Реальные примеры использования науки о данных в страховой отрасли

Изучение примеров применения науки о данных в цепочке создания стоимости страхования

Страховой сектор является одной из крупнейших отраслей в мире по величине валовых премий, масштабам инвестиций и его повсеместной роли в обществе в покрытии личных и коммерческих рисков.

Огромный размер отрасли приносит множество данных и возможностей для бизнеса, прокладывая путь для науки о данных, чтобы приносить огромную пользу.

Хотя использование данных не является чем-то новым в страховой отрасли, многие страховщики начали новую цифровую трансформацию и преобразование данных для создания конкурентных преимуществ.

Вместо обычных гипотетических описаний, которые можно увидеть в Интернете, в этой статье используются примеры из реальной жизни, чтобы продемонстрировать, как наука о данных применяется в цепочке создания стоимости страхования.

Содержание

Цепочка создания стоимости в страховании
(1) Разработка продукта
(2) Маркетинг
>(3) Распространение и продажи
(4) Цены и гарантия
(5) Обслуживание и администрирование
(6) Управление претензиями

Цепочка создания стоимости страхования

Страхование определяется как договор (также известный как полис), заключенный страховой компанией, по которому физическое или юридическое лицо получает финансовую защиту или возмещение от определенных убытков.

Цепочка создания стоимости относится к деятельности компании по предоставлению ценности конечному потребителю. Хотя существует множество видов страхования (например, страхование жизни, здоровья, коммерческое страхование), они имеют схожие виды деятельности по всей цепочке создания стоимости страхования.

На приведенной ниже блок-схеме показаны шесть аспектов цепочки создания стоимости страхования, которые составляют основу для сегодняшнего обсуждения.

(1) Разработка продукта

В эпоху персонализации, гибкости, скорости и возможности подключения страховщики модернизируют ассортимент своих продуктов, чтобы соответствовать ожиданиям предложений, ориентированных на потребителя.

Этот сдвиг предполагает переход от ориентированных на продукт подходов к подходам, основанным на клиентском опыте и данных.

(i) Поведенческая экономика — телематика здравоохранения

• Такие страховые компании, как Blue Shield Blue Cross и John Hancock Financial, запустили программы здоровья и хорошего самочувствия, которые отслеживают данные о физической форме клиентов с помощью умных носимых устройств. Клиенты получают выгоду за счет вознаграждений (в зависимости от уровня активности) и подталкивания к здоровым привычкам. Кроме того, страховщики могут использовать более четкое представление об образе жизни потребителей, чтобы предоставлять персонализированные предложения и специализированные услуги с помощью более совершенных моделей риска и мотивации ML.

(ii) Страхование на основе использования с Интернетом вещей

• Программа Progressive’s Snapshot персонализирует ставки автострахования на основе поведения вождения, а это означает, что клиенты платят в зависимости от того, как и сколько они водят, а не только из традиционных факторов (например, возраста, пола). Клиенты с безопасным стилем вождения могут получить льготные тарифы.

• Хотя телематика не нова, разработка и интеграция новых встроенных датчиков IoT помогли генерировать более богатые и большие объемы данных для более точного моделирования.
• Полезность IoT выходит за рамки автомобильного бизнеса и распространяется на другие области (например, умное наблюдение за недвижимостью от Neos) для лучшего понимания, оценки рисков и взаимодействия с клиентами.

(2) Маркетинг

Поскольку клиенты все больше разбираются в цифровых технологиях и требуют индивидуальных предложений, недифференцированные маркетинговые кампании уже не так эффективны.

Эта тенденция также является причиной того, что страховщики используют подход персонализированного цифрового маркетинга, который включает в себя привлечение нужных клиентов в нужное время с помощью целевых онлайн-сообщений и ценообразования.

Такие оптимизированные маркетинговые кампании обеспечивают активное взаимодействие с клиентами и высокую окупаемость маркетинговых расходов.

• Coverfox отслеживает использование веб-сайта, чтобы предлагать персонализированную онлайн-рекламу, тем самым помогая повысить видимость и запоминаемость благодаря релевантным сообщениям. Одной из особенностей является то, что когда пользователь покидает веб-сайт после получения предложения, система фиксирует данные об уровне предложения (например, модель автомобиля) для показа последующей персонализированной рекламы.
• Доход с использованием расширенной сегментации и машинного обучения (ML), разработанный на основе данных о трафике веб-сайта и цифровых взаимодействиях для повышения эффективности маркетинга. Целевые кампании, основанные на клиентских сегментах, позволили снизить затраты на привлечение и повысить рейтинг кликов.

Сегментация клиентов

• «Национальная страховая компания США использовала систему сегментации PersonaLive от Spatial AI, чтобы персонализировать свои текущие маркетинговые точки соприкосновения и стратегически расширить свою аудиторию, что привело к более высоким коэффициентам открытия и коэффициентам конверсии. Полученные данные имели решающее значение для выявления незадействованных сегментов клиентов с высокими расходами, а также сегментов с высоким уровнем оттока клиентов.

Маркетинг событий жизни

• Поскольку значимые жизненные события (например, рождение ребенка) мотивируют покупку, ведущая страховая компания использовала маркетинговое решение Speedon для выявления клиентов в решающие моменты жизни и предоставления им рекламных предложений. Эти кампании, основанные на триггерах этапов жизни, помогли страховой компании создать более 4000 новых и сохраненных полисов.

(3) Распространение и продажи

Несмотря на то, что существуют различные каналы распределения страховых услуг (например, агентские, брокерские, прямые), ключевой целью по всем направлениям является эффективная продажа нужных продуктов нужным клиентам.

Кросс-продажи/допродажи лидогенерации

• Ведущий страховщик работал с Bain & Company над запуском перекрестных продаж для выявления потенциальных клиентов с высокой склонностью к покупке дополнительных полисов. Страховая компания обучила модели машинного обучения на данных из профилей клиентов за десять лет, триггерных событиях для дополнительных продаж продуктов и динамике владения продуктом во времени. В результате потенциальный доход увеличился на 25%.
• Мюнхен Ре построила модели перекрестных и дополнительных продаж для повышения эффективности продаж и маркетинга, что привело к пятикратному увеличению конверсии для сегментов клиентов с наибольшей (потенциальной) ценностью. Модели, используемые для выявления и прогнозирования индивидуальных предпочтений, основывались на данных об истории покупок клиента.

Механизмы рекомендаций

• Помимо модели перекрестных продаж, Эдельвейс Токио Страхование жизни разработала рекомендательную модель, которая определяет, какие полисы лучше всего подходят для их потенциальных клиентов. Используя этот механизм рекомендаций следующее лучшее предложение для ранжирования и рекомендации трех лучших полисов для каждого потенциального клиента, страховая компания увеличила показатели перекрестных продаж на 200% по сравнению с предыдущим годом.
• Clearcover запустила инструмент SmartCover на основе машинного обучения, который рекомендует клиентам более простые, индивидуальные пакеты автострахования, чтобы водители могли получить покрытие, которое наилучшим образом соответствует их потребностям, по более низкой цене.

(4) Ценообразование и андеррайтинг

Модели машинного обучения, основанные на обширных источниках данных, позволили страховщикам повысить эффективность и точность процессов, которые раньше в основном основывались на правилах, таких как андеррайтинг и ценообразование.

Такие достижения обусловлены более точной оценкой риска клиентов за счет доступа к внутренним и внешним данным об их профилях и поведении.

Автоматизированный интеллектуальный андеррайтинг

• Swiss Re создала прогностические модели машинного обучения, которые эффективно сортируют андеррайтинг Life & Health, чтобы упростить путь потребителя за счет сегментации клиентов на основе уровней риска. Помимо улучшения качества обслуживания клиентов, эта возможность позволила им лучше управлять претензиями и резервами.
• AXA разработала модели машинного обучения, чтобы сократить время и усилия, затрачиваемые андеррайтерами на точную оценку премий за риск для коммерческих клиентов (например, морских судов, малых и средних предприятий). Повышение эффективности процесса андеррайтинга помогло андеррайтерам сэкономить ценные человеко-часы для работы с более сложными рисками.

Динамическое ценообразование

• McKinsey сообщила, что несколько страховщиков жизни в Японии переходят на график премий плати, пока живешь с динамическим ценообразованием. Например, клиенты, которые регулярно ведут здоровый образ жизни (например, занимаются спортом и посещают медицинские осмотры), получают индивидуальные более низкие страховые взносы.
• Root Insurance использовала модели машинного обучения, основанные на данных о вождении (например, сигналы о резком торможении, отвлеченном вождении и т. д.), чтобы предлагать премиальные ставки в зависимости от того, насколько безопасно (или рискованно) вождение клиентов.

(5) Обслуживание и администрация

Проблема обеспечения первоклассного обслуживания клиентов в рамках сервисной поддержки заключается в том, что ее может быть трудно масштабировать или поддерживать согласованность.

К счастью, наука о данных открыла страховщикам новые возможности для эффективного понимания, привлечения, удовлетворения и удержания потребителей.

Разговорный ИИ-помощник

• Accenture внедрила интеллектуальную виртуальную помощь для многочисленных глобальных страховых компаний с помощью собственного чат-бота с искусственным интеллектом Cathy. Чат-бот был обучен обрабатывать 70% запросов и запросов на обслуживание, таких как статус выдачи и статус претензии.
• Одна из крупнейших страховых компаний США, занимающихся страхованием имущества и несчастных случаев, использовала Amelia (разговорный чат-бот) для взаимодействия с агентами-людьми. Цель состоит в том, чтобы предоставить интеллектуальную помощь агентам (например, руководства по таким процедурам, как изменение покрытия), чтобы быстро и точно отвечать на запросы клиентов. Амелия позволила страховой компании сократить продолжительность звонков клиентам, увеличив количество запросов, решаемых с первого звонка.

Обработка документов

• «AXA CZ/SK совместно с Rare Technologies разработала модель, которая автоматически извлекает поля данных из входящих неструктурированных отсканированных рукописных документов. Цель состоит в том, чтобы повысить административную эффективность и снизить стоимость человеческого труда. Окончательное решение представляет собой полностью адаптированное высокоточное решение для глубокого обучения специально для документов AXA.

Прогноз оттока клиентов

• Мюнхен Ре внедрила модели оттока, чтобы предсказать вероятность отказа клиентов от услуг компании в последующие месяцы. В сочетании с пожизненной ценностью клиентов компания увеличила удержание своих самых ценных клиентов на 3–5%.
• По данным McKinsey, крупная европейская страховая группа разработала модель машинного обучения для прогнозирования оттока клиентов. Модель, основанная на соответствующих функциях, таких как сумма страховых взносов и срок пребывания в должности, может выявлять клиентов, которым больше всего грозит уход, тем самым позволяя сосредоточить усилия на их удержании. В результате темпы продления увеличились на 7 процентных пунктов, а прибыль — на целых 5 процентов.

(6) Управление претензиями

Традиционно процесс рассмотрения претензий считается длительным и ручным, что приводит к разочарованию всех заинтересованных сторон (например, обработчиков претензий, мастерских, клиентов).

В последние годы страховщики изучили использование науки о данных для оптимизации этого процесса. Помимо создания плавного процесса, обеспечивающего удовлетворенность клиентов, страховщики также стремятся сократить расходы и уменьшить количество мошеннических претензий.

Обработка претензий

• Tractable использует компьютерное зрение для оценки изображений повреждений автомобиля и оценки стоимости ремонта. Эта визуальная оценка повреждений с помощью искусственного интеллекта помогла ускорить рассмотрение претензий и уменьшить трения в процессе. В результате время цикла автострахования сокращается в десять раз, а 70% требований рассматриваются без участия человека.
• «Allstate, американская страховая компания, работала с Super.Ai над созданием системы компьютерного зрения для масштабирования обработки претензий по автомобилям. В результате страховая компания могла просмотреть тысячи изображений и видеозаписей повреждений автомобиля и ускорить процесс урегулирования претензий с недель до дней.
• Aetna создала систему машинного обучения с автоматическим вынесением решений, которая повысила эффективность и точность разрешения претензий, что привело к ежегодной экономии 6 миллионов долларов на затратах на обработку и доработку. Система сочетает в себе обработку естественного языка, методологию анализа неструктурированного текста и программное обеспечение базы данных для определения атрибутов платежа и создания данных, которые системы могут автоматически считывать.

Обнаружение мошенничества

• Mitsui Sumitomo Insurance работала с Shift Technology над внедрением облачной модели обнаружения мошенничества для выявления мошеннических требований среди миллионов обрабатываемых ежегодно требований. Решение позволило страховщику ускорить реагирование на внесение изменений в процесс работы с претензиями, а также добиться более быстрых выплат по страховым случаям.
• Бот по претензиям Lemonade (AI Jim) имеет встроенные в систему превосходные возможности обнаружения мошенничества с претензиями. Хотя система может автоматически обнаруживать мошенничество с высокой точностью, она также помечает сложные случаи для дальнейшего рассмотрения человеком. Система мошенничества построена на принципах интеграции данных внутри компании, полностью цифрового процесса рассмотрения претензий и расширенного моделирования машинного обучения.

Завершение

Мы видели, как наука о данных положительно влияет на страховой сектор, на реальных примерах.

Хотя упомянутые выше варианты использования не являются исчерпывающими, они служат ценной отправной точкой для понимания применения науки о данных в цепочке создания стоимости страхования.

Если вы знаете другие полезные примеры, поделитесь ими в разделе комментариев. Я был бы рад услышать об этом!

Перед тем, как ты уйдешь

Я приветствую вас, присоединяйтесь ко мне в изучении науки о данных! Подпишитесь на эту страницу Средний и загляните на мой GitHub, чтобы оставаться в курсе более интересного контента по науке о данных. А пока получайте удовольствие от внедрения науки о данных в страховании!

Примечание. Автор работает специалистом по данным в одной из ведущих мировых страховых компаний.

Подпишитесь на DDIntel Здесь.

Присоединяйтесь к нашей сети здесь: https://datadriveninvestor.com/collaborate