Как с помощью ML улучшить страховой бизнес. Примеры мировой практики
Любая страховая компания рассматривает современные технологии в первую очередь как инструменты для повышения операционной эффективности, снижения затрат, выявления и предотвращения мошенничества. Применение моделей машинного обучения с каждым днем становится все более популярным в страховой отрасли. Мы рассмотрели, для внедрения каких именно технологий компании с мировыми именами в области страхования в последнее время увеличивают свои ИТ-бюджеты и для чего.
Страховой андеррайтинг
Процесс андеррайтинга - это расчет вероятности несчастного случая и оценка потенциального риска для каждого клиента. Результаты этого расчета влияют на стоимость его страховки. Для этого необходимо проанализировать данные о держателе полиса, объекте покрытия страховки, статистики происшествий в аналогичных ситуациях и прочее. Ряд крупных страховых компаний уже проводят такой анализ с помощью ML.
Обслуживание клиентов
Автоматизация бизнес-процессов, связанных с работой с клиентами, значительно повышает скорость и качество обслуживания: чат-боты для регистрации первого обращения клиента, формирование персонализированных предложений по страхованию и много другое. Автоматизация процесса обработки информации и выдачи решения при наступлении страхового случая особенно актуально, когда страховые компании сталкиваются с необходимостью одновременного рассмотрения большого количества заявлений, например, в результате стихийного бедствия. Помимо этого, с помощью методов ML можно улучшить качество обслуживания в офисах (на основе данных, генерируемых датчиками), например, расставить мебель наиболее удобным образом, чтобы одновременно обслуживать большее количество клиентов.
Анализ собственности
С помощью технологий машинного обучения, компьютерного зрения и распознавания изображений страховые агенты могут оперативно и более эффективно проводить оценку. Например, когда необходимо оценить ущерб, а также определить точный размер понесенных убытков при наступлении страхового случая. При использовании технологий ML, распознающих поврежденные элементы по фотографиям, цена за их замену или ремонт определяется автоматически.
Обнаружение мошенничества
Согласно ACFE Insurance Fraud Book, убытки от действия мошенников могут составлять от 80 до 100 млрд долларов в год в развитых странах. Применение технологий ML в роли инструментов защиты от преступников значительно снижает финансовые потери. Вот только несколько способов:
-
Подтверждение заявки. Умные технологии идентифицируют одни и те же данные в разных страховых случаях, обнаруживают необычные или подозрительные связи между разными клиентами, устройствами, полисами и данными приложений. Они также анализируют исторические данные о страхователе и застрахованном имуществе;
-
Предотвращение мошенничества при регистрации претензий. В этом случае благодаря ML компании могут выявить подозрительные взаимосвязи между существующими и новыми клиентами, номерами телефонов, IP-адресами, устройствами, банковскими счетами, ремонтными мастерскими и поставщиками медицинских услуг.
-
Выявление мошенников. Технологии ML позволяют страховым компаниям получить данные о поведении клиентов и агентов и сопоставить их с ранее собранными данными о мошенническом поведении. Методы ML помогают обнаружить агентов, которые работают не так, как другие, или определить изменения в их привычном поведении, а анализ социальных сетей может выявить связь агентов с клиентами, имеющую признаки мошеннического сговора.
Внедрение технологий машинного обучения подразумевает под собой интеграцию с внутренними ИТ-системами компании. Именно поэтому вам нужна защищенная и масштабируемая ИТ-инфраструктура.
Кто уже активно использует технологии ML в мире:
Allianz SE, одна из ведущих финансовых корпораций в мире, использует машинное обучение для генерации расценок на добровольное медицинское страхование для новых корпоративных клиентов.
Manulife, одна из крупнейших канадских страховых компаний, использует передовые технологии для обработки данных более 26 млн клиентов по всему миру.
Ping An Property Casualty Insurance, китайская страховая компания, использует технологии анализа данных и распознавания изображений для выявления скрытых рисков и эффективной оценки убытков. За счет технологий ML Ping An сократило время обработки претензий до трех минут.
Progressive, американская корпорация, специализирующаяся на страховании транспортных средств, внедрила алгоритмы машинного обучения для прогнозирования вероятности автомобильных аварий с участием потенциальных клиентов. Мобильное приложение, подключаемое к транспортным средствам, Snapshot собирает и анализирует данные о качестве вождения.
Команда компании "Онланта"
