Comment Groupama exploite la voix du client grâce à l’IA pour transformer sa relation client

Dans le secteur de l’assurance, la relation client revêt une importance particulière : les assurés contactent souvent leur compagnie dans des moments sensibles, liés à des sinistres, des remboursements ou des situations d’urgence.

Chez Groupama, le Centre de Relation Client constitue ainsi un levier clé de satisfaction et de fidélisation. Pourtant, les outils traditionnels de mesure de satisfaction présentaient plusieurs limites : faible taux de réponse aux enquêtes, retours peu représentatifs et difficulté à identifier rapidement les irritants réels rencontrés par les clients.

L’ambition du projet était donc de changer d’approche :

aller chercher directement la voix du client au cœur des échanges téléphoniques, sans lui ajouter de démarche supplémentaire.

L’objectif était double :

• mieux comprendre les motifs d’insatisfaction,
• transformer ces informations en actions concrètes pour les équipes métier.

Valoway a accompagné Groupama dans la conception d’une solution IA pragmatique et industrialisable, combinant :

• NLP (Natural Language Processing),
• IA générative,
• analyse de sentiments,
• intégration CRM et outils métier.

Le projet s’est appuyé sur plusieurs briques technologiques complémentaires :

• Whisper pour la transcription des appels,
• CamemBERT pour la détection des appels insatisfaits,
• Mistral fine-tuné pour les résumés automatiques et l’identification des motifs d’insatisfaction.

Une attention particulière a également été portée :

• à la conformité RGPD,
• à la maîtrise des coûts techniques,
• et à l’utilisation raisonnée de modèles open source afin de conserver une approche souveraine et maîtrisée.

Le choix technologique a ainsi reposé sur une logique simple : utiliser le bon modèle selon le besoin métier, sans recourir systématiquement à l’IA générative.

Le projet s’est structuré autour de plusieurs étapes clés.

1. Préparation et sécurisation des données

Les appels téléphoniques ont d’abord été préparés et anonymisés :

• suppression des silences,
• conservation uniquement de la piste client,
• transcription automatique des échanges.

Cette approche a permis de répondre rapidement aux enjeux RGPD tout en limitant les impacts organisationnels.

2. Détection des appels insatisfaits

Un modèle CamemBERT fine-tuné a été entraîné à partir d’appels labellisés manuellement afin d’identifier automatiquement les conversations contenant des signes de mécontentement.

3. Génération de résumés automatiques

Plusieurs modèles génératifs ont été testés avant de retenir Mistral fine-tuné, capable de produire des synthèses claires et directement exploitables par les équipes métier.

4. Identification des motifs d’insatisfaction

Un important travail de structuration des labels métier a été réalisé afin d’identifier précisément :

• les sujets concernés,
• les problèmes rencontrés,
• les signaux faibles récurrents.

5. Activation métier

Les résultats ont ensuite été intégrés dans les outils CRM et les interfaces managériales afin de :

• tracer automatiquement les appels sensibles,
• proposer des actions commerciales,
• améliorer la formation des conseillers,
• piloter les motifs d’insatisfaction dans le temps.

Le projet a été mené en forte collaboration avec les équipes métier, dans une logique itérative mêlant expérimentation IA et validation terrain.

Résultats obtenus

Le projet a permis :

• une réduction de 50 % du temps passé par les managers à identifier les appels utiles à la formation,
• l’automatisation du suivi des appels insatisfaits,
• une meilleure réactivité des équipes commerciales grâce aux actions CRM automatisées,
• une vision consolidée des principaux motifs de mécontentement client,
• une amélioration du pilotage des irritants et des plans d’action associés.

Les équipes disposent désormais d’une base exploitable pour mieux comprendre les attentes clients et prioriser les améliorations.

Prochaines étapes

Les prochaines évolutions envisagées portent sur :

• l’enrichissement des analyses conversationnelles,
• l’extension à d’autres canaux de communication,
• le développement de nouveaux usages de pilotage et d’assistance métier,
• l’amélioration continue des modèles grâce aux retours terrain.