ML для улучшения оценки рисков в Insurtech

Традиционные методы оценки рисков в страховании могут быть трудоемкими и подверженными ошибкам. Они не всегда учитывают все критерии, определяющие характеристики и стоимость конкретного страхового плана. Машинное обучение (МО) открывает новые возможности для страховых специалистов по обновлению оценки рисков, какой мы ее знаем.

Используя более широкий пул данных, включая данные датчиков, генерируемые устройствами IoT, неструктурированные данные, существующие в форме нередактируемых документов и графики, и даже сообщения в социальных сетях, страховые компании могут использовать более точный и беспристрастный подход к оценке рисков. Вот как это работает.

ИЗОБРАЖЕНИЕ: PEXELS

Традиционная и машинно-обучаемая оценка рисков в страховании

Текущее состояние оценки рисков в страховании

Агенты обращаются к различным инструментам страховых технологий (Insurtech) для оценки рисков. К ним относятся системы администрирования и андеррайтинга страховых полисов, системы управления претензиями, решения по обнаружению мошенничества и информационные системы управления рисками, среди прочего.

В зависимости от специфики решения Insurtech и типа страхования такие инструменты могут помочь оценить следующие факторы риска:

• Автострахование. Чтобы рассчитать стоимость и покрытие автострахования, агент может учитывать местонахождение человека, зарегистрированные дорожно-транспортные происшествия и нарушения, годовой пробег, тип транспортного средства и его системы безопасности, возраст водителя и многое другое.
• Страхование здоровья и жизни. Для медицинского и оздоровительного страхования в игру вступают несколько различных факторов. Страховой специалист может учитывать возраст и пол заявителя, текущее состояние здоровья и историю болезни, образ жизни и род занятий, чтобы определить условия и стоимость страхового полиса.
• Страхование собственности. Для коммерческой недвижимости список решающих факторов может включать местоположение и тип недвижимости, характер деловых операций, проводимых на этой недвижимости, а также реализованные меры безопасности. Лица, желающие застраховать жилую недвижимость, обязаны предоставить информацию о ее местоположении и близости к районам, подверженным стихийным бедствиям, включая береговые линии и поймы. Другие критерии, влияющие на стоимость страховки и покрытие, могут охватывать возраст и состояние недвижимости, тип строительных материалов, используемых при ее строительстве, наличие средств безопасности, таких как пожарная сигнализация и спринклерные системы, а также историю предыдущих претензий.

Всю эту информацию необходимо хранить, анализировать и интерпретировать с помощью инструментов Insurtech, упомянутых выше.

И вот здесь могут возникнуть трудности:

• Обилие данных. Объем и неструктурированный характер данных, имеющихся в распоряжении страховых агентов, затрудняют эффективную оценку рисков. Недавние исследования показывают, что страховые компании используют только 10–15 % информации, к которой они могут получить доступ, при оценке рисков и принятии решений об андеррайтинге.
• Устаревшие модели оценки рисков. Большинство страховых компаний не могут поддерживать свои модели оценки рисков в актуальном состоянии, не учитывая новые факторы риска. К таким факторам относятся стихийные бедствия, вызванные изменением климата (например, лесные пожары на Мауи), кибератаки, средняя стоимость которых сейчас превышает 4,45 млн долларов для средних и крупных предприятий, а также отсутствие политической и экономической стабильности во всем мире.
• Субъективность. Хотя многие аспекты оценки риска являются количественными и улучшены или частично автоматизированы с использованием традиционных инструментов Insurtech, процесс все еще включает элементы, которые полагаются на человеческое суждение, что приводит к потенциальной предвзятости и ошибке. Отсюда и различия в ценообразовании страхования и размере ответственности для одного и того же риска, которые, в зависимости от компании, могут колебаться на 24% и 233% соответственно, как в этом примере от McKinsey.

Давайте рассмотрим, как специалисты по страхованию могут смягчить эти и другие проблемы, дополнив программные решения Insurtech возможностями машинного обучения.

Как инструменты Insurtech на основе МО улучшают оценку рисков

Машинное обучение, являющееся подвидом искусственного интеллекта, обрабатывает большие объемы структурированных и неструктурированных данных и, как говорится в названии, учится на них.

Эти качества делают технологию особенно подходящей для оценки рисков, которую можно улучшить несколькими способами:

1. Точность прогноза. Используя исторические данные, модели МО могут определять страхователей, которые, скорее всего, вскоре подадут иски. Аналогичным образом, технология может прогнозировать риски на основе условий окружающей среды, принимать обоснованные решения относительно профессиональных рисков и опасностей и отражать эти опасения в страховом рейтинге заявителя. Эта информация, среди прочего, может помочь агентам разрабатывать индивидуальные планы для отдельных клиентов и групп клиентов. И сверхспособности МО выходят далеко за рамки обработки исторических данных! Например, страховщики могут считывать информацию с телематических устройств, установленных на транспортных грузовиках, и предлагать более выгодные страховые тарифы и функции для осторожных водителей. Многие страховые компании учитывают данные о физической активности и здоровье, собранные с помощью смарт-часов и фитнес-трекеров, вознаграждая клиентов, которые ведут здоровый образ жизни.
2. Обнаружение мошенничества. Мошеннические претензии являются серьезной проблемой в страховании, принося отрасли 308 миллиардов долларов годовых убытков только в США. Машинное обучение может выявлять аномалии или закономерности, соответствующие мошенническому поведению в исторических и текущих данных по претензиям. Например, если определенное лицо часто заявляет убытки чуть ниже своей франшизы, интеллектуальные алгоритмы могут пометить это поведение для дальнейшего рассмотрения агентами-людьми.
3. Сбор и интеграция данных. Традиционные инструменты Insurtech для оценки рисков могут не включать нетрадиционные источники данных, такие как решения Интернета вещей, сторонние платформы аналитики клиентов и социальные сети. Алгоритмы машинного обучения могут выступать в качестве промежуточного программного обеспечения, соединяя системы Insurtech компании друг с другом и внешними источниками, что приводит к более комплексным оценкам профиля риска.
4. Эффективность андеррайтинга. Интеллектуальные алгоритмы могут анализировать огромные объемы данных, выявляя сложные закономерности, которые могут быть упущены из виду людьми-андеррайтерами. Это помогает снизить вероятность реализации полисов с заниженной или завышенной стоимостью. Кроме того, анализ и проверка претензий с помощью МО ускоряют процесс андеррайтинга, что приводит к большей прибыльности и лучшему опыту клиентов.
5. Удержание клиентов. В страховом секторе стоимость привлечения нового клиента превышает расходы, связанные с сохранением существующего клиента, в соотношении один к семи. Передавая моделям машинного обучения данные из программного обеспечения для управления взаимоотношениями с клиентами (CRM) и управления страховыми претензиями, агенты могут лучше понять поведение и отзывы клиентов, решая проблемы проактивно.

Несмотря на большие перспективы машинного обучения в оценке страховых рисков, компании, рассматривающие эту революционную технологию, должны осознавать уникальные проблемы, которые она влечет за собой.

Например, некоторые данные, используемые для оценки рисков и андеррайтинга, такие как показания датчиков подключенных фитнес-трекеров, могут быть персональными. В зависимости от вашего целевого рынка ваши усилия по анализу данных могут быть подорваны существующими правилами конфиденциальности и безопасности данных.

Дополнительные проблемы возникают из-за предпочтительного подхода к обучению модели. Передовые решения машинного обучения, которые обрабатывают неструктурированные данные с небольшим контролем со стороны экспертов-людей, часто не могут объяснить, как они приходят к определенным выводам. Известные как «черные ящики», такие модели требуют дополнительных слоев объяснимости и могут быть сложны в реализации.

Хорошей новостью является то, что страховая компания может успешно справиться с этими проблемами, наняв консультантов по МО и приняв итеративный подход к обучению и внедрению моделей.

ИЗОБРАЖЕНИЕ: PEXELS

Если вас интересует еще больше статей и информации на тему технологий от Bit Rebels, то у нас есть из чего выбирать.