Big Data – это основа бизнеса страховых компаний, работа которых полностью основана на информации: статистике, сведениях о клиентах, страховых случаях и вероятностях их наступления, а также финансовой оценке всех этих данных. Читайте в нашей сегодняшней статье, как «большая тройка» современных информационных технологий (большие данные, машинное обучение и интернет вещей) увеличивают прибыль страховщиков, прогнозируя потребности текущих и находя новых клиентов, а также уменьшают их затраты, сокращая выплаты по мошенническим операциям.
Зачем страховщикам Big Data, Machine Learning и Internet of Things
Цифровизация захватила и сектор страхования: страховые компании стремятся стать data-driven организациями. Широкая продуктовая линейка и обилие информации обусловливают использование страховщиками технологий Big Data, Machine Learning и Internet of Things в следующих направлениях:
- персонализация страховых полисов;
- оценка рисков при формировании страховых тарифов;
- предупреждение страховых случаев;
- борьба с мошенничеством (антифрод, anti-fraud);
- автоматизация рутинных процессов и операций.
Применение аналитических технологий Big Data и Machine Learning более чем оправдано, поскольку в страховом бизнесе решения принимаются с учетом предыдущей истории и на основании множества входных данных. Далее мы приведем несколько примеров по каждому из указанных направлений.
Big Data для персонализации страховых полисов
Анализируя большие данные о поведении клиента, можно заблаговременно предложить ему подходящий страховой продукт. Например, если человек интересуется отелями и расписанием авиарейсов, ему, наверняка, актуальны страховки для туристов. А тому, кто просматривает сайты с объявлениями о продаже квартир, возможно, понадобятся услуги страхования недвижимости. При этом страховое предложение может формироваться индивидуально, как при расчете цены полисов по КАСКО и ОСАГО [1]. Подробнее про персонализацию маркетинговых предложений и монетизацию Big Data мы уже писали здесь.
Machine Learning для оценки страховых рисков
При формировании страховых тарифов используется техника андеррайтинга – расчета вероятности наступления страхового случая и оценка потенциального риска. Решение принимается на основе анализа множества параметров: сведениях о страхователе, объекте страхования, статистике наступления страховых случаев в аналогичных ситуациях и т.д. Модели Machine Learning позволяют учитывать все входные данные и точно определять цену страхового контракта для каждого клиента в отдельности [2].
В частности, германская страховая компании Allianz SE, одна из ведущих финансовых корпораций в мире, использует машинное обучение для котировок ДМС новых корпоративных клиентов. Дополнительным преимуществом стали большие данные, полученные и накопленные при интерпретации результатов модели, включая выявление новых признаков и закономерностей [3].
Интернет вещей для предупреждения страховых случаев
Internet of Things позволяет получить больше сведений об объекте страхования, в т.ч. в режиме онлайн. Например, американские страховые компании пришли к выводу, что данные с автомобильных сенсоров и датчиков помогают в 4 раза точнее предсказать вероятность возникновения аварии и даже иногда предупредить ее [1].
Благодаря IoT страховщики получают еще больше данных, что делает возможным не только статистическую (постфактум), но и предиктивную аналитику, предсказывая вероятность событий и моделируя потенциальные риски. Такой количественный и качественный анализ информации о страхуемых объектах способствует появлению новых страховых продуктов, услуг и методов работы, а также развитию отрасли в целом. В частности, интересен опыт стартапа Neos, который совместно со страховыми компаниями AVIVA (Великобритания) и Munich Re (Германия), совмещает интернет вещей со страхованием недвижимости. Разработанное приложение позволяет удаленно управлять всеми системами «умного» дома, предупреждая хозяев о потенциальных рисках. Датчики дыма, огня, газа, водных протечек и несанкционированного вторжения, оперативно передают информацию на сервер, где она анализируется в автоматическом режиме. При выявлении опасных ситуаций, например, если хозяева оставили незапертой входную дверь или начала протекать труба под раковиной, страхователь немедленно получит уведомление об том на свой мобильный телефон. Своевременное устранение угрозы позволит предупредить наступление страхового случая, что выгодно и страховщику, и страхователю [4].
Машинное обучение в антифрод-системах медицинского страхования
Прибыль страховой компании напрямую зависит от затрат на возмещение по страховым случаям, поэтому для страховщиков критически важно выявлять мошеннические операции, чтобы не платить по ним. Из-за огромного объема данных исследовать каждый страховой случай вручную невозможно, поэтому на помощь приходит машинное обучение. Алгоритмы автоматически анализируют данные по страховым случаям, определяя аномалии, которые характерны для мошеннических действий.
Это позволило вышеупомянутой страховой компании Allianz SE более чем в 2 раза снизить риск неоправданных услуг медицинского страхования за счет оперативной проверки счетов до их оплаты, а не после. Аналитическая система на базе Machine Learning проверяет каждый счет из медицинского учреждения, отбирая страховые случаи, которые могут содержать потенциально мошеннические действия или имеют признаки отклонений от общепринятых норм ведения пациентов. Работа программы основана на анализе данных за несколько лет и обработке более 100 признаков страхового случая. В отличие от экспертных систем с четкими и заранее сформулированными правилами, машинное обучение использует исторические сведения и выявляет неявные закономерности. В результате компания существенно облегчила работу своих экспертов и сократила затраты [3].
Аналогичным опытом делится страховая группа «СОГАЗ», которая внедрила Machine Learning в медицинское страхование в 2018 году, чтобы повысить качество лечения застрахованных и сэкономить до 500 миллионов рублей в ближайшие 2 года благодаря автоматизированному анализу счетов из лечебных учреждений. Система обрабатывает входящие в счета за медицинские услуги, определяя среди них подозрительные с точки зрения лечебной практики. Также выявляются случаи недостаточного и необоснованного превышения объёма помощи, несоответствия программе страхования, приписки к счетам и т.д. Это сокращает нагрузку на врачей-экспертов, а страховщик тратит меньше ресурсов [5].
Автоматизация и оптимизация текущих бизнес-процессов
В этом направлении страховые компании используют технологии Big Data, Machine Learning и Internet of Things без привязки к какой-либо специфике своей деятельности, например, для хранения и обработки информационных потоков, распознавания речи, текстов и изображений. В частности, «СОГАЗ» планирует внедрение Machine Learning для распознавания тендерных запросов и клиентских потребностей при обращении в колл-центр, заменяя операторов интеллектуальными «чат-ботами» [5].
Другая страховая компания использует машинное обучение для автоматического распознавания документов произвольного формата и структуры, что позволило страховщику на 80% сократить расходы на этот процесс. А один из лидеров автоэкспертных услуг использует Machine Learning для автоматического распознавания поврежденных деталей автомобиля и определения необходимого ремонта. Это позволило на 30% снизить время оценки ущерба, существенно сократив нагрузку на оценщиков [2].
Как увеличить свою прибыль и сократить затраты с помощью больших данных, машинного обучения и Internet of Things, узнайте на практических курсах «Аналитика больших данных для менеджеров» в нашем учебном центре для руководителей, аналитиков, архитекторов, инженеров и исследователей Big Data в Москве.
Источники
[…] потребителей [2], а страховые компа&… индивидуальные […]