Недавно я выступал на конференции об использовании данных в страховой индустрии в Школе рисков Сент-Джонс в Нью-Йорке, и вот 5 ключевых моментов, которые я вынес:

  1. Все страховые компании стремятся использовать больше данных, но лишь немногие из них могут оперативно использовать эти данные

Страховая отрасль вновь осознала ценность данных благодаря искусственному интеллекту и машинному обучению. Прогностические модели имеют множество приложений в страховой отрасли, включая оптимизацию привлечения клиентов, предоставление персонализированного обслуживания, эффективную обработку требований, интеллектуальную политику андеррайтинга и более эффективное обнаружение мошенничества. Обычным ингредиентом для построения и обучения прогнозных моделей являются операционные и бизнес-данные. К счастью, отрасль имеет доступ к большому количеству этих данных - как из внутренних, так и из внешних источников. Один человек, сидевший рядом со мной на конференции, работал в перестраховочной компании и имел титул «Охотник за данными». Ее единственной задачей было искать новые источники данных, чтобы помочь компании. Однако внедрение ИИ может оказаться сложной задачей для действующих страховых компаний, чья традиционная ИТ-инфраструктура не может масштабироваться для использования преимуществ новых источников данных и чьи внутренние данные хранятся в разрозненных хранилищах, несовместимых друг с другом.

Одна из самых больших возможностей, которые имеют в своем распоряжении традиционные операторы отрасли, - это разрушить разрозненные хранилища корпоративных данных. (См. Мой общий блог о разрозненных хранилищах данных.) Представьте себе платформу данных, в которой данные о клиентах, политиках и претензиях хранятся в одном месте, чтобы новая политика андеррайтинга могла учитывать предыдущие претензии и использовать данные процесса андеррайтинга, такие как изменения политики .

2. Первопроходцы действительно интересным образом используют внешние данные:

Если есть общая черта, которая может трансформировать все сегменты и направления бизнеса страховой отрасли, то это использование внешних данных. Новые источники данных преобразуют страховую отрасль, поскольку они могут сделать взаимодействие с клиентами беспрепятственным, чтобы повысить лояльность к бренду, сделать критически важные бизнес-процессы, такие как управление претензиями, эффективными и даже помочь внедрить превентивные методы, которые могут повысить общую прибыльность отрасли. Давайте рассмотрим некоторые из этих новых источников данных.

  • Автомобили, оснащенные датчиками (телематика) и мобильными приложениями, позволят автоматизировать процесс рассмотрения претензий. Вооруженные данными с датчиков, страховые компании больше не будут зависеть от сторон, вовлеченных в инцидент, в определении ответственности. Кроме того, применение искусственного интеллекта и машинного обучения (ML) к этим данным позволит страховым компаниям разрешать претензии и возмещать ущерб в течение нескольких дней, а не недель или месяцев. Данные датчиков и машинное обучение также будут играть важную роль в выявлении мошеннических претензий и предотвращении претензий с целью повышения прибыльности страховщика. Мне нравится реклама, в которой беременная мать настаивает, чтобы ее муж не спешил в больницу, чтобы она сохранила свой рейтинг безопасного вождения в своем мобильном приложении. Финансовый стимул не торопиться с мобильным приложением.
  • Датчики важны не только для автомобильного страхования, но и для бизнеса от несчастных случаев и имущества. Умные устройства, такие как термостаты, детекторы дыма и системы безопасности, представляют собой только первый шаг к предотвращению неблагоприятного события. Когда в наших домах и офисах будут установлены датчики, которые могут обнаруживать такие события, как пожар и утечки, до того, как они произойдут, и уведомлять соответствующие агентства или домовладельца, потенциальные убытки, которые страховые компании должны покрывать каждый год, будут значительно сокращены.
  • По данным eMarketer, около 22% населения США владеют носимыми устройствами. Эти устройства, которые отслеживают физическую активность и показатели жизнедеятельности, позволяют страховщикам включать эти данные в полисы ценообразования по страхованию жизни в зависимости от образа жизни заявителя. Страховые компании, которые выяснят, как использовать эти данные в рамках своего процесса андеррайтинга и ценообразования, также получат преимущество первопроходца в нацеливании на наиболее здоровый и наиболее прибыльный сегмент населения.

Последствия

Страховым компаниям нужна платформа данных с тремя определяющими атрибутами. Он не только должен уметь хранить данные из различных источников данных, включая упомянутые выше. Он также должен иметь возможность масштабирования от терабайтов до петабайт и от нескольких до сотен узлов, просто добавляя стандартные серверы. Так что возможность горизонтального масштабирования важна.

Во-вторых, сама платформа должна обеспечивать работу критически важных приложений, а также облегчать анализ данных. Аналитические данные не должны быть отделены от приложения, а должны быть неразрывно связаны.

В-третьих, платформа должна предлагать функции для создания, обучения и реализации прогнозных моделей с использованием машинного обучения. Он должен иметь возможность хранить внутренние и внешние данные, ускорять обучение моделей, отслеживать рабочий процесс и запускать эти модели в производство - все в одной системе.

3. Действующим операторам потребуются технологические решения, чтобы противостоять InsurTechs и сбоям в отрасли.

InsurTechs относится к компаниям, которые используют технологии, чтобы подорвать традиционную индустрию страхования. InsurTech, как правило, представляют собой небольшие предпринимательские компании, уходящие корнями в данные, искусственный интеллект и разработку мобильных приложений. Например, такие компании, как DataCubes и Friss, используют науку о данных для преобразования и ускорения основных функций страхования, таких как коммерческое андеррайтинг и обнаружение мошенничества. Другие, такие как Metromile и Root Insurance, заново изобретают основные страховые продукты, такие как автострахование на основе фактического использования, в зависимости от расстояния езды и привычек своих клиентов.

InsurTechs меняют отрасль не только за счет применения технологий, но и меняют ожидания и запросы потребителей. Согласно исследованию McKinsey, с 2012 года в сектор InsurTech было инвестировано более 10 миллиардов долларов.

Последствия

Для того, чтобы эффективно конкурировать с InsurTechs, традиционные операторы должны заново изобретать и модернизировать приложения, которые были источником их конкурентного преимущества. Это те же самые приложения, которые были нацелены InsurTechs с использованием искусственного интеллекта и машинного обучения. У сотрудников есть богатые источники данных и опытный персонал, обученный таким технологиям, как SQL. Вместо того, чтобы пытаться склеить изолентой различные компоненты традиционной ИТ-инфраструктуры и приобрести труднодоступные навыки, страховым компаниям необходимо подумать о единой платформе, которая может эффективно управлять как операционными, так и аналитическими данными с помощью SQL. Унифицированная платформа позволяет лидерам рынка создавать алгоритмы прогнозирования на уровне базы данных. Машинное обучение в базе данных может значительно ускорить принятие решений и помочь сотрудникам справиться с надоедливыми InsureTech.

4. Озера данных по-прежнему мешают страховщикам

Стремясь эффективно управлять большими данными и управлять аналитикой и решениями в реальном времени, страховой сектор вложил значительные средства в озера данных. Эти озера данных были созданы с использованием коммерческих дистрибутивов Hadoop - гибкого числа независимых вычислительных машин с открытым исходным кодом, объединенных в общую платформу для обеспечения масштабирования. Однако возможность создания схемы при чтении в озере данных заставила страховые компании обойти процесс определения, какие таблицы содержат какие данные и как они связаны друг с другом, что привело к бессистемному построению репозитория.

Проекты озера данных начали проваливаться, потому что страховые компании, такие как компании из других отраслей, уделяли приоритетное внимание хранению всех корпоративных данных в централизованном хранилище с целью сделать эти данные доступными для всех разработчиков - хранилище данных Uber, если хотите, а не думать о том, как данные будут использоваться в приложениях. В результате кластеры Hadoop превратились в шлюзы конвейеров корпоративных данных, которые фильтруют, обрабатывают и преобразуют данные, которые затем экспортируются в другие базы данных и витрины данных для последующей отчетности. Данные из озер данных почти никогда не попадают в реальное бизнес-приложение. В результате озера данных превращаются в массивный набор разрозненных вычислительных машин, работающих с разными рабочими нагрузками, и все они используют одно и то же хранилище, которым очень сложно управлять. (См. Мой блог об озерах данных и Hadoop.)

Последствия

Как обсуждалось в моем вышеупомянутом сообщении в блоге, страховые компании все чаще вынуждены демонстрировать ценность своего озера данных. Я предлагаю им сначала сосредоточиться на рабочих приложениях, а затем вернуться к требуемым данным.

Сосредоточившись на модернизации приложений с помощью данных и аналитики, страховые компании смогут разрабатывать приложения, которые могут использовать данные для прогнозирования того, что может произойти в будущем. Тогда страховые компании могут проактивно принимать решения в данный момент и без вмешательства человека, что приводит к превосходным результатам для бизнеса.

5. Регулирующие органы сделали управление данными и прозрачность машинного обучения первоочередными задачами

Учитывая огромные объемы данных и разнообразные источники данных, реальная ценность ИИ и машинного обучения лучше всего достигается, если приложение способно принимать разумные решения в масштабе без вмешательства человека. Тем не менее, однажды реализованная возможность создает впечатление «черного ящика», где большая часть бизнес-персонала не полностью понимает, почему и как определенное действие было предпринято прогнозной моделью. Эта возможность не только приятна, но и критически важна для случаев использования, когда страховая компания должна иметь возможность документировать и защищать свое решение, такое как отказ в выплате претензии или страховой полис. Регулирующие органы будут все больше оказывать давление на страховые компании, чтобы они объяснили внутреннюю работу их прогнозных моделей, особенно в тех случаях, когда модели используются при андеррайтинге, а ценообразование определяет премии, чтобы гарантировать отсутствие какой-либо дискриминационной практики.

Последствия

Управление данными обеспечивает структуру, которая помогает определить, как данные поступают, управляются и используются в любой экосистеме. Эта структура используется для повышения уверенности предприятия в своих данных и действиях, предпринимаемых на основе анализа этих данных. В то время, когда страховая отрасль переживает серьезную трансформацию, компаниям нужна надежная структура, которая обеспечивает видимость происхождения данных, преобразований, которые были выполнены с этими данными, и того, как они используются. Эта же структура должна также охватывать модели прогнозирования и машинного обучения. Страховые компании должны иметь возможность продемонстрировать регулирующим органам все эксперименты, которые проводили их специалисты по данным, и какая модель была запущена в производство и как она была изменена с течением времени. Следовательно, управление данными должно быть неотъемлемой частью платформы, которая используется специалистами по обработке данных для создания, обучения и внедрения моделей.

Для достижения этой цели рассмотрите платформу, которая предоставляет специалистам по данным возможность свободно экспериментировать. Построение прогнозных моделей - это итеративный процесс, который требует от специалистов по обработке данных постоянно настраивать свои модели и оценивать влияние этих изменений на точность модели. Чтобы отслеживать свои эксперименты, специалистам по данным требуется такая платформа, как MLFlow. MLFlow может похвастаться встроенной возможностью отслеживать и документировать переменные для каждой итерации. Таким образом, специалисты по обработке данных могут объективно продемонстрировать как внутренним заинтересованным сторонам, так и внешним регулирующим органам обоснование запуска конкретной модели в производство. Они также могут доказать отсутствие какой-либо дискриминационной практики.

_________

Если вы хотите узнать больше о модернизации приложений в страховой отрасли, команда Splice Machine (где я генеральный директор и соучредитель) создала белую книгу, которая отражает работу, которую мы проделали с некоторыми из ведущие мировые страховщики.