Success stories
Assurance maladie – Réduire le travail de SAV et obtenir des informations sur les raisons des appels
Août 5, 2021
Le centre d’appels d’une grande caisse d’assurance maladie souhaitait réduire drastiquement le travail après appel de l’agent et trouver la meilleure solution pour obtenir des informations détaillées sur les raisons des appels. Découvrez comment nous avons construit une plateforme de données d’entreprise dans le cloud et mis en œuvre les services intégrés AWS AI pour mieux comprendre et répondre aux attentes des clients.
Quel était le défi qui nous a été présenté ?
Compte tenu de l’évolution rapide du marché, cette caisse d’assurance maladie souhaitait exploiter ses données de manière à créer davantage de valeur commerciale. Plus précisément, elle devait :
- Passer d’une BI descriptive traditionnelle à une approche prédictive, voire prescriptive.
- Déployer un environnement de données agile pour mettre en œuvre des analyses avancées.
- Soutenir activement la numérisation de l’entreprise et la nouvelle approche CRM.
Ils nous ont également demandé de les conseiller sur :
- la transformation de l’organisation pour soutenir les nouvelles façons de travailler avec les données.
- Le choix de la technologie la mieux adaptée à la BI traditionnelle et aux nouveaux cas d’utilisation de l’analyse avancée.
- La définition d’une feuille de route pour la mise en œuvre, en tenant compte des changements organisationnels et techniques.
Notre solution : une plateforme de données basée sur le cloud, à l’échelle de l’entreprise, alimentée par AWS
Nous avons d’abord examiné l’organisation actuelle et l’organisation cible et émis une série de recommandations pour mettre en place la nouvelle équipe chargée des données et des analyses avancées, redéfinir les processus de changement, de construction et d’exécution et introduire une approche de gouvernance des données au sein de l’organisation.
Dans une deuxième phase, nous avons déployé le nouvel environnement de données basé sur le Cloud et avons rapidement mis en œuvre une série de cas d’utilisation classiques de la BI (en utilisant une méthodologie agile) ainsi que de nouveaux cas d’utilisation innovants de l’IA et du ML, tels que l’automatisation du traitement des enregistrements du centre d’appels en utilisant les technologies Speech-to-text et NLP disponibles sur l’environnement Cloud.
La nouvelle plateforme de données monte désormais rapidement en charge et constitue un élément clé pour améliorer considérablement l’expérience client et mettre en œuvre la transformation numérique.
Architecture basée sur les principaux services de données d’AWS
Data Lake
Amazon S3 est utilisé pour la couche centrale d’entrée et pour assurer la persistance à long terme.
Certains fichiers de données sont prétraités sur Amazon EMR. Les clusters EMR sont créés à la volée plusieurs fois par jour. Les clusters traitent uniquement les nouvelles données qui arrivent dans S3. Une fois les données traitées et persistées dans un format Apache Parquet optimisé pour l’analyse, le cluster est détruit. Le cryptage et la gestion du cycle de vie sont activés sur la plupart des buckets S3 pour répondre aux exigences de sécurité et de rentabilité. Plus de 600 To de données sont actuellement stockées dans le Data Lake. Amazon Athena est utilisé pour créer et maintenir un catalogue de données et explorer les données brutes dans le Data Lake.
Intégration en temps réel
Amazon Kinesis Data Streams capture les données en temps réel, qui sont filtrées et enrichies (avec les données du Data Warehouse) par une fonction Lambda avant d’être stockées dans une base de données Amazon DynamoDB. Les données en temps réel sont également stockées dans des buckets S3 dédiés pour la persistance.
Data Warehouse
Le Data Warehouse fonctionne sur Amazon Redshift, en utilisant les nouveaux nœuds RA3 et suit la méthodologie Data Vault 2.0. Les objets Data Vault sont très standardisés et ont des règles de modélisation strictes, ce qui permet un haut niveau de standardisation et d’automatisation. Le modèle de données est généré à partir des métadonnées stockées dans une base de données Amazon RDS Aurora.
Le moteur d’automatisation lui-même est construit sur Apache Airflow, déployé sur des instances EC2.
La mise en œuvre du projet a débuté en juin 2017 ; le cluster Redshift de production initialement dimensionné sur 6 nœuds DC2 a évolué de manière transparente au fil du temps et a répondu à la fois aux besoins croissants des projets en matière de données et à l’ensemble des besoins métier.
DynamoDB
Amazon DynamoDB est utilisé pour des cas d’utilisation spécifiques où les applications web ont besoin de temps de réponse inférieurs à la seconde. L’utilisation de la capacité variable de lecture/écriture de DynamoDB permet de provisionner la capacité de lecture haute performance, plus coûteuse, uniquement pendant les heures de bureau, lorsqu’une faible latence et un temps de réponse rapide sont nécessaires. Ces mécanismes, qui reposent sur l’élasticité des services AWS, sont utilisés pour optimiser la facture mensuelle AWS.
Machine Learning
Une série de modèles prédictifs ont été mis en œuvre, allant d’un modèle classique de prédiction des désabonnements à des cas d’utilisation plus avancés. Par exemple, un modèle a été construit pour repérer les clients qui sont susceptibles d’avoir été impactés par une panne de réseau. Amazon SageMaker a été utilisé pour construire, former et déployer les modèles à l’échelle, en exploitant les données disponibles dans le Data Lake (Amazon S3) et le Data Warehouse (Amazon Redshift).
API pour l’accès externe
Les parties externes doivent accéder à des ensembles de données spécifiques de manière sécurisée et fiable et Amazon API Gateway est utilisé pour déployer des API RESTful sécurisées au-dessus de microservices de données sans serveur mis en œuvre avec des fonctions Lambda.
