Cas d’usage – Ornikar s’attaque au marché de l’assurance

Ornikar s’attaque au marché de l’assurance après avoir démocratisé celui du permis de conduire, en capitalisant sur sa connaissance inédite des 3 millions de jeunes passés par son auto-école.

Ornikar entend casser les rentes qui persistent encore dans le secteur de la mobilité, et ce, au service des jeunes et de leur émancipation, en créant la première assurance auto qui assure (vraiment!) les jeunes.

Ornikar est la plateforme référente pour l’éducation à la conduite en France qui a révolutionné et démocratisé le secteur, en enlevant les freins inhérents à l’expérience client : depuis sa création en 2013, l’entreprise a réinventé le marché de l’auto-école en proposant des prix réduits (Ornikar a divisé le prix du permis par 2!) et une expérience facilitée par le digital. Elle ambitionne de s’imposer comme un leader de l’accès à la mobilité et plus largement à l’autonomie des jeunes en poursuivant sa révolution avec la création de la première assurance auto qui capitalise sur la formation à la conduite des jeunes. Avec plus de 3 millions d’élèves formés dans son école de conduite, Ornikar jouit en effet d’un avantage de taille.

Si la première étape de l’émancipation passe par le permis, la seconde passe nécessairement par l’assurance auto. Aujourd’hui, les jeunes conducteurs subissent traditionnellement des primes particulièrement élevées en tous risques, autour de 2000 euros par an, soit un montant exorbitant par rapport à leur pouvoir d’achat. Un tarif que les assureurs justifient par l’accidentologie des conducteurs novices. En réalité, cette tarification excessive provient davantage de l’absence de connaissance que les assureurs traditionnels ont de l’expérience de conduite des jeunes conducteurs.

Comment cette connaissance client est-elle au cœur de la création d’un modèle assurantiel inédit? 

• Le développement d’offres plus adaptées grâce à une meilleure compréhension des modes d’apprentissage

Notre parcours d’apprentissage digital allié à un volume d’utilisateurs élevé nous apportent une connaissance des usages et comportements clients unique. A commencer par la possibilité d’élaborer pour chacun de nos élèves un modèle de sa compréhension des risques. A-t-il eu une bonne perception des distances de sécurité lors de son parcours d’apprentissage ? A-t-il tendance à considérer comme acquises des notions de sécurité encore insuffisamment maîtrisées ? Les axes qui définissent la connaissance du risque routier sont nombreux.

Nous utilisons depuis plusieurs années déjà du Machine Learning sur ces données, afin d’enrichir notre pédagogie : par exemple pour indiquer à une personne si elle est prête ou non à passer l’examen du code, à partir de ses résultats d’apprentissage. Nos examens d’entraînement étant plus exigeants que l’examen officiel, cet indicateur donne à l’élève une appréciation plus juste de ses chances de réussite. Suivi en temps quasi-réel par l’utilisateur, il lui permet d’aborder plus rapidement et en confiance le passage du code.

Notre approche est fondée sur l’utilisation d’intelligence artificielle, mais toujours en collaboration avec nos experts pédagogiques. Nous établissons ainsi des indicateurs cohérents avec l’état de l’art disponible, pour ensuite évaluer leur potentiel prédictif.

Le prochain axe d’enrichissement de notre parcours d’apprentissage passe par l’usage des télématiques dans la conduite captant en temps réel les déplacements du véhicule. Ces technologies nous permettent d’améliorer la qualité du feedback de l’enseignant  à l’élève, avec des éléments quantitatifs lui permettant d’étayer ses conseils.

• Le développement de modèles d’accidentologie propriétaires

Déjà courtier depuis 2021, nous remontons aujourd’hui la chaîne de valeur assurantielle en intégrant l’ensemble de la relation client. C’est ainsi que nous avons lancé en avril 2023 une nouvelle offre sur un modèle d’assureur MGA (Managing General Agent), modèle encore peu fréquent en France mais qui a fait ses preuves au UK.

Associer des risques réels d’accidents à l’apprentissage de la conduite, avec des données à un tel niveau d’exhaustivité, est une première. Cette approche a un grand potentiel en termes de Data Science, et apporte de la valeur à nos deux offres.

D’une part, nous pouvons affiner nos parcours d’éducation, en suggérant par exemple des modules spécifiques aux élèves que nous identifions comme les plus à risques. Nous renforçons ainsi notre proposition de valeur sur la prévention des risques routiers, au-delà de la simple obtention du permis.

D’autre part, nous pouvons proposer une assurance plus en adéquation avec le comportement futur de nos assurés. Nous adaptons nos offres et nos prix à leur situation réelle, inconnue des autres assureurs et qui les conduit souvent à une tarification excessive.

Nous pouvons en effet comprendre, grâce à la data fournie par les outils d’aide à l’enseignement de la conduite, leur approche du risque et du danger routier. L’apprentissage du code de la route joue aussi, tout comme l’attitude et la réaction face aux échecs. Nous pouvons alors corréler l’ensemble de ses éléments de compréhension des élèves aux critères traditionnels du marché auto. Cela nous permet in fine d’établir un tarif moyen 20 à 25% en dessous de ceux du marché.

Cette amélioration de la compréhension des jeunes conducteurs est aujourd’hui une innovation et la condition sine qua non pour transformer l’un des marchés retail les plus denses et les plus cadenacés du secteur de l’assurance.

• La création de nouveaux modèles au service de l’autonomie des jeunes 

Ce nouveau contexte d’opportunités lié à la connaissance clients nous incite plus que jamais à être data-driven dans notre développement. En pratique, le terme data-driven reste souvent limité au sens de « prendre des décisions fondées sur des analyses quantitatives ».

En reconnaissant la valeur des usages Data Science au service de nos utilisateurs, nous questionnons nos modes de fonctionnement passés. Pour prévenir la formation de silos Tech et Data, c’est désormais à travers un co-design par les équipes Back-End/Front-End et Data que nous dessinons le futur de notre plateforme.

L’architecture Data est aussi un élément crucial pour la facilité de déploiement de nos systèmes de Machine Learning. Nous bénéficions pour ce faire du conseil des équipes Google Cloud, l’ensemble de nos données étant hébergé sur Google Cloud Platform. Disposer des bons Storage Engines et des bons Dataflows pour la mise en production de nos projets reste un élément clé pour développer des services avec des coûts d’infrastructure maîtrisés.

Enfin nous repensons régulièrement les interactions entre des rôles toujours plus spécialisés – Machine Learning Engineers, Data Engineers, Analytics Engineers, Data Scientists etc. – l’implication de tous étant essentielle au succès de nos projets de Data Science.

C’est cette structure de fonctionnement qui nous permet d’inventer de nouveaux modèles et des offres pertinentes pour les marchés que nous avons l’ambition de disrupter !