée sur les données

La souscription repose de plus en plus sur des données internes et externes. Les décisions relatives aux risques, la tarification et la conception des produits nécessitent des données cohérentes, accessibles et conformes aux règles. Parallèlement, les exigences réglementaires et la complexité opérationnelle augmentent.

Cet article montre comment les départements de souscription établissent une stratégie de données fonctionnelle et une structure de gouvernance des données afin de réduire les risques, d'assurer la conformité et d'améliorer l'efficacité opérationnelle.

Un assistant intelligent permet en outre de se faire une idée plus approfondie du sujet et de répondre de manière ciblée à des questions complémentaires.

La dépendance des données dans la souscription continue d'augmenter

Les décisions de souscription s'appuient sur des données structurées et non structurées. Outre les données internes de portefeuille et de mouvement, les services spécialisés utilisent de plus en plus des sources externes telles que les modèles de scoring, les indicateurs ESG ou les données géographiques. Les bases techniques sont en place, mais des défis subsistent :

• Les données sont réparties dans des entrepôts de donnéesLes données sont traitées dans le cadre de processus et de technologies parallèles, de lacs de données, de marchés de données et de processus ou technologies parallèles.
• Les responsabilités en matière de qualité, d'actualité et d'exhaustivité des données ne sont pas claires.
• Les domaines spécialisés évaluent les données sans en garantir l'origine ou la validité.

Cette fragmentation compromet des décisions éclairées et augmente les risques réglementaires.

5 faiblesses structurelles entravent les décisions

1. sources de données séparées

Les services spécialisés accèdent à des systèmes hétérogènes. La capacité d'interfaçage des systèmes existants est limitée. Les informations ne sont pas cohérentes.

2. absence de compétence

Sans rôles clairs pour les propriétaires et les administrateurs de données, il n'y a pas d'amélioration. Qualité des données sans engagement. L'appropriation des produits de données n'est pas opérationnelle.

3. effort manuel important

Les processus de contrôle se font à la main. Les ruptures de médias et les pertes de temps entravent les décisions, ce qui crée des processus fantômes.

4. lacunes réglementaires

Les règlements tels que le RGPD ou l'AI Act européen exigent des processus de données transparents et auditables. Sans leur documentation, le risque augmente en cas de contrôle.

5. intégration limitée

Les informations externes importantes ne sont pas systématiquement prises en compte dans les décisions. Les potentiels issus des données du marché et de l'environnement ne sont pas exploités.

Des questions claires mènent à une stratégie de données fonctionnelle

• De quelle qualité de données les souscripteurs ont-ils besoin en fonction du tarif, du risque, de la branche ?
• Qui prend en charge l'appropriation tout au long de la création de valeur des données ?
• Quels sont les flux de données qui nécessitent des preuves réglementaires ?
• Comment garantir une utilisation des données conforme aux règles pour les décisions automatisées ?
• Comment les données externes sont-elles validées et intégrées ?
• Quels sont les systèmes qui fournissent des informations cohérentes et sûres en matière de révision ?
• Comment les souscripteurs contrôlent-ils les données de manière autonome et efficace ?

5 leviers concrets pour la gouvernance fonctionnelle

1. définir et ancrer les rôles

Un modèle de gouvernance avec Data Owner, Data Steward et Governance Lead crée des responsabilités claires.

2. ancrer les critères de qualité dans le processus

Les caractéristiques pertinentes pour la souscription (par exemple le lieu, la logique tarifaire, le facteur de risque) sont soumises à des routines DQM standardisées. Des routines de validation et de correction automatisées garantissent que les entrées erronées ou incomplètes sont identifiées et corrigées avant d'être prises en compte dans les décisions..

3. documenter les flux de données de manière transparente

Toutes les décisions automatisées sont basées sur des flux de données compréhensibles et des preuves d'origine - une condition préalable à une source de vérité unique et solide.

4. donner les moyens aux disciplines

Les souscripteurs accèdent aux règles de validation, aux métadonnées et aux mécanismes de feedback. Ils évaluent les données de manière professionnelle.

5. utiliser systématiquement les sources externes

Des interfaces et des validations standardisées permettent d'intégrer des données externes dans le processus opérationnel.

L'objectif est une souscription efficace avec une gouvernance claire

• Structure de données consolidée - Accès sécurisé à des informations actualisées pouvant être reliées entre elles.
• Structure des responsabilités - Les services spécialisés connaissent la pertinence et l'origine des données utilisées.
• Transparence & documentation - Les décisions peuvent être justifiées et contrôlées.
• Conformité aux règles - Utilisation conforme aux exigences légales.
• Évolutivité opérationnelle - Modèle transférable à de nouveaux produits et canaux.
• Potentiel d'allègement grâce à la gouvernance - Suppression des étapes de contrôle et des processus redondants.

Avantages concrets pour l'underwriting spécialisé

Dans le processus

• Réduction des dépenses grâce à des bases de données fiables.
• Évaluation plus rapide des risques des profils complexes.
• Clarté des données autorisées et pertinentes par opération commerciale.

Opérationnel (Data Stewards)

• Des routines de contrôle claires pour les caractéristiques pertinentes pour la qualité des données.
• Documentation transparente des modifications et des validations.
• Accès aux métadonnées consolidées et aux règles de validation.
• Renforcer la responsabilité opérationnelle des données tout au long de la chaîne de processus.

Stratégique

• Une base fiable pour les modèles basés sur l'IA.
• Une plus grande capacité à fournir des informations aux autorités de surveillance et d'audit.
• Développement plus rapide des produits et des tarifs grâce à une utilisation robuste des données.

Recommandations issues de la pratique

"Les solutions ne prennent effet que lorsque le problème est compris".

Les initiatives de gouvernance ne sont efficaces que si elles répondent à des défis techniques concrets. Les mesures techniques telles que les outils ou les catalogues ne déploient leurs effets que lorsqu'elles s'attaquent aux faiblesses opérationnelles.

Recommandation

• Le point de départ est la logique de risque et de décision dans la souscription.
• Il s'ensuit la définition des exigences pertinentes en matière de données.
• La gouvernance s'oriente vers des cas d'application réels et non vers des logiques de système.

Des outils pour une mise en œuvre ciblée

• Modèle de gouvernance - Matrice RACI pour le métier et l'informatique.
• Catalogue de critères de qualité - Par secteur d'activité (p. ex. commerce, industrie, vie).
• Catalogue de questions - Self-assessment professionnel sur l'utilisation des données.
• Carte du système - Aperçu de toutes les sources de données pertinentes.
• Contrôle de la réglementation - RGPD, AI Act, directives EIOPA.
• Exemple d'intégration - Intégrer systématiquement les données météorologiques externes.

Conclusion

Les décisions basées sur les données dans le domaine de la souscription nécessitent des structures stables. La gouvernance des données n'est pas un sous-produit technique, mais un facteur de succès opérationnel. La mise en œuvre ne commence pas par l'informatique, mais par la définition des problèmes techniques. Ce n'est qu'à partir de là qu'une stratégie de données solide, conforme aux règles et évolutive peut être mise en place.

Une gouvernance solide constitue le fondement - mais seule une infrastructure technologique appropriée permet de mettre en œuvre de manière évolutive et automatisée les processus de données dans le domaine de la souscription.. Dans l'article suivant, nous mettons en lumière la manière dont les principes d'architecture, les paysages de système et les interfaces permettent la prise de décision pilotée par les données sur le plan opérationnel.