Assurance et risques climatiques : Stratégie Data Fabric et Data Mesh pour maîtriser les enjeux Data.

La croissance très forte de la sinistralité associée aux risques climatiques oblige les secteurs de l'assurance et de la banque à adapter très fortement la modélisation des risques climatiques et de leurs impacts financiers.

Il faut noter que jusqu'à une période récente ces risques ont été gérés dans une approche approximative (estimation macro) ou ont été délégués en grande partie aux réassureurs. Les coûts des sinistres associés aux évènements climatiques atteignent aujourd'hui des niveaux très critiques qui nécessitent une maîtrise prudentielle très fine. Par ailleurs, les calendriers imposés par les instances réglementaires sectorielles (Banque Centrale Européenne, EIOPA, ACPR ...) imposent aux Assureurs et aux Banquiers d'adapter fortement leurs méthodes de modélisation des risques et leur système d'information de Risk Management.

Plus particulièrement, pour le secteur de l’assurance de dommages, il s'agit d'adapter fortement, voir de révolutionner, le modèle économique ainsi que la stratégie tarifaire et la politique commerciale.

Swiss Re, dans son édition mondiale 2022 des catastrophes naturelles et des impacts financiers confirme une tendance croissante aussi bien pour le nombre que pour le coût des catastrophes naturelles. Ainsi Swiss Re estime qu'en 2021 les pertes économiques mondiales dues aux catastrophes naturelles se sont élevées à 270 milliards de dollars, dont environ 40 % étaient assurés.

Après une phase bénigne de pertes annuelles plus faibles sur la période 2012-2016, les pertes annuelles ont repris leur taux de croissance à long terme historiquement observé de 5 à 7 % par an, sur la base de moyennes mobiles sur 10 ans. Cela confirme que les dommages assurés sont sur une tendance significative de croissance à long terme.

Dans ce contexte, les assureurs ont besoin de se prémunir des risques associés aux évènement climatiques d'une région et au patrimoine assuré (Habitation individuelle, exploitation agricole etc ...) pour assurer leur propre résilience et garantir un niveau acceptable de leur solvabilité. Cela implique pour eux d'adapter les produits d'assurance dans un contexte de forte concurrence et de réflexions en cours sur le partenariat public/privé pour les Cat Nat.

Ainsi, les assureurs ont besoin d'adapter rapidement leurs méthodes de modélisation des risques pour y inclure un volet "risques climatiques". Ce volet se décline par nature d'évènement climatique (Par exemple ; Inondation, grêle, RGA ...). Ils ont aussi besoin de définir une méthodologie adaptée de mesure des impacts financiers pour pouvoir établir :

• Un nouveau système de tarification;
• Une stratégie élargie aux instruments financiers (Exemple : CAT Bonds);
• Et éventuellement, une nouvelle structure juridique spécialisée en captives de réassurance dans laquelle loger ces risques.

La modélisation des risques des catastrophes naturelles basée uniquement sur des données historiques aura du mal à synthétiser l'ensemble des risques climatiques du futur. Les capacités de maîtrise et d'analyse croisée de l’ensemble des données internes et externes utiles devraient être les plus vastes possibles pour permettre;

• Une maîtrise fine des données (fiabilité, gouvernance, qualité, intégrité, traçabilité/auditabilité, complétude, accès/sécurité, partage/mutualisation, coûts ...)
• Une modélisation la plus efficace possible (historique profonds, données structurées et non structurées, machine learning des survenances des intempéries, prévisions à court terme voir real-time et, à long terme, scores de risque croisant séries météorologiques et caractéristiques des biens assurés et valeurs des biens ...).

L'élaboration de nouveaux produits d'assurance et des tarifs associés doit pouvoir s'appuyer sur une modélisation intégrant un très grand nombre de données liées au changement climatique et liées à d'autres domaines (Exemples : caractéristiques des habitations, valeur des biens immobiliers ...).

Ce patrimoine Data est très large et une grande partie n'est pas acquise aujourd'hui par les organismes d'assurance. Ce patrimoine est nécessaire pour la conception de nouveaux types de primes d'assurance d'une part et pour une personnalisation de la tarification indispensable dans un marché fortement équipé en produit d'assurance.

Le schéma ci-dessus présente une cartographie de la société ECOACT qui se positionne comme Data Provider de référence en données de gestion des risques climatique. Il illustre la très grande diversité des données à acquérir et à maîtriser.

Pour faire face aux risques climatiques, de nouvelles stratégies data et de nouveaux services technologiques sont nécessaires. Ainsi les assureurs innovent pour créer de nouveaux produits et de nouvelles approches en termes de couvertures de risques pour les évènements climatiques. L'essor de l'assurance paramétrique est révélateur de l'inventivité des assureurs face aux risques climatiques et des nouvelles générations de plateformes Data à inventer.

Dans ce contexte, une stratégie Data Driven associée à une organisation Data Fabric et une architecture Data Mesh s'avère particulièrement pertinente. Les méthodes analytiques efficaces et en particulier les techniques actuarielles avancées existent. Elles ont été éprouvées depuis de nombreuses années et sont mises en oeuvre pour prévoir les évènements climatiques et pour pronostiquer les coûts des sinistres associés.

L'enjeu porte sur l'acquisition de données externes d'une part et la maîtrise de celles-ci pour garantir la fiabilité des modèles prédictifs d'autre part. La capacité à évaluer de manière pertinente la fréquence des évènements climatiques pour chaque type d'intempérie ou catastrophe naturelle est directement conditionnée par la capacité à acquérir et à gérer un grand nombre de sources de données externes (structurées et non structurées) avec des granularités différentes, des fréquences de mise à jour différentes et des protocoles de transcodification ou data management spécifiques à chaque source de données.

A ce stade, on constate la nécessité de disposer d'une approche Data Driven, et d'une démarche de Data Gouvernance couplée à un protocole opérationnel de Quality Data Management pour une gestion globale et transverse de l'ensemble des sources externes et des modèles prédictifs des évènements climatiques ainsi que de leur intensité.

La pertinence d'une organisation Data Fabric est également très marquée pour le management des données valorisées en termes de score de risques climatiques par zones géographique, par habitation ou infrastructure ou encore par exploitation agricole. Et en définitive cette approche associée à une démarche Data Mesh permet de penser toute l'architecture Data en termes de plateforme de partage de données pour un grand nombre de domaines applicatifs :

• Acquisition et intégration des données externes climatiques;
• Data Gouvernance et Data Quality Management des nouveaux référentiels des données climatiques;
• Acquisition et intégration des données externes socio-économiques (Géolocalisation, informations habitations, informations exploitations agricoles, estimations financières des habitations ...);
• Référentiels des scores de risques par zones géographiques, par habitation, auto ...
• Processus de Data Gouvernance : Management des nouveaux Data Products comme par exemple vision 360° d'une zone de risque, Vision 360° client élargie aux risques des biens assurés du client;
• Management de la cartographie des risques et, pour répondre aux contraintes réglementaires (En particulier Solvency II/ Pilier 1 et 2), archivage des bases de données ayant permis la mise à jour de la cartographie des risques;
• Processus Machine et Deep/learning. Auxquels il faut ajouter les processus de back-testing de tous les modèles Data Science afin de surveiller la performance des algorithmes de scoring ou de prévisions;
• Base d'analyse spatiale permettant de croiser informations de géolocalisation, cartographie statistique, informations commerciales ...

Un avantage essentiel de l'approche Data Fabric est qu'elle permet :

• De prendre en compte la Data virtualisation comme élément clé de l'architecture et comme un axe majeur de la maîtrise/compréhension du patrimoine des informations
• D'établir plus facilement une stratégie transversale de Data Gouvernance et de Quality Data Management en y intégrant les services de linéage indispensables pour les audit des processus Data
• De transformer de larges volumes de données structurées et non structurées en mode différé ou temps-réel.
• D'établir une architecture, des processus industriels et self-service de production d'informations et de partage de celles-ci entre les différents métiers (Data owners en charge des données externes, équipes actuariat et tarification, équipes Risk Management, responsables Marketing & CRM, responsables compliance/ Solvency II, responsables ré-assurance ...).

Les enjeux financiers associés aux risques climatiques sont particulièrement importants pour les secteurs de la banque et de l'assurance. Pour y répondre, les différents acteurs doivent relever les défis d'acquérir un grand nombre de nouvelles typologies de données, de monter en compétence dans la maitrise fine de ces données tant du point de vue fonctionnel que du point de vue usage/modélisation des risques associés.

Si les enjeux d'architecture de données sont importants, la priorités pour les responsables Data est de bien comprendre ce nouveau patrimoine Data (d'autant plus qu'il s'agit de données externes) et les différents usages possibles en termes de calcul de risque, d'élaboration de nouveaux produits, de nouvelle tarification et de nouveaux services d'assistance.

Les enjeux d'architecture s'avèrent complexes car ils portent sur la conception et la mise en oeuvre de tous les composants d'une Data Fabric complète. Chacune des technologies nécessaires est connue et maitrisée aujourd'hui. La réussite d'un projet de Data Fabric pour les risques climatiques dépend ainsi beaucoup plus de l'élaboration de la stratégie Data Métier que des enjeux IT.