.png)
Qualité des données en assurance : 8 bonnes pratiques
Dernière mise à jour : 29 août
Épisode disponible
Apple Podcast - Spotify - Deezer - Youtube Podcast - Amazon Music
Qualité des données en assurance : pourquoi elle devient un enjeu stratégique
Un chiffre peut être parfaitement présenté et pourtant être faux.
C’est tout le paradoxe de la qualité des données en assurance. Derrière un reporting prudentiel, un calcul de solvabilité, un tarif ou un tableau de bord se trouvent des milliers, parfois des millions de données issues de systèmes, de référentiels et d’acteurs différents.
La difficulté n’est donc plus seulement de produire de l’information. Elle consiste à savoir si cette information est fiable, traçable et compréhensible.
Dans cet épisode d’Assurance en coulisses, Jonathan Plateau et Pierre Lafitte confrontent leurs expériences de la finance, de la data, de l’audit IT et de l’assurance. Leur message est clair : la qualité des données ne doit plus être considérée comme une simple exigence réglementaire.
Elle doit devenir un véritable actif stratégique.
Résumé de l’épisode
Cet épisode réunit Jonathan Plateau, entrepreneur, CFO & COO de Finance Control Tower et présentateur du podcast Business Partner, après un parcours en contrôle de gestion, audit, BI et systèmes finance, et Pierre Lafitte, associé et directeur du pôle Systèmes d’information et Assurance du Groupe Emargence. Le parcours et les fonctions actuelles de
Pierre Lafitte sont également confirmés par le Groupe Emargence.
Pendant l’échange, les deux invités explorent la gouvernance des données, les contrôles, les référentiels, le master data, les migrations, le data lineage et l’intelligence artificielle.
L’intérêt de l’épisode tient surtout à sa dimension opérationnelle : plutôt que de considérer la qualité des données comme un projet isolé, ils montrent pourquoi elle doit être intégrée aux processus quotidiens et aux décisions de l’entreprise.
Qualité des données en assurance : de quoi parle-t-on exactement ?
La qualité d’une donnée ne se limite pas au fait qu’un fichier s’ouvre correctement ou qu’un champ soit renseigné.
Une donnée utile doit notamment être :
exacte, parce qu’elle doit refléter correctement la réalité ;
complète, parce que les informations indispensables ne doivent pas manquer ;
cohérente, parce qu’une même information ne devrait pas raconter deux histoires différentes selon le système interrogé ;
traçable, parce qu’il faut pouvoir comprendre son origine et les transformations qu’elle a subies ;
disponible au bon moment, parce qu’une information exacte mais trop tardive peut devenir inutilisable.
Ces principes ont une traduction réglementaire concrète. La directive Solvabilité II prévoit notamment que les organismes disposent de processus internes garantissant le caractère approprié, complet et exact des données utilisées pour le calcul des provisions techniques.
Dans l’épisode, Pierre Lafitte élargit néanmoins la perspective. Une donnée de qualité ne sert pas uniquement à produire un reporting réglementaire : elle intervient également dans la tarification, la connaissance client, les analyses financières et le pilotage de l’entreprise.
C’est précisément ce changement de perspective qui fait passer la qualité des données d’une logique de conformité à une logique de performance.
Pourquoi la qualité des données est-elle si importante pour les assureurs ?
Un assureur est, par nature, une entreprise de données.
Pour tarifer un risque, il faut des données.
Pour calculer une provision, il faut des données.
Pour suivre la sinistralité, il faut des données.
Pour déterminer un SCR, analyser un portefeuille ou produire un reporting prudentiel, il faut
encore des données.
La donnée traverse donc pratiquement toute la chaîne de valeur.
L’EIOPA rappelle d’ailleurs que des données fiables sont indispensables à une supervision fondée sur les données, à la prise de décision et aux analyses micro et macroprudentielles.
Le problème apparaît lorsque la donnée circule entre plusieurs systèmes et plusieurs directions.
Une information peut commencer dans un outil de gestion, passer par une interface, être retraitée dans Excel, alimenter un outil actuariel, être rapprochée avec la comptabilité puis finir dans un état réglementaire.
Plus le parcours s’allonge, plus la compréhension du cheminement devient essentielle.
« La problématique, c’est jamais le reporting. […] La problématique, elle est en amont. »
Cette idée défendue par Jonathan Plateau est probablement l’un des messages les plus structurants de l’épisode.
1. Traiter la qualité des données en amont
Dans beaucoup d’organisations, le défaut de qualité se révèle au pire moment : pendant une clôture, lors de la production d’un reporting ou juste avant une échéance réglementaire.
Le réflexe consiste alors à corriger.
Un fichier Excel apparaît.
Une formule est ajoutée.
Une donnée est retraitée.
Le reporting finit par partir à l’heure.
À court terme, le problème semble réglé.
À long terme, il ne l’est absolument pas.
Jonathan Plateau décrit précisément ce phénomène à partir de son expérience en finance : les équipes récupèrent les données, les retraitent manuellement puis réussissent à produire leur reporting, sans nécessairement corriger la donnée dans le système situé en amont.
Corriger la source plutôt que le résultat
La bonne question n’est donc pas :
Comment corriger ce chiffre ?
Mais :
Pourquoi ce chiffre est-il faux ?
La réponse peut venir :
d’une mauvaise saisie ;
d’un référentiel différent ;
d’une règle de gestion mal comprise ;
d’une interface ;
d’un traitement manuel ;
d’un mapping obsolète ;
ou d’un contrôle absent.
À retenir Une bonne démarche QDD cherche à supprimer la cause de l’erreur, pas uniquement à corriger son résultat.
2. Faire de la qualité des données un sujet de gouvernance
Les outils seuls ne suffisent pas.
C’est l’autre enseignement majeur de l’épisode.
Jonathan Plateau résume la problématique avec une formule particulièrement efficace :
« La data, on oublie, c’est un sujet d’humain. »
Dans son retour d’expérience, il évoque notamment une culture du « Speak with data », où les décisions et présentations devaient être appuyées sur des chiffres.
L’objectif n’était pas simplement de multiplier les KPI : il s’agissait d’installer une culture dans laquelle la donnée devait être suffisamment fiable pour pouvoir être utilisée et challengée.
Le rôle du management
La qualité des données ne peut donc pas reposer uniquement sur :
la DSI ;
l’actuariat ;
la direction financière ;
ou un responsable QDD isolé.
Elle nécessite une gouvernance transverse.
L’enquête 2024 de l’ACPR, dont la synthèse a été publiée en février 2025, apporte un éclairage intéressant. Elle a recueilli les réponses de 224 organismes.
L’ACPR constate des progrès sur la gouvernance, mais souligne notamment que l’information du comité exécutif ou du conseil d’administration sur les indicateurs QDD reste encore assez rare.
Le sujet reste d’actualité : l’ACPR a ouvert une nouvelle enquête sur la qualité des données du 29 juin au 15 septembre 2026, avec des questions portant notamment sur le rôle du responsable QDD, les relais dans les directions opérationnelles et les comités consacrés au sujet.
La trajectoire est claire : la QDD doit remonter dans la gouvernance.
3. Construire un dictionnaire de données utile
Le dictionnaire de données est parfois perçu comme une documentation réglementaire supplémentaire.
Ce serait passer à côté de son intérêt.
Un bon dictionnaire répond à des questions extrêmement simples :
Quelle est cette donnée ?
Que signifie-t-elle ?
D’où vient-elle ?
Qui en est responsable ?
À quelle fréquence est-elle mise à jour ?
Quels contrôles lui sont appliqués ?
Dans quels calculs intervient-elle ?
Dans l’épisode, Pierre Lafitte explique que le dictionnaire permet précisément de recenser les données alimentant le reporting, leur cheminement et les contrôles associés.
Ne pas documenter pour documenter
La principale erreur consiste à créer un énorme inventaire qui devient impossible à maintenir.
Jonathan Plateau défend plutôt une approche pragmatique : ne pas accumuler des champs simplement pour se rassurer.
L’enjeu consiste à identifier les données réellement utiles et critiques.
Le dictionnaire doit donc être vivant.
Un changement d’outil, un nouveau produit, un partenariat avec un délégataire ou l’évolution d’un processus doivent pouvoir entraîner sa mise à jour.
Sinon, il devient rapidement une photographie d’un système qui n’existe plus.
4. Harmoniser les référentiels grâce au master data
Imaginez un même produit d’assurance.
La gestion l’appelle « Produit A ».
L’actuariat utilise « A01 ».
La comptabilité utilise encore une autre codification.
Chaque direction comprend parfaitement son propre langage.
Le problème apparaît quand les données doivent être rapprochées.
Pierre Lafitte évoque dans l’épisode des situations où un produit était correctement géré d’un côté, mais ne redescendait pas correctement en comptabilité à cause d’un problème de référentiel.
C’est précisément le rôle du master data management.
Il ne s’agit pas nécessairement d’imposer un système informatique unique.
Il s’agit d’établir un langage commun.
Exemple simple
Un référentiel produit central peut permettre d’associer :
Système | Code local | Référentiel commun |
Gestion | AUTO42 | PROD001 |
Comptabilité | 753-A | PROD001 |
Actuariat | MOTOR_01 | PROD001 |
Les systèmes continuent de fonctionner.
Mais l’entreprise sait que ces trois références représentent la même réalité.
ERP unique ou référentiel commun ?
Jonathan Plateau se montre particulièrement sceptique vis-à-vis du fantasme de l’ERP unique.
Son approche est différente : plutôt que d’essayer de remplacer l’ensemble des systèmes, il recommande de travailler sur les référentiels et les mappings.
Pour de nombreux assureurs confrontés à l’héritage de plusieurs systèmes, acquisitions ou portefeuilles historiques, cette approche est particulièrement concrète.
5. Construire un plan de contrôle réellement métier
Détecter qu’un champ est vide est utile.
Mais cela ne suffit pas.
La donnée peut être techniquement valide tout en étant économiquement absurde.
C’est là que les contrôles métier prennent toute leur importance.
Dans l’épisode, plusieurs exemples sont proposés :
contrôle de format ;
contrôle de longueur ;
détection de valeurs atypiques ;
rapprochement avec la période précédente ;
vérification des répartitions par garantie ;
contrôle de cohérence entre primes, contrats et sinistres ;
comparaison entre plusieurs sources.
Contrôle technique et contrôle métier
Prenons un exemple.
Un champ « âge » contient la valeur 187.
Techniquement :
le champ n’est pas vide ;
le format numérique est correct.
Métier :
la donnée est évidemment aberrante.
C’est pour cette raison que les professionnels opérationnels doivent participer à la définition des règles de qualité.
La DSI sait contrôler la structure.
Le métier sait déterminer si le résultat a du sens.
Bonne pratique
Chaque contrôle devrait idéalement préciser :
son objectif ;
sa règle ;
son propriétaire ;
sa fréquence ;
son seuil de tolérance ;
la procédure en cas d’anomalie ;
et la preuve de son exécution.
6. Maîtriser les données externes
L’assurance fonctionne rarement en circuit fermé.
Courtiers.
Délégataires.
Gestionnaires.
Filiales.
Prestataires.
Réassureurs.
Tous peuvent produire des données nécessaires à l’assureur.
Or ces flux créent une difficulté supplémentaire : l’organisme ne contrôle pas directement la manière dont la donnée a été générée.
L’ACPR souligne depuis plusieurs exercices que les données externes constituent un point d’attention. Son analyse de l’enquête 2022 indiquait notamment que leur niveau de maîtrise était inférieur à celui des données gérées en propre par les organismes.
La synthèse publiée en 2025 insiste également sur la nécessité de couvrir davantage les données provenant de prestataires externes dans les indicateurs de qualité.
Dans l’épisode, Pierre Lafitte recommande notamment de pouvoir repartir aussi près que possible de la donnée brute lorsqu’un fournisseur externe intervient, afin de mieux comprendre les traitements appliqués.
À retenir : Externaliser la production d’une donnée ne signifie pas externaliser la responsabilité de sa qualité.
7. Sécuriser les migrations de données
« Nous allons changer d’outil, le problème sera réglé. »
C’est probablement l’une des phrases les plus dangereuses dans un projet de transformation.
Une migration ne nettoie pas spontanément les problèmes historiques.
Elle peut même les amplifier.
Jonathan Plateau le rappelle clairement : le nouvel outil ne corrigera pas les problèmes qui n’ont pas été traités en amont.
Pourquoi une migration est-elle risquée ?
À chaque migration, il faut :
extraire ;
transformer ;
mapper ;
transcoder ;
charger ;
contrôler.
Chaque étape peut modifier la donnée.
Pierre Lafitte insiste également sur la conservation des contrôles réalisés pendant les reprises. Son expérience d’auditeur l’amène à constater que ces éléments ne sont pas toujours conservés. Au fil de plusieurs migrations, l’historique peut alors se dégrader et la compréhension du portefeuille diminuer.
Cette question est particulièrement sensible en assurance.
Certains contrats ou sinistres vivent sur des horizons très longs.
Une donnée apparemment ancienne peut donc encore avoir une importance économique ou prudentielle plusieurs années plus tard.
Checklist migration
Avant toute migration, il faut notamment :
inventorier les données critiques ;
définir les mappings ;
documenter les règles de transcodification ;
conserver les contrôles de reprise ;
rapprocher source et cible ;
tester l’historique ;
vérifier les exceptions ;
conserver la piste d’audit.
8. Documenter le data lineage
Le data lineage, ou lignage des données, consiste à retracer le chemin parcouru par une donnée.
D’où vient-elle ?
Quels systèmes a-t-elle traversés ?
Quelles transformations lui ont été appliquées ?
Où arrive-t-elle ?
Prenons un indicateur prudentiel.
Le chiffre final peut être parfaitement calculé.
Mais si personne n’est capable d’expliquer comment la donnée est passée de la source au reporting, la maîtrise reste incomplète.
L’ACPR relevait déjà dans son analyse de l’enquête 2022 que les cartographies étaient souvent incomplètes et que le lignage n’était pas documenté dans son intégralité.
Jonathan Plateau résume le problème avec une logique d’auditeur : difficile de valider un chiffre si l’on ignore comment il est passé d’un point A à un point B.
Le data lineage n’est donc pas uniquement une documentation IT.
C’est une piste d’audit de la donnée.
Qualité des données et IA : faut-il commencer par les fondamentaux ?
La discussion prend ensuite un virage particulièrement actuel.
Jonathan Plateau adopte une position volontairement à contre-courant :
« Je ne fais pas de l’IA. Je fais de la data. »
Le message n’est pas de rejeter l’intelligence artificielle.
Il consiste à rappeler un préalable : une technologie d’analyse ne rend pas spontanément fiable l’information qu’elle reçoit.
Garbage in, garbage out
Le principe est ancien.
Si les données d’entrée sont mauvaises, le résultat peut l’être également.
L’IA peut accélérer :
la documentation ;
la recherche ;
la veille réglementaire ;
l’analyse ;
la détection d’anomalies ;
ou l’assistance aux métiers.
Pierre Lafitte cite notamment l’intérêt possible de l’IA pour la documentation, la veille ou l’aide à la compréhension de certains contrôles.
Mais elle ne dispense pas de maîtriser :
les référentiels ;
les règles métier ;
la source ;
les droits d’accès ;
la confidentialité ;
la qualité des données.
Il existe donc un ordre logique :
Comprendre la donnée ;
Fiabiliser la donnée ;
Gouverner la donnée ;
Exploiter la donnée ;
Accélérer avec l’IA.
Pas l’inverse.
Un cas concret : passer d’une logique de correction à une logique de prévention
L’un des passages les plus intéressants de l’épisode vient du retour d’expérience de Jonathan Plateau lors de l’intégration de Zodiac chez Safran.
L’objectif était notamment de réduire le délai de clôture.
Le problème identifié : une part importante du temps était consommée par les retraitements manuels.
La réponse a consisté à retravailler les référentiels, mettre en place une logique de master data et appliquer progressivement des contrôles.
Jonathan indique que leur estimation de la qualité des données serait passée d’environ 68 % à 95 % en neuf mois. Il précise lui-même qu’il s’agissait de calculs approximatifs issus de cette expérience : il faut donc considérer ces chiffres comme son retour d’expérience et non comme un benchmark sectoriel.
L’enseignement est plus intéressant que le chiffre.
Les équipes ont progressivement corrigé les anomalies avant la clôture.
C’est exactement la logique recherchée en QDD :
moins de corrections tardives, davantage de prévention.
Ce qu’il faut retenir
La qualité des données en assurance ne repose pas sur un outil unique. Elle résulte d’une combinaison de gouvernance, de processus, de contrôles et de culture.
Les principales bonnes pratiques sont les suivantes :
Corriger les anomalies à la source, plutôt que multiplier les retraitements en fin de chaîne ;
Faire de la QDD un sujet de direction, avec des indicateurs remontant aux instances de gouvernance ;
Maintenir un dictionnaire de données vivant, centré sur les données critiques ;
Créer des référentiels communs entre gestion, actuariat, finance et systèmes ;
Définir des contrôles métier, pas uniquement des validations techniques ;
Surveiller les données externes, notamment celles issues des délégataires et prestataires ;
Traiter les migrations comme de véritables projets data ;
Documenter le data lineage, pour comprendre chaque transformation ;
Conserver la connaissance métier, afin qu’elle ne disparaisse pas avec les collaborateurs ;
Fiabiliser les données avant de vouloir industrialiser l’IA.
Le message final de l’épisode pourrait finalement tenir en une phrase :
« La donnée, ça doit vraiment être un actif stratégique. »
La qualité des données en assurance n’est plus seulement une problématique de reporting prudentiel.
Elle influence la tarification, les calculs actuariels, la compréhension des risques, les décisions de management, les migrations de systèmes et désormais les projets d’intelligence artificielle.
Les travaux de l’ACPR montrent d’ailleurs que le marché progresse, tout en conservant des marges d’amélioration sur la gouvernance, les données externes, le lignage ou encore l’implication des instances dirigeantes.
La maturité ne consiste donc pas à posséder le plus grand nombre de fichiers, de contrôles ou d’outils.
Elle consiste à pouvoir répondre à trois questions simples :
D’où vient mon chiffre ? ;
Puis-je expliquer son cheminement ? ;
Suis-je suffisamment sûr de sa qualité pour prendre une décision dessus ?
Retrouvez l’intégralité de cet échange avec Jonathan Plateau et Pierre Lafitte dans Assurance en coulisses, disponible sur Spotify, Apple Podcasts, YouTube et les principales plateformes d’écoute.
Vous pouvez contacter mes invités :
FAQ
Qu’est-ce que la qualité des données en assurance ?
La qualité des données en assurance désigne la capacité d’un organisme à disposer de données exactes, complètes, cohérentes, pertinentes et traçables. Elle concerne notamment les données utilisées pour la tarification, la gestion des contrats, les sinistres, l’actuariat, la comptabilité et les calculs prudentiels.
Pourquoi la qualité des données est-elle importante sous Solvabilité II ?
Solvabilité II exige notamment que les données utilisées pour le calcul des provisions techniques soient appropriées, complètes et exactes. Une mauvaise qualité peut fragiliser les calculs prudentiels, le reporting réglementaire et la compréhension du profil de risque de l’assureur.
Qu’est-ce qu’un dictionnaire de données en assurance ?
Un dictionnaire de données décrit les données utilisées par l’organisme : définition, origine, propriétaire, fréquence de mise à jour, utilisation et contrôles associés. Il contribue à créer un langage commun entre les métiers et facilite la traçabilité des informations.
Qu’est-ce que le data lineage ?
Le data lineage, ou lignage des données, retrace le parcours d’une donnée depuis son système source jusqu’à son utilisation finale. Il permet d’identifier les transformations, interfaces et traitements appliqués et facilite les contrôles, les investigations et l’audit.
Quels contrôles mettre en place pour améliorer la qualité des données ?
Les contrôles peuvent porter sur la présence d’une donnée, son format, sa cohérence, ses valeurs atypiques, sa concordance avec d’autres sources ou son évolution par rapport aux périodes précédentes. Les règles doivent être adaptées au métier et pas seulement à la structure informatique du fichier.
Quelle différence entre data quality et master data ?
La data quality concerne la fiabilité des données. Le master data management organise les référentiels structurants de l’entreprise, comme les produits, clients, garanties ou codes comptables. Un bon référentiel contribue fortement à améliorer la qualité globale des données.
Une migration informatique améliore-t-elle automatiquement la qualité des données ?
Non. Une migration peut même dégrader la qualité si les référentiels, mappings et contrôles ne sont pas correctement préparés. Les données historiques, les transformations et les rapprochements entre source et cible doivent être documentés et testés.
L’intelligence artificielle peut-elle améliorer la qualité des données ?
Oui, l’IA peut contribuer à détecter certaines anomalies, faciliter la documentation ou accélérer l’analyse. Mais elle ne remplace pas la gouvernance, les règles métier et les contrôles. Une donnée insuffisamment maîtrisée peut limiter la fiabilité des résultats produits par l’IA.
Pour approfondir le sujet, si vous avez 45 min, regardez mon dernier webinaire avec Pierre Lafitte sur la qualité des données : Faire de la conformité réglementaire un levier stratégique
📚 RECOMMANDATIONS
Écoutez la Playlist des invités sur Spotify.
💪 DONNEZ DE LA FORCE
1. Abonnez-vous 🔔 pour ne rien manquer.
2. Laissez 5 ⭐️ ou un avis ici 🙏
5. Visitez mon site web
📖 CHAPITRES
00:00:00-Générique d’intro
00:01:19-Présentation
00:03:53-Question signature
00:05:42-Comment réussir à ancrer une véritable culture de la donnée dans les organismes d'assurance ?
00:11:10-Les points essentiels de l’enquête ACPR sur la qualité des données
00:12:46-Partage d’expérience : gestion de la donnée
00:19:38-Comprendre le lien entre cartographie des risques et dictionnaire de donnée
00:21:16-Quels outils choisir pour votre qualité des données ?
00:24:45-Les bonnes pratiques de qualité des données
00:27:14-Comment utiliser l’intelligence artificielle dans la data ?
00:31:12-Migration de données
00:35:48-Question signature : let’s Dance
00:37:01-Help Me ! Besoin business
00:38:01-Les mots de la fin
00:40:02-Générique de fin
🎧 Bonne écoute à toustes !
Vous souhaitez sponsoriser Assurance en Coulisses ou proposer un partenariat ?
Contactez-moi via ce formulaire
Commentaires