Страховые компании купаются в океане информации, окруженной новыми потоками данных и технологиями. Проблема? В настоящее время у них нет ИТ-возможностей, чтобы использовать эти данные для планирования своего будущего. Машинное обучение может это изменить.
Астрономическая навигация и машинное обучение
До изобретения сонара или GPS люди полагались на астрономическую навигацию — «счисление пути» — чтобы добраться из точки А в точку Б. А до Интернета у нас были желтые страницы и телефонная книга. Оглядываясь назад, после каждого технологического скачка становится очевидным, что информация могла и должна была быть организована более точно и организована более эффективно для достижения наших целей, чем это было на самом деле. По сравнению с любым крупным достижением прошлые технологии и методы кажутся нам такими же грубыми, как точный расчет.
Машинное обучение, также известное как продолжающаяся революция в области искусственного интеллекта, представляет собой именно такой скачок вперед для нескольких отраслей, в первую очередь для страховой отрасли. Страховщики сегодня стоят перед суровым выбором: инвестировать в технологию, которая может доминировать и формировать следующие 10 лет в их области, или продолжать пытаться ориентироваться по звездному свету и рискнуть оказаться совершенно не на том берегу.
Осмысление всех этих данных: машинное обучение
Область, в которой машинное обучение проявляет себя ярче всего, — это обработка больших объемов часто повторяющихся данных. Достаточно взглянуть на Лимонад, который использует машинное обучение и чат-ботов для обработки и разрешения претензий за считанные секунды. Они не просто переворачивают процесс рассмотрения претензий с ног на голову — они используют ИИ для более эффективного ранжирования данных, которые у них уже есть. Но страховщикам не нужно взрывать всю свою бизнес-модель и начинать жизнь заново в качестве стартапа, чтобы воспользоваться преимуществами технологии машинного обучения. Geico применяет ИИ к автомобильным и домашним видео, чтобы, с одной стороны, автоматически оценивать требования о возмещении ущерба, а с другой — оценивать затраты на ремонт. Это не просто отличная идея для страховщиков, стремящихся в будущее, это конкурентная необходимость. Потенциальная выгода для страховой отрасли, если они делают интеграцию технологий для извлечения смысла из этих массивных наборов данных, соизмеримо огромна, от снижения рисков до инноваций в ценообразовании и от сэкономленных долларов до заработанных денег.
Есть три отдельные области, в которых машинное обучение, вероятно, окажет наибольшее влияние на страхование:
Делаем проверку заявлений быстрее, умнее и проще
Lemonade и Geico уже предоставили реальные примеры того, как машинное обучение может почти полностью автоматизировать весь процесс рассмотрения претензий от начала до конца. Данная программа может извлечь цифровой файл, проанализировать его с помощью заранее запрограммированного алгоритма и автоматически оценить претензию в очень короткий промежуток времени, вместо того, чтобы претензия маячила в безвестности на дне списка других подобных претензий. Но дело не только в чат-ботах и алгоритмах. Такие компании, как Snorkel, например, определили, что самое большое препятствие при внедрении машинного обучения в страховании заключается не только в разработке идеальной модели. Это больше касается сортировки множества разрозненных и несвязанных наборов данных и их автоматической маркировки с использованием более полного набора классификаций, эвристик и онтологий. То есть создание более сложной машины не обязательно является ответом. Что-то вроде бритвы Оккама: иногда ответом является более простой конвейер машинного обучения, оснащенный более эффективной моделью данных, а не переработанный конвейер с неполной или неэффективной моделью данных. В конечном итоге ваша реализация машинного обучения будет настолько хороша, насколько хороша лежащая в ее основе модель данных.
Автоматическая оценка и страхование рисков
Машинное обучение может сыграть важную роль в оценке и пометке рисков андеррайтинга для страховщиков быстрее и точнее, чем это когда-либо мог сделать любой человек, обрабатывающий цифры. Это не означает, что технология машинного обучения может или должна полностью вытеснить аналитиков-людей при определении рисков, но технологии ИИ и машинного обучения могут отмечать обязательства, которые в противном случае могли бы остаться незамеченными для аналитика-человека. направляя заказы на различные рабочие процессы в зависимости от рисков андеррайтинга и отмечая факторы, которые в первую очередь увеличивают эти риски, технологии машинного обучения делают такие сценарии гораздо менее вероятными и избавляют страховщиков от необходимости производить дорогостоящие выплаты, которых можно избежать, по плохим полисам.
Если такой анализ рисков автоматизирован, то программное обеспечение может помечать явные предупреждающие знаки для проверки задолго до того, как их увидит аналитик-человек. Благодаря полностью интегрированному процессу оценки рисков с помощью машинного обучения страховщики могут направлять человеческие ресурсы туда, где они будут наиболее полезны, вместо того, чтобы тратить драгоценные часы сотрудников на гайки и болты процесса проверки. Такого рода революционное мышление также не является чисто академическим. Такие компании, как Alteryx, уже помогают страховщикам рассчитывать риск полиса и прогнозировать будущие претензии для оптимизации ценообразования, сегментировать держателей полисов по потенциальной прибыльности и определять цели перекрестных продаж в процессе. Если все это звучит невероятно сухо, то результат совсем не такой: машинное обучение разделяет и сегментирует данные о клиентах быстрее и точнее, чем когда-либо прежде, и в процессе превращает кучу бывших обязательств в источники дохода практически за одну ночь.
Изучение опыта
Используя машинное обучение для обнаружения предикторов в предыдущих действиях по претензиям, страховщики могут затем использовать эту информацию для установки будущих предположений и использования их в моделях ценообразования и актуарном анализе. Дело в том, что программное обеспечение для машинного обучения превосходно улавливает именно те закономерности, которые ускользают от человеческого аналитика — либо потому, что нам трудно отделить сигнал от шума, либо потому, что сама закономерность слишком тусклая, чтобы мы могли ее уловить. первое место.
Погружение в данные
Машинное обучение — это инструмент навигации, но оно не может работать само по себе. GPS-координаты не приносят большой пользы, если вы не можете передать их капитану или вообще не имеете возможности повернуть корабль. Машинное обучение должно быть частью комплексного и интегрированного программного аппарата, который перестраивает унаследованную сеть страховщика, позволяя каждому человеку на каждом этапе рассмотрения претензий или процесса оценки общаться легко, прозрачно и с минимальной избыточностью. Интегрированная программная сеть может упростить взаимодействие не только между компаниями и клиентами, но и целым рядом людей и специалистов, чья работа включает в себя все, от актуарных оценок до урегулирования претензий.
Хотите узнать больше об интеграции программного обеспечения? Теорема имеет команды преданных своему делу специалистов, готовых ответить на вопросы о модернизации старых версий, машинном обучении и многом другом. Получите бесплатную консультацию.
Страховщики теперь плавают в большем количестве доступной информации, чем они знают, что делать. Хотя аналитики и обработчики претензий являются жизненно важными частями любой успешной страховой компании, существует верхний предел того, сколько данных может обрабатывать один человек за один раз. Однако это не тот момент, когда нужно тонуть или плавать. Не похоже, чтобы компании, которые не уделяют приоритетное внимание машинному обучению, внезапно оказались поглощены океаном данных. Но это это океан. Вопрос, стоящий перед страховщиками, заключается в том, будут ли они использовать доступные инструменты для навигации по нему или застрянут в море, пока конкуренты мчатся вперед.
Первоначально опубликовано на https://journal.theorem.co.