Avec l’accroissement continu de la puissance de calcul et les possibilités offertes par le big data, les entreprises prennent conscience des gains de productivité colossaux qui peuvent être obtenus par une automatisation accrue des processus.
Les entreprises découvrent avec intérêt la valeur potentielle que représentent les quantités massives de données non structurées (e-mails, documents texte, etc) dont elles disposent. Elles découvrent aussi les risques auxquels le stockage de telles données les expose. Au cours de la dernière décennie, les techniques de traitement automatique du langage et d’exploration de texte ont progressé rapidement stimulées par la recherche d’optimisation des coûts, de valorisation des données existantes et de limitation des risques liés au stockage et au traitement de l’information. Les assureurs ont été particulièrement attentifs à ces avancées et ont très vite cherché à les utiliser pour développer des processus de traitement de la donnée plus efficaces. En effet, ils sont amenés, dans le cadre de leurs relations avec leurs clients, à conserver de nombreux documents : contrats, déclarations de sinistre, expertises, factures, bilans de santé, certificats et autres questionnaires.
Cette étude s’intéresse plus particulièrement aux traités de réassurance et à l’extraction automatique d’informations contenues dans ces traités au moyen de techniques de machine learning et de text mining. Dans la suite, nous décrivons les principales étapes du modèle que nous avons développé. Notre étude a porté sur 400 contrats, exclusivement des traités de réassurance catastrophe vie.