Un modèle prédictif détecte les adhérents mécontents à partir du verbatim et du parcours pour agir avant la résiliation.
Les mutuelles collectent des milliers de verbatims chaque mois via enquêtes NPS, emails au service réclamations et appels au centre de contact. Ces signaux restent analysés a posteriori, souvent trimestriellement, sans lien avec les données de gestion des remboursements ou de délais de traitement. Un adhérent mécontent n'est identifié qu'au moment où il appelle pour résilier ou ne renouvelle pas son contrat collectif ou individuel.
Le coût du statu quo se mesure en attrition évitable et en image dégradée auprès des courtiers et DRH qui souscrivent des contrats collectifs. Un adhérent insatisfait non détecté coûte le contrat lui-même, le coût d'acquisition déjà engagé, et parfois un effet de bouche-à-oreille négatif dans les entreprises clientes.
La première phase consiste à construire un corpus unifié croisant verbatims, données de gestion et historique contractuel, avec un pipeline dbt pour fiabiliser les jointures entre systèmes de gestion souvent cloisonnés. Un modèle BERT multilingue fine-tuné sur le corpus de verbatims assure l'analyse de sentiment et l'extraction de motifs d'insatisfaction récurrents, comme les délais de remboursement ou l'incompréhension des garanties.
Ces signaux textuels sont ensuite combinés à des variables de gestion dans un modèle XGBoost qui prédit une probabilité d'insatisfaction grave dans les 60 jours. La priorité est donnée à l'explicabilité via SHAP, pour que les conseillers comprennent pourquoi un adhérent est signalé et puissent adapter leur discours.
Un tableau de bord Looker Studio restitue les adhérents à risque par agence et par type de contrat, avec les motifs dominants, pour déclencher une action ciblée: appel proactif, geste commercial ou clarification pédagogique.
Si 20 % des résiliations sur contrats collectifs sont liées à une insatisfaction détectable en amont, une action proactive sur ces cas pourrait réduire l'attrition correspondante de façon sensible. Le gain porte aussi sur la charge du service réclamations, avec un traitement plus en amont et moins de dossiers escaladés, sous l'hypothèse que les irritants identifiés sont bien ceux qui pèsent le plus sur la décision de départ.
Oui sous conditions strictes: anonymisation des données de santé avant traitement NLP, base légale d'intérêt légitime documentée, et analyse d'impact sur la protection des données validée avec le DPO avant tout déploiement.
Le modèle de scoring est opérationnel après la phase pilote, mais l'effet mesurable sur la rétention demande généralement deux à trois cycles de renouvellement contractuel pour être statistiquement observable.
Non, il les complète en traitant en continu les signaux faibles du quotidien, là où les enquêtes NPS restent ponctuelles. Les deux approches coexistent et s'enrichissent mutuellement dans le pilotage de la satisfaction.
Nous le cadrons, le construisons et le mettons en production. Ou nous formons vos équipes à le faire.
Nous utilisons des cookies de mesure d'audience et de suivi publicitaire pour comprendre la fréquentation du site et l'efficacité de nos annonces. Rien n'est déposé sans votre accord. En savoir plus