Как внедрять инновации в страховании жизни с помощью аналитики и машинного обучения

Речь идет о скорости и краткости

Отрасль страхования жизни год за годом теряет клиентов, и многие поколения X, Millenials и Gen Y не заинтересованы в покупке полисов страхования жизни. В условиях снижения интереса компаниям по страхованию жизни необходимо вводить новшества в области разработки продуктов, маркетинга, обслуживания, управления клиентским опытом и финансового менеджмента. Методы расширенной аналитики и машинного обучения позволяют компаниям по страхованию жизни внедрять инновации в этих областях. В этой статье мы расскажем, как компании по страхованию жизни могут использовать такие методы для создания инноваций, дифференцирующих рынок.

Проблема для страховщиков жизни заключается в том, что пока они находятся в тающем айсберге, на вершине, все выглядит хорошо. После финансового кризиса 2008 года, вызванного переменным аннуитетом, отрасль страхования жизни стабилизировала свои бухгалтерские книги, снизила или устранила финансовые риски и стабилизировала свою бухгалтерскую книгу. Тем не менее, в то время как он делал это, коэффициент убыли по аннуитетам и страхованию жизни увеличивался, и многим фирмам по страхованию жизни стало трудно возместить потерянных клиентов. Кроме того, согласно прогнозам, если страховые ставки вырастут и инфляция также вырастет, отрасль страхования жизни по-прежнему будет сталкиваться с большими проблемами в удержании своих существующих клиентов и увеличении числа новых клиентов.

В этом контексте мы считаем, что компании по страхованию жизни могут использовать машинное обучение и расширенную аналитику для создания новых инноваций, которые выделяются на рынке.

Итак, что такое машинное обучение

Проще говоря, машинное обучение - это способность компьютера изучать модель, которую можно использовать для прогнозирования различных результатов. Вещи, которые можно предсказать в страховании жизни, могут включать, когда клиент будет аттитировать (отказываться от договора аннуитета или прекратить платить премию по страхованию жизни), когда держатель переменного аннуитета увеличит свои модели вывода средств, жизненные события, которые определяют поведение потребителя при уплате страховых взносов (например, , переезд) и другие факторы, важные для бизнеса по страхованию жизни.

Методы машинного обучения (их множество) можно в общих чертах разделить на две группы в зависимости от количества переменных, которые они могут использовать в качестве входных. Такие методы, как деревья решений, модели нелинейной регрессии и т. Д., Обычно используются там, где количество переменных, используемых для обучения (т. Е. Создания) системы, составляет от 25 до 50. Вторая группа состоит из методов, которые могут занять несколько от сотен до тысяч входных переменных и обычно используются в тех случаях, когда нам нужно найти «подпись». Примеры этих методов включают глубокое обучение, используемое для распознавания лиц, компоненты идентификации речи. Эти наборы методов часто используются в феноменологических данных (т. Е. В сигналах реального мира). Эта классификация несколько упрощена, поскольку новая область в мире машинного обучения использует второй набор методов для решения проблем, которые были решены с помощью первого набора методов.

Расширенная аналитика - это более широкий и старый термин, в котором статистические методы, такие как линейная регрессия, логистическая регрессия и методы машинного обучения, используются для создания прогнозных моделей. Расширенная аналитика часто используется, чтобы отличить приложение прогнозной аналитики от актуарной и так называемой описательной аналитики, в которой исторический анализ анализируется для выявления закономерностей, основанных на интуиции человека.

Итак, как все эти методы помогают страховщику создавать возможности дифференциации рынка? В следующих параграфах подробно описаны все функциональные области страховщика.

Актуарный анализ

Компании по страхованию жизни и аннуитетные фирмы сегодня используют допущения для резервирования резервов и хеджирования на рынке. Эти допущения обычно создаются с помощью актуарных моделей, которые создают ячейки клиентов на основе нескольких факторов (обычно менее пяти), которые сегментируют бухгалтерский баланс на одинаково распределенные группы, чтобы актуарии могли вычислять агрегированные коэффициенты по истощению, выбытию и другим факторам. Обычно эти значения рассчитываются для предыдущего года и сравниваются с историческими вариациями, чтобы увидеть, меняет ли направление тренд. Более глубокий анализ может поэтапно проходить через эти изменения из года в год вперед или назад, используя значения текущего года для получения зависимостей для следующего или предыдущего года.

Этот процесс создает несколько проблем на современном рынке. Поскольку количество переменных является небольшим, новые тенденции или тенденции, характерные для конкретных групп клиентов, сложно, если вообще возможно, создать. Таким образом, цены на полисы должны устанавливаться на основе общих характеристик, а бремя ответственности перекладывается на андеррайтинг в отрасли страхования жизни для покрытия рисков. Аннуитетные контракты должны иметь значительную комиссию, поскольку нельзя точно оценить риск снятия средств, и необходимо проводить рыночное хеджирование с большими денежными пулами, что снижает гибкость инвестиций.

Эти факторы ограничивают способность компаний по страхованию жизни быстро реагировать на меняющиеся рыночные условия и создавать продукты, которые могут лучше подходить для целевых групп клиентов.

Методы машинного обучения меняют способ работы этого процесса в ведущих страховщиках жизни. Во-первых, вместо использования примерно пяти переменных для создания актуарных предположений компании по страхованию жизни добавляют больше переменных, уделяя особое внимание переменным, которые отражают изменение в поведении держателей полисов и контрактов. Платежи, снятие средств со страховых полисов, отказ от них, изменение платежных механизмов и другие переменные обеспечивают точное понимание того, кто, когда и что является причиной выбытия, отзыва и приобретения сопутствующих товаров. Входные данные из этих моделей машинного обучения также интегрируются в актуарный процесс для оценки резервов, которые необходимо установить, а также в методы моделирования методом Монте-Карло и аналогичные для оценки рыночных показателей активов. Кроме того, путем включения переменных, которые традиционно считались переменными андеррайтинга, в актуарные процессы, ведущие страховщики снижают сложность андеррайтинга полисов и поддерживают способность создавать страховые продукты, ориентированные на опыт и ориентированные на конкретные группы населения (например, миллениалы, которые путешественники-приключения).

Андеррайтинг

Священным Граалем в андеррайтинге по страхованию жизни является предварительная квалификация клиентов, аналогичная предварительной квалификации кредитной карты для маркетинга, чтобы маркетинг и написание полисов страхования жизни происходили так же гладко, как и выпуск кредитной карты. Страховщики предприняли промежуточные шаги в этом направлении, установив системы исполнения на основе правил для прямой обработки и оптимизации других процессов. Однако эти шаги не позволили подписать клиента без проведения медицинских тестов для определения его профиля риска. Кроме того, из-за универсальности актуарных моделей страхования жизни было труднее сократить количество вопросов, на которые должен был ответить клиент.

Чтобы уменьшить потребность в медицинском тестировании, страховые компании сейчас экспериментируют с методами глубокого обучения, которые используют коммерчески доступные медицинские данные на радиологических изображениях, данные клинических испытаний, включая образцы крови и корреляцию образцов крови с заболеваниями, понимание текста заметок врача и т. Д. учет тысяч переменных и прогнозирование возникновения определенных заболеваний у клиента, подлежащего страхованию, а также острого или хронического характера заболевания. Несмотря на то, что этим смелым новым рубежом необходимо тщательно управлять, чтобы избежать негативной реакции со стороны регулирующих органов и потребителей, политика зеленого освещения с использованием подходов глубокого обучения может предоставить способ преодолеть такую ​​негативную реакцию на рынке.

Ключевым преимуществом глубокого обучения является возможность включать тысячи разнородных переменных в создание новых прогнозных моделей, которые можно использовать для классификации кандидатов в пулы страхования жизни без проведения медицинских тестов. Учтите количество переменных, которые измеряют образцы крови. Добавьте к нему переменные, радиологические изображения и функции, которые можно извлечь из этих изображений, которые указывают на определенные медицинские состояния. Совместите это с ключевой информацией о хронических состояниях и информацией о плане лечения из заметок врача, используя понимание текста. Расширьте эту информацию, используя переменные образа жизни о рискованном образе жизни, которые обычно устанавливаются с помощью задаваемых вопросов, но теперь определяются с использованием внешних источников данных, количество переменных выходит далеко за пределы возможностей традиционных моделей расширенной аналитики. Методы глубокого машинного обучения позволяют страховым компаниям разрешать компаниям по страхованию жизни брать этот многоместный набор переменных и прогнозировать класс риска заявителя.

Разработка продукта

Одной из ключевых новых тенденций в разработке продуктов в области страхования жизни и аннуитета является создание продуктов для представителей поколения X, миллениалов и поколения Y. Из нескольких проектов, которые мы реализовали для наших клиентов по страхованию жизни, мы увидели, что продукты, которые привлекают молодое поколение актуально во времени. В то время как прошлые поколения покупали продукты по страхованию жизни, чтобы защитить свою семью или защитить доход, выплачивая страховые взносы в течение длительного времени (обычно не менее 10 лет), более молодые поколения заинтересованы в страховании своего образа жизни на более короткий период. Например, миллениалы могут быть заинтересованы в приобретении страховки жизни, когда они арендуют автомобиль на молнии, чтобы ездить по Бостону, или могут быть заинтересованы в покупке страховки жизни на несколько лет после рождения ребенка.

В то время как полисы страхования жизни доступны для конкретных поездок (например, страхование жизни для авиаперелетов), идея продуктов страхования жизни, которые защищают на более короткий срок, от нескольких дней до нескольких лет, является чем-то новым для жизни. страховая отрасль.

Как расширенная аналитика и глубокое обучение могут помочь в создании продуктов такого типа? Как упоминалось ранее, актуарные методы работают с ограниченными переменными, но с очень долгой историей, которые предназначены для прогнозирования и оценки смертности в течение обычного жизненного цикла со значительным риском выплат, распространяющимся на многих держателей полисов. Однако продукты, ориентированные на стиль жизни, должны иметь дело с более короткими временными рамками и многочисленными событиями, а исторические данные об их риске недоступны в течение длительных периодов времени.

Однако с новыми источниками информации, которые работают в режиме реального времени, такими как данные о стилях жизни, собранные с фитнес-устройств, информация о здоровье, собранная, как описано выше, с возможностью глубокого машинного обучения предсказывать важные события, которые могут произойти, компании по страхованию жизни могут создать новый класс продуктов, соответствующих стилю жизни нового класса клиентов, открывая новые возможности для получения дохода.

Маркетинг

Компании по страхованию жизни и аннуитетные компании имеют значительные возможности для улучшения своего маркетинга. Большинство компаний сегодня продают свой продукт через каналы сбыта (агентов, офисы и т. Д.) И проводят бренд-маркетинг, чтобы сделать свою фирму прочной компанией, которая не прекратит свое существование в ближайшие несколько лет. Однако, учитывая характер этих продуктов, клиенты очень редко связываются со страховыми компаниями, за исключением тех случаев, когда они хотят отказаться от своего полиса или контракта или когда они хотят предъявить иск против страхового полиса. Более адресный маркетинг, направленный на удержание клиентов с целью увеличения прибыльности, обычно приводит к увеличению риска смертности, который несут фирмы на уровне балансовой документации. Если эффективность маркетинга измеряется с точки зрения привлеченных новых клиентов и удержания клиентов, то маркетинг компании по страхованию жизни не был очень эффективным.

Для решения этой проблемы можно использовать расширенную аналитику и машинное обучение. Общая отраслевая модель такова, что до 20% постоянных клиентов привлекаются в течение первых 3 лет, даже не окупив маркетинговых расходов, потраченных на их найм. Еще от 10% до 20% за один или два года до окончания срока и скачки премии и до 50% за так называемый шоковый период за год до и через год после окончания срока (например, 10-й год для полиса срок-10) . Должно быть ясно, что удержание клиента на раннем этапе и выборочное удержание клиентов, у которых нет значительной смертности в период шоковой стоимости, может повысить прибыльность страховщика. Создавая прогнозы, по которым держатель полиса будет ссылаться, когда, перспективно определяя сигналы и движущие силы этого истощения, а также путем более точной оценки общей стоимости жизни этих клиентов, передовая аналитика и методы машинного обучения могут помочь страховщику лучше ориентироваться на своих существующих клиентов.

Кроме того, этот тип целевого маркетинга в сочетании с усовершенствованными методами андеррайтинга и актуарного анализа машинного обучения может создавать «предложения», подходящие для клиента. Более точная оценка смертности за счет андеррайтинга на основе машинного обучения и более коротких предложений по страхованию жизни (расширение действующих полисов) может позволить страховым компаниям нацеливать и удерживать клиентов на поздних стадиях, срок погашения полиса которых может быть неизбежным. Точно так же в отношении аннуитетов более точный прогноз вероятности вывода средств может позволить компаниям, выпускающим аннуитетные услуги, нацеливаться на продление контрактов, которые помогут клиенту сохранить большую часть своих инвестиций в фирме.

Резюме

Продвинутая аналитика и методы машинного обучения могут оказать фундаментальное влияние на все аспекты деятельности компании по страхованию жизни и аннуитету. Выше были представлены последствия этих подходов для большинства функций страховой компании. С дополнительными вопросами обращайтесь по адресу [email protected].