Amélioration du pilotage technique en assurance collective santé

Intelligence artificielle, Big Data, Data Science, Machine Learning, Deep Learning, … De plus en plus d’acteurs du marché de l’assurance santé ou du monde médical s’intéressent à ces notions relativement nouvelles. En effet, du fait de l’augmentation exponentielle des capacités de stockage, les bases de données se multiplient et s’enrichissent : on parle alors de Big Data. C’est dans le but de traiter et d’analyser au mieux cette masse nouvelle de données qu’est née la discipline des Data Science. Celle-ci peut être définie comme un mélange entre les mathématiques, les statistiques et l’informatique et emploie des méthodes d’un nouveau genre. L’assurance santé n’échappe pas à ce phénomène : le nombre de bases de données disponible en open source sur internet ne cesse d’augmenter. Néanmoins, les données santé restent un sujet sensible en France et en Europe (RGPD) et leur potentiel n’est pas encore exploité en totalité.

Les modèles Data Science permettent de gérer des bases de données de taille importante et ainsi de valoriser au mieux les données à disposition. Pour aller plus loin, ces modèles peuvent également autoriser la prise en compte de nouvelles variables d’origine externe. En effet, les modèles de tarification ou de suivi du risque en santé se basent le plus souvent sur des variables internes à l’entreprise (Age du salarié, Ancienneté du contrat, Catégorie socio-professionnelle, …). Les données externes apportent de nouvelles informations dans l’analyse de la consommation médicale des salariés. Ces nouvelles variables portent aussi bien sur l’environnement socio-économique (nombre d’équipements de santé dans la commune ou dans le département, revenu médian, structure démographique, etc.) que sur le domaine d’activité de l’entreprise considérée (proportion de cadres ou d’ouvriers, statistiques sur la concurrence, résultats, etc.). La mise en place de ces modèles, avec l’apport de nouvelles données, permet de mieux cerner les besoins spécifiques de l’entreprise, d’améliorer le pilotage des contrats et d’envisager des actions de prévention adaptées.

De plus, les modèles issus des Data Science nécessitent un temps d’implémentation moindre que les modèles actuels et sont réputés plus agiles. Ils présentent donc un avantage significatif dans un domaine où l’actualité est particulièrement chargée avec la mise en place récente des contrats responsables et celle future de la réforme « 100 % Santé ».

Une meilleure connaissance des besoins et de la consommation des salariés sur la complémentaire santé peut ainsi permettre :

  • Une amélioration du pilotage des régimes en anticipant les évolutions comportementales (identification des facteurs de consommation et projection des résultats, évolution des adhésions aux options en cas de modifications réglementaires et/ou des périmètres couverts, mesure de l’impact de l’absentéisme, etc.).
  • La création de politiques de prévention plus ciblées et donc mieux adaptées avec pour objectif non seulement la maîtrise des dépenses de santé mais également la gestion de l’absentéisme. La Loi de modernisation du système de santé, promulguée le 26 janvier 2016, faisait d’ailleurs de la prévention un de ses trois objectifs principaux avec l’accès aux soins et l’innovation. Les dispositions du Projet de Loi de Financement de la Sécurité sociale pour 2019 semblent également poursuivre le développement de ces axes majeurs.

Galea vous accompagne dans le pilotage de vos régimes et la mise en place de techniques de Data Science grâce à ses Actuaires Data scientists.

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.