Assurance télématique UBI — Scoring IA conducteur, tarification dynamique et prévention sinistres
Pilote UBI (pay-as-you-drive ou pay-how-you-drive) sur un portefeuille restreint : scoring comportemental, tarification dynamique et retour d'information au conducteur. Méthode Nehos ROI-First IA, de l'audit des systèmes embarqués à l'industrialisation tarifaire.
Nos clients types
La tarification actuarielle classique — basée sur l'âge, le bonus-malus, la zone géographique et le type de véhicule — atteint ses limites statistiques pour différencier les risques au sein d'un même segment. Deux conducteurs de 28 ans, même véhicule, même département, affichent des comportements de conduite radicalement différents. L'un freine progressivement, maintient ses distances de sécurité, ne dépasse pas les limitations la nuit. L'autre multiplie les accélérations brutales, les virages à vitesse excessive, les trajets nocturnes à haute vitesse. La prime est pourtant identique. Ce différentiel de risque non capturé coûte cher aux assureurs traditionnels sous deux angles opposés : sélection adverse (les bons conducteurs partent vers les offres UBI concurrentes plus compétitives, laissant un portefeuille qui se dégrade) et sinistralité élevée sur les profils risqués non identifiés. Mais transformer ce potentiel en produit assurance UBI industrialisé suppose de résoudre simultanément cinq problèmes techniques et réglementaires qui bloquent la plupart des projets pilotes internes : 1. La collecte et le traitement de données de localisation et de comportement de conduite tombent sous le régime renforcé du RGPD (données de localisation, catégorie sensible) et nécessitent un consentement granulaire explicite, une minimisation stricte des données collectées, un droit à la portabilité implémenté et un droit d'opposition effectif sans pénalité tarifaire automatique — exigences que beaucoup d'architectures IoT pensées « data-first » ne respectent pas. 2. Le scoring comportemental doit être explicable au sens de l'ACPR et de la Directive sur la Distribution d'Assurances (DDA) : un assuré dont la prime augmente doit pouvoir comprendre les éléments objectifs qui justifient cette variation. Les modèles de type boîte noire (deep learning pur) ne sont pas acceptables sans couche d'explainability documentée. 3. L'intégration au moteur de tarification existant (Guidewire PolicyCenter, Majesco, S/4HANA FS-PM, solutions propriétaires) est systématiquement sous-estimée. Le scoring UBI doit alimenter le moteur tarifaire en temps quasi-réel pour la refacturation mensuelle dynamique — ce qui implique des APIs robustes, une gestion des SLA et une tolérance aux indisponibilités de collecte (conducteur sans réseau, app désinstallée). 4. L'expérience conducteur est le facteur d'adoption numéro un. La rétention passe obligatoirement par un feedback gamifié, des conseils de conduite personnalisés et une transparence totale sur le calcul du score. 5. Le modèle économique UBI doit démontrer une rentabilité actuarielle sur le portefeuille pilote avant généralisation — ce qui suppose un dispositif de mesure de la sinistralité différentielle (portefeuille UBI vs groupe contrôle non-UBI, toutes choses égales par ailleurs) suffisamment robuste pour convaincre un comité actuariel exigeant.
La méthode Nehos ROI-First IA pour l'assurance télématique UBI s'articule autour d'une conviction opérationnelle : le scoring comportemental conducteur n'a de valeur que s'il est à la fois prédictif (corrélation statistiquement robuste avec la sinistralité future), explicable (satisfaisant les exigences ACPR et DDA), souverain (données de localisation hébergées en France, chiffrement end-to-end, RGPD-by-design) et adopté (l'app conducteur doit créer de la valeur perçue, pas seulement collecter).
Phase 1 — Audit faisabilité (3-5 semaines)
L'audit couvre systématiquement six dimensions : (1) analyse du portefeuille actuel (segmentation tarifaire, sinistralité par segment, potentiel de différenciation UBI, part du segment jeunes conducteurs et faible kilométrage), (2) cartographie des systèmes core assurance en place (Guidewire, Majesco, S/4HANA FS-PM, propriétaires) et de leurs APIs disponibles, (3) analyse de la chaîne de consentement RGPD existante et des ajustements nécessaires pour une collecte de données de localisation conforme, (4) évaluation des partenaires hardware OBD-II ou SDK télématique envisageables (Octo Telematics, Cambridge Mobile Telematics, IMS, ou SDK interne),
Livrables : rapport d'audit avec recommandation go/no-go préliminaire, architecture technique cible, plan de route POC, enveloppe budgétaire estimée, identification des risques réglementaires.
Phase 2 — POC portefeuille pilote (10-12 semaines)
Le POC porte sur 2 000 à 5 000 conducteurs volontaires sélectionnés dans le portefeuille existant selon des critères représentatifs du segment cible (tranches d'âge, géographie, type de véhicule). Le protocole de consentement est documenté et validé DPO avant tout recrutement.
Collecte des données de conduite via deux canaux selon le profil conducteur : SDK app mobile React Native (iOS et Android) capturant accélération longitudinale et transversale, vitesse GPS, contexte routier (autoroute/ville/nationale), heure et conditions météo contextuelles, et boîtier OBD-II pour les conducteurs préférant une solution hardware (données CAN bus enrichies : régime moteur, consommation, données véhicule).
Modélisation scoring : modèle ensemble XGBoost + LightGBM entraîné sur historique sinistralité 36 mois du portefeuille. Validation de la corrélation score/sinistralité à J+90 avec mesure Gini. Seuil go : Gini >0,62 sur le portefeuille pilote.
Phase 3 — Décision go/no-go formelle
Comité de décision réunissant DG, Directeur Actuariat, DPO, DSI et Nehos. Trois critères de go simultanément requis : (1) Gini >0,62 (corrélation score-sinistralité statistiquement robuste), (2)
Phase 4 — Industrialisation progressive (8-14 mois)
La gamification n'est pas cosmétique — c'est le principal levier d'adoption durable et de modification comportementale qui génère la baisse de sinistralité.
La refacturation mensuelle dynamique est calculée sur le score mensuel glissant. Les situations d'indisponibilité app (> 30 jours sans trajet collecté) déclenchent automatiquement un basculement vers la prime de référence portefeuille plutôt qu'une pénalité — principe de bienveillance tarifaire documenté RGPD.
Module prévention sinistres : alertes push contextuelles en temps réel (météo dégradée sur l'itinéraire habituel, zone à forte sinistralité nocturne, alerte fatigue estimée après 2h de conduite continue).
Stack technique souveraine RGPD-first
Toute la stack peut être hébergée en France chez un hébergeur qualifié (HDS pour les données de santé contextuelles, SecNumCloud pour les données de localisation) :
Corrélation
Lien entre le score de conduite et la sinistralité, vérifié sur le groupe pilote avant toute décision
Adoption
Part des conducteurs qui utilisent réellement l'application ou le boîtier au fil des semaines
Décision
Critères go/no-go écrits à l'avance et revus avec les équipes actuariat et conformité
#Le problème : pourquoi l'assurance télématique UBI est un enjeu stratégique pour les assureurs auto
Les assureurs auto français font face à une double pression structurelle. De l'autre, une intensification concurrentielle sur les jeunes conducteurs et faible kilométrage, cibles prioritaires des néo-assureurs télématiques.
La tarification actuarielle classique (âge, bonus-malus, zone, type véhicule) atteint ses limites statistiques. Deux conducteurs de 28 ans, même véhicule, même département, affichent des comportements de conduite radicalement différents — mais la prime est identique. Ce différentiel non capturé génère de la sélection adverse : les bons conducteurs partent vers les offres UBI concurrentes, le portefeuille se dégrade.
Le potentiel est réel — mais beaucoup de projets pilotes internes entre 2019 et 2022 ont échoué à atteindre l'échelle.
#Notre approche en 4 phases
#Phase 1 : Audit faisabilité (3-5 semaines)
Livrable : rapport avec recommandation go/no-go, architecture cible, budget estimé.
#Phase 2 : POC portefeuille pilote (10-12 semaines)
POC sur 2 000 à 5 000 conducteurs volontaires. Collecte via SDK app mobile React Native (iOS + Android) et/ou boîtier OBD-II. Pipeline Apache Kafka + Flink, extraction de 47 features comportementales (fréquence freinage brutal, score courbe, score vitesse, conduite nocturne, fatigue estimée).
Modèle ensemble XGBoost + LightGBM avec explainability SHAP individuelle. Validation corrélation score/sinistralité : seuil go Gini >0,62. Voir notre service Agents IA Nehos (scoring IA + IoT embarqué).
#Phase 3 : Décision go/no-go formelle
Comité réunissant DG, Directeur Actuariat, DPO, DSI et Nehos.
#Phase 4 : Industrialisation progressive (8-14 mois)
App conducteur avec feedback gamifié hebdomadaire, conseils personnalisés, alertes prévention push contextuelles. Intégration moteur de tarification (Guidewire PolicyCenter ou équivalent) via API REST avec refacturation mensuelle dynamique. Formation équipes souscription et service client. Stack souveraine RGPD-first hébergée OVHcloud France.
#Exemple de situation
Ce qui suit est un exemple de situation pour illustrer la démarche, pas le récit d'un projet livré.
#Contexte
Un assureur auto régional souhaite tester une offre fondée sur le comportement de conduite pour mieux tarifer les bons conducteurs et attirer de jeunes conducteurs.
#Défi
Vérifier, sur un petit groupe de volontaires, que le score de conduite est bien corrélé à la sinistralité, sans lever d'obstacle RGPD, avant d'engager un investissement plus large.
#Approche
Un audit de faisabilité, puis un pilote avec boîtier OBD-II ou application mobile, un modèle de scoring explicable, une décision go/no-go formelle et, si elle est positive, un déploiement progressif relié au moteur de tarification.
#Ce que nous mesurons
Les indicateurs de réussite sont fixés avec vous avant le lancement et relevés sur l'existant. On les suit pendant le pilote, puis on décide ensemble d'aller plus loin ou non, sur des mesures et non sur des promesses.
#Pourquoi Nehos pour l'assurance télématique UBI
Nehos Groupe n'est pas un intégrateur généraliste qui adapte une solution standard à votre contexte. On conçoit des programmes UBI de bout en bout — de l'audit faisabilité à l'industrialisation — avec un engagement de transparence sur le go/no-go que peu de prestataires assument.
Notre méthode ROI-First impose un cadrage chiffré : corrélation score-sinistralité mesurée sur le pilote, ROI actuariel projeté avec hypothèses conservatrices, critères de go/no-go factuels.
Stack technique souverain RGPD-first : hébergement possible chez un hébergeur français qualifié (HDS ou SecNumCloud selon la sensibilité des données), chiffrement end-to-end des traces de conduite, pseudonymisation par UUID rotatifs, Mistral Large 2 auto-hébergé France pour les recommandations de conduite personnalisées. Pas de dépendance à un fournisseur cloud américain pour les données de localisation de vos assurés.
#Pour aller plus loin
Cas d'usage connexes :
Questions & réponses
Questions fréquentes sur l'assurance télématique UBI et le scoring IA conducteur
Les deux modes sont viables, avec des profils de coûts et de données différents. L'app mobile (SDK React Native iOS + Android) exploite l'accéléromètre, le gyroscope et le GPS du smartphone : coût de déploiement quasi nul, adoption massive possible, mais données limitées à ce que le capteur téléphone permet (accélération, vitesse GPS, contexte routier). Le boîtier OBD-II ajoute les données CAN bus du véhicule (régime moteur, vitesse roue précise, consommation, codes défaut), ce qui enrichit le scoring — particulièrement utile pour les véhicules anciens sans GPS embarqué ou pour des profils conducteurs qui posent le téléphone lors de la conduite.
La conformité RGPD sur les données de localisation (catégorie sensible) repose sur plusieurs principes que nous mettons en œuvre : (1) minimisation : on ne collecte que les indicateurs comportementaux nécessaires au scoring, pas l'historique brut des trajets GPS ; (2) pseudonymisation dès l'ingestion, avec dissociation de l'identité et des données de conduite ; (3) hébergement en France avec contrat de sous-traitance (DPA) signé ; (4) consentement explicite, droit d'opposition et de portabilité. Voir notre Méthode AI Act & RGPD Compliance Nehos.
Le moteur de scoring expose une API que le moteur de tarification (Guidewire PolicyCenter ou autre) appelle à chaque cycle de facturation pour intégrer le facteur UBI dans le calcul de la prime. Points d'attention : gestion des périodes sans collecte (retour à la prime de référence, sans pénalité), historique des scores conservé pour les litiges, piste d'audit pour l'ACPR. Pour un moteur propriétaire, l'intégration se fait par API REST ou fichier d'échange, selon les contraintes techniques. Majesco et S/4HANA FS-PM se raccordent de la même façon, au cas par cas.
Le risque existe si le modèle est une boîte noire sans documentation. L'ACPR attend, conformément à la Directive Distribution d'Assurances (DDA) et aux orientations EIOPA sur la gouvernance des algorithmes, que toute variation de prime fondée sur un score algorithmique soit justifiable objectivement auprès de l'assuré. La documentation du modèle (fiche modèle avec variables, pondérations SHAP moyennes par décile de score, tests de biais par genre/âge/zone, validation sur données out-of-sample) est produite lors du POC et soumise pour validation actuarielle interne avant go.
Le budget dépend du portefeuille, des systèmes à connecter et du matériel retenu (boîtier ou application). Nous le chiffrons sur devis, en 48 h après un premier échange. Nous commençons par un audit de faisabilité, puis un pilote, avant tout engagement sur l'industrialisation : la décision go/no-go s'appuie sur des mesures.
C'est la question clé. Un scoring passif, sans retour d'information au conducteur, génère de la sélection adverse (les bons conducteurs l'utilisent pour obtenir des réductions, les mauvais l'ignorent) sans réduire la sinistralité du portefeuille. L'application doit donc donner un retour utile : conseils après un trajet, alerte préventive, suivi dans le temps. Le changement de comportement se vérifie pendant le pilote, en comparant les conducteurs équipés à un groupe témoin.
Oui, avec une architecture et un cadre réglementaire distincts. Pour les flottes professionnelles (assurance flotte de PME), le scoring s'applique au niveau du véhicule et du conducteur, avec des particularités : (1) le consentement RGPD doit couvrir à la fois l'employeur (responsable de traitement) et le conducteur salarié (personne concernée), et une information du CSE est requise selon l'article L.2312-38 du Code du travail ; (2) les données de conduite ne peuvent pas être utilisées à des fins disciplinaires sans accord préalable. Avantages côté assureur : une sinistralité de flotte généralement mieux documentée, un kilométrage plus élevé qui génère plus de données de scoring et un interlocuteur unique (le gestionnaire de flotte).