Страховую отрасль по-разному описывают как отсталую, ленивую и консервативную в ее реакции на происходящее цифровое разрушение. Но не больше. Страхование осознает реалии рынка. Компании понимают, что клиенты требуют от них персонализированных продуктов, лучшего обслуживания и уникальных возможностей. Таким образом, страхование 2.0 наилучшим образом использует технологии нового века, чтобы постоянно внедрять инновации, повышать удовлетворенность клиентов и оставаться впереди в гонке.

Среди технологий ведущие страховые игроки и стартапы обнаружили огромный потенциал машинного обучения (МО) в преобразовании своего бизнеса и сектора в целом. Машинное обучение, которое заключается в обучении и прогнозировании на основе данных и прошлого опыта, само по себе готово к экспоненциальному росту, поскольку Делойт прогнозирует удвоение пилотных проектов и внедрений машинного обучения к 2020 году. Это благоприятное время для грядущего. вместе ОД и страхование. Вот почему.

Взрывной рост данных. Данные всегда были в центре страховой отрасли. Более того, появление интеллектуальных и подключенных устройств приводит к новой лавине данных. Но большинство страховых компаний способны обрабатывать только 10–15% доступных структурированных данных. Теперь машинное обучение открывает новые возможности для обучения и извлечения полезных идей из огромных объемов данных — будь то структурированных, полуструктурированных или неструктурированных.

Экосистемы с открытым исходным кодом. С развитием технологий и повсеместностью данных системы также развиваются в духе открытого исходного кода, чтобы обеспечить обмен данными и их безопасное использование во всех отраслях. Например, страховая компания может получить доступ к данным о вашем здоровье и использовать машинное обучение для настройки вашего полиса медицинского страхования.

Появление когнитивных технологий. Развитие машинного обучения способствует значительному прогрессу в обработке естественного языка и распознавании изображений. А страховые компании в своем стремлении повысить удовлетворенность клиентов используют их для предоставления новых услуг, начиная от поддержки чат-ботов для агентов и заканчивая анализом повреждений на месте с помощью дронов для клиентов. Переход от модели «обнаружить и исправить» к модели «предсказать и предотвратить».

Благодаря машинному обучению цепочка создания стоимости страхования становится все богаче благодаря инновационным возможностям.

Советы по страхованию. Благодаря машинному обучению быстрый просмотр профиля клиента позволяет автоматически создавать персонализированные правила и рекомендации. По данным опроса, 74% потребителей счастливы получать сгенерированные компьютером советы по страхованию.

Обработка претензий. Страховщики используют машинное обучение для создания нестатических и сложных деревьев решений, которые могут помочь им автоматизировать процессы андеррайтинга, ценообразования и рассмотрения претензий. Это приводит к повышению качества обслуживания клиентов благодаря проактивному управлению, целенаправленным расследованиям, лучшему пониманию затрат на претензии и, конечно же, сокращению времени урегулирования претензий. Система распознавания претензий Tokio Marine на основе машинного обучения обрабатывает рукописные документы претензий с коэффициентом распознавания 90%, что приводит к сокращению времени ввода на 50% и сокращению человеческих ошибок на 80%.

Обнаружение мошенничества: в США количество исков о мошенничестве составляет 40 миллионов долларов в год, а в Великобритании каждый день раскрывается 350 случаев мошенничества. Машинное обучение помогает страховщикам анализировать большие объемы данных и быстрее и точнее выявлять заявления о мошенничестве, помечая их для дальнейшего расследования людьми. Shift Technology использует машинное обучение для поиска моделей мошенничества в глубоких наборах данных по претензиям, которые затем можно применить к претензиям для выявления потенциальных случаев мошенничества.

Управление рисками.Страховщики используют машинное обучение не только для изучения личных данных (например, данных о вождении автомобиля), но и для разработки персонализированных политик. Они также используют эту технологию для лучшего управления рисками. Например, британская компания O2 Drive car Insurance использует встроенное в автомобиль устройство для отслеживания привычек вождения и регулирования страховых взносов на их основе. Чем безопаснее вождение, тем лучше цена.

Поддержка клиентов. Чат-боты, работающие с приложениями для обмена сообщениями, дают ответы на простые вопросы о страховании, а также разрешают запросы на претензии. Внутренний чат-бот Allstate ABle помогает агентам, предоставляя точные котировки и советы коммерческим клиентам. Обрабатывая 25 000 запросов в месяц, ABle может автоматизировать обслуживание, которым до сих пор управлял человек, что приводило к длительному времени ожидания и упущенным деловым возможностям.

Анализ ущерба:агенты, оценивающие материальный ущерб, чтобы установить сумму выплаты, урегулировать претензии или отклонить их, устарели. Доверьте дронам с компьютерным зрением быстрое воздушное обследование неурожаев. Или даже камеру смартфона, чтобы оценить повреждения вашего автомобиля, попавшего в аварию. Smart Fast Claim от Ping An использует алгоритмы распознавания изображений и ценообразования для распознавания повреждений автомобилей, повышая эффективность претензий более чем на 40%.

Машинное обучение также продвигается вперед в других аспектах страхования, таких как прогнозирование потенциальных клиентов, прогнозирование претензий, удержание клиентов и так далее. Поскольку машинное обучение продолжает «обучаться», его масштабы будут расширяться, что позволит отрасли создавать продукты и услуги, используя машинное обучение. Очевидно, что машинное обучение лидирует.