Страховщики обратятся к искусственному интеллекту, чтобы сократить расходы, снизить риски и получить информацию о клиентах.
Как известно, Майк Тайсон сказал: «У каждого есть план, пока он не получит удар в рот». У каждой компании был стратегический план на 2020 год. Затем на ринг вышел Covid-19.
Страхование сильно пострадало от COVID-19 и экономических трудностей. Поскольку многие страховщики сосредоточены на экономии денежных средств , ведущие страховщики могут выйти из кризиса еще сильнее, если сделают разумные инвестиции в ИИ. Огромные наборы данных о клиентах страховщиков и их известные ручные процессы создают возможности для «быстрого выигрыша» искусственного интеллекта.
Страховщики должны активно внедрять ИИ, потому что перспективы для бизнеса не самые лучшие. Lloyd’s of London оценивает убытки от андеррайтинга в 2020 году до 107 миллиардов долларов. (Ре) страховые компании рассматривают миллиарды претензий в связи с прерыванием бизнеса и убытками по страхованию торговых кредитов (страхование на случай, когда покупатели не могут платить продавцам).
На продажу страховых полисов повлияет падение экономической активности. Производство и движение товаров и товаров остановилось. Это означает, что меньшему количеству компаний требуется страхование грузов, энергии, товаров, судоходства и т. Д.
Многие страховщики выйдут из эры коронавируса потрясенными. Затем они попадут прямо в худшую рецессию со времен Великой депрессии, согласно МВФ, что снизит спрос на некоторые виды личного и коммерческого страхования.
Почему AI Now?
На первый взгляд, экономика после пандемии может показаться не лучшим временем для инвестиций в искусственный интеллект. В конце концов, разве фирмы не должны сохранять как можно больше капитала?
Фактически, это подходящее время для развития возможностей искусственного интеллекта. Искусственный интеллект хорошо автоматизирует логические, повторяющиеся процессы и генерирует понимание на основе данных. Это позволяет страховщикам сокращать расходы и открывать новые источники доходов. Зрелость поставщиков программного обеспечения ИИ означает, что инструменты ИИ не нужно создавать с нуля. Если страховщики понимают потребности своего бизнеса и разрабатывают стратегию искусственного интеллекта для удовлетворения этих потребностей, небольшие инвестиции в искусственный интеллект могут обеспечить высокую рентабельность инвестиций.
Крупные страховые компании годами инвестируют в цифровую трансформацию. Преобразование данных в цифровой формат, взаимодействие с клиентами через мобильные устройства и Интернет, а также обновление технических стеков дали этим фирмам инфраструктуру для быстрого внедрения ИИ. Цифровая трансформация заложила основу для трансформации ИИ.
Приоритеты страхового бизнеса
Страховщикам следует сосредоточиться на трех приоритетах в постпандемической экономике: снижение затрат, снижение риска и понимание клиентов.
Covid-19 и экономический спад в краткосрочной перспективе затронут страховщиков в столбцах доходов (доход от андеррайтинга) и расходов (претензий). Ближайшие бизнес-приоритеты для страховых компаний - это снижение затрат и рисков до тех пор, пока рынок не улучшится.
Для сокращения затрат страховщики должны уделять первоочередное внимание автоматизации процессов и претензий. Они упростят рабочие процессы, чтобы та же работа могла выполняться меньшим количеством людей. Здесь будут актуальны такие инструменты искусственного интеллекта, как интеллектуальная роботизированная автоматизация процессов (RPA).
Для снижения риска страховщики будут вкладывать средства в более совершенные средства обнаружения мошенничества, поскольку ожидается, что в тяжелые экономические времена количество мошенничества будет расти. По данным Ассоциации британских страховщиков (ABI), во время рецессии 2008 года количество случаев мошенничества по страхованию увеличилось на 17% по сравнению с 2007 годом.
Страховщики также снизят риски за счет улучшения стандартов андеррайтинга. Это означает лучшее понимание рисков и обеспечение более высокого качества рисков для предотвращения крупных непредвиденных претензий. Инструменты Машинное обучение и Обработка естественного языка (NLP) позволяют просматривать прошлые страховые полисы и понимать, как устанавливать цены на новые полисы.
После этого страховщики могут сосредоточиться на сохранении потоков доходов и открытии новых источников дохода. Инвестиции в ИИ для анализа клиентов обеспечат значительную рентабельность инвестиций, поскольку у страховщиков есть большие объемы данных о клиентах. Программное обеспечение корпоративного поиска на основе машинного зрения может быстро выполнять поиск во внутренних базах данных и репозиториях документов, чтобы предоставить агентам и персоналу службы поддержки полный обзор клиентов.
ИИ для снижения затрат: автоматизация требований с помощью интеллектуальной системы RPA
Страховщики могут использовать интеллектуальную RPA для автоматизации обработки претензий, чтобы сократить расходы и быстрее выплачивать претензии. Обработка претензий изобилует проблемами, которые может решить интеллектуальная RPA, такими как ручной ввод данных, несколько источников данных (документы, электронные письма, изображения, мобильные приложения) и принятие решений, требующих больших затрат времени.
Традиционное программное обеспечение RPA автоматизирует ручные и повторяющиеся задачи без использования ИИ. Он просто записывает и воспроизводит действия сотрудников и щелчки мыши, например, для создания счета или отчета. Это работает, только если процесс никогда не меняется. Большинство традиционных инструментов RPA необходимо обновлять, например, при изменении макетов счетов или требований к отчетности.
Интеллектуальные системы RPA от таких поставщиков, как UiPath и Automation Anywhere добавляют машинное обучение, NLP и машинное зрение к инструментам RPA. Вместо того, чтобы просто копировать действия человека, интеллектуальная RPA находит наиболее эффективный способ автоматизации задач при работе с новыми данными и изменяющимися требованиями.
RPA с улучшенным ИИ может сократить время и затраты на трех этапах жизненного цикла претензий: ввод данных, проверка и рассмотрение.
На этапах ввода данных и проверки роботы RPA автоматизируют ввод данных вручную из нескольких источников. Машинное зрение и машинное обучение могут позволить ботам адаптироваться к изменяющимся шаблонам, форматам документов и правилам проверки. Машинное обучение также позволяет ботам учиться и совершенствоваться при вводе новых данных или при обнаружении ошибки.
На этапе рассмотрения определяется, следует ли оплатить иск или отклонить его. Машинное обучение и NLP позволяют ботам анализировать прошлые решения по претензиям и читать документы по страховым полисам, чтобы определить, как обрабатывать текущие претензии.
Интеллектуальная RPA эффективна, потому что она может автоматизировать задачи, которые требуют нескольких человек в команде. При правильном развертывании он может освободить персонал, работающий с претензиями, и сосредоточить свои усилия на рассмотрении ценных и сложных претензий.
ИИ для снижения рисков: улучшенное андеррайтинг и обнаружение мошенничества
Андеррайтинг
Андеррайтинг с использованием искусственного интеллекта дает три преимущества: лучшее управление рисками за счет анализа данных, автоматизация задач для более эффективного использования времени андеррайтеров и улучшение конкурентных преимуществ за счет более качественного ведения бизнеса.
Большинство страховщиков обрабатывают только 10–15 процентов имеющихся у них данных.
Андеррайтинг традиционно полагается на опыт, правила и суждения. Андеррайтеры рассматривают прошлые политики, таблицы рисков, профили клиентов, историю требований, отраслевые / рыночные риски и оценивают, как новая политика влияет на общий риск портфеля.
Улучшение стандартов андеррайтинга имеет решающее значение в постпандемической экономике. Страховщики не могут позволить себе недооценивать риски и нести большие убытки в этой среде. Проблема заключается в том, что андеррайтеры испытывают затруднения из-за того, что им приходится оценивать большое количество страховых полисов.
Согласно исследованию Accenture, большинство страховщиков обрабатывают только 10–15 процентов имеющихся у них данных. Слишком много источников данных - прошлые полисы, телематика (страхование автомобилей), носимые устройства (страхование здоровья), сторонние базы данных (например, данные о доставке) и социальные сети. Люди не могут обрабатывать эту информацию в большом масштабе. Даже автоматизированные инструменты андеррайтинга помогают только потому, что они недостаточно умны, чтобы справиться с чем-либо, кроме простых случаев.
ИИ может помочь андеррайтерам быстрее и точнее оценивать политические риски. Инструменты машинного обучения и НЛП могут «читать» и понимать прошлые страховые полисы и помогают андеррайтерам разработать надежную политику на случай нового риска. Инструменты прогнозной аналитики могут изучать прошлые претензии, убытки и другие показатели риска для аналогичных страховых полисов, чтобы предсказать вероятность и величину будущих убытков.
Инструменты искусственного интеллекта также помогают андеррайтерам отслеживать риски с течением времени, что полезно при продлении страховых полисов. Cape Analytics, стартап в области искусственного интеллекта, использует геопространственные изображения для фотографирования недвижимости сверху. Затем машинное зрение отслеживает, как свойства меняются с течением времени. Страховщики могут использовать эту информацию при продлении страховых полисов для этой собственности.
AI не заменит человеческих андеррайтеров. Инструменты искусственного интеллекта просто обеспечивают более качественное понимание данных. Страховщики должны использовать эти идеи для создания прибыльной книги бизнеса. Анализ на основе искусственного интеллекта также дает страховщикам возможность сосредоточиться на сложном и высокодоходном бизнесе.
Обнаружение мошенничества
ФБР оценивает мошенничество в сфере немедицинского страхования в США более чем в 40 миллиардов долларов в год, что может стоить семьям от 400 до 700 долларов в год дополнительных премий.
Машинное обучение может анализировать исторические претензии и истории клиентов, чтобы выявить потенциальное мошенничество. Машинное зрение и распознавание изображений могут изучать изображения и видео, на которых изображен потенциальный ущерб автомобилям или домам, и отмечать подозрительные случаи.
Ant Financial, финтех-подразделение группы Alibaba, разработало мобильное приложение для страхования автомобилей под названием Dingsunbao. Основанное на машинном зрении, приложение использует камеру телефона для обнаружения повреждений автомобилей и мгновенно выплачивает претензии. Теоретически приложение также может отмечать подозрительные претензии, когда автомобили были повреждены намеренно.
Обнаружение мошенничества - это, по сути, распознавание образов - определение функций, соответствующих прошлым случаям мошенничества. Машинное обучение идеально подходит для этого. Модели, обученные на больших наборах данных о мошенничестве в прошлом, могут обнаруживать подозрительные закономерности в новых заявках быстрее, чем люди. Кроме того, модели становятся лучше, поскольку они получают больше реальных данных.
AI для понимания клиентов: программное обеспечение для корпоративного поиска
Страховые компании опираются на больше данных о клиентах, чем в большинстве других отраслей. Если вы являетесь индивидуальным клиентом, страховщики знают о вашем жизненном этапе, семье, истории болезни и путешествиях, владении домом и автомобилем и многом другом. Если вы корпоративный клиент, они много знают о вашем бизнесе и ваших сотрудниках. Они также знают о вашей страховой истории.
В идеальном мире страховщики использовали бы эти данные для создания полного представления о любом клиенте. Обслуживание клиентов будет безупречным. Возможности дополнительных продаж и перекрестных продаж будут легко идентифицированы.
На самом деле данные о клиентах хранятся в отключенных системах и в разных форматах (например, документы, электронная почта, изображения, PDF-файлы). Наборы данных часто слишком велики для своевременного поиска, а также ограничены правами доступа.
Программное обеспечение корпоративный поиск с поддержкой искусственного интеллекта позволяет сотрудникам выполнять поиск в цифровых системах компании, включая базы данных документов, системы CRM, электронную почту, веб-сайты, документацию, журналы колл-центра и многое другое. Персонал может искать, используя вопросы или ключевые слова, и выбирать соответствующие СМИ, которые отвечают на вопрос.
Поисковые системы предприятия используют машинное зрение для распознавания изображений и текста на экране. Оптическое распознавание символов (OCR) используется для оцифровки текста из отсканированных PDF-файлов в текстовые документы или электронные таблицы. НЛП используется для интерпретации текста.
Распространение удаленной работы делает поисковые системы предприятия еще более привлекательными. Сотрудники могут искать информацию, не тратя время на преследование коллег.
Специалисты по урегулированию претензий, расследующие претензию, могут искать аналогичные претензии (например, Toyota Corolla Silver 2016 года выпуска за последние 2 года). Они также могут получить подтверждающую документацию и прошлые случаи мошенничества.
Андеррайтеры могут искать прошлых клиентов и полисов, чтобы оценить новую политику. Продавцы могут получить информацию о клиенте, чтобы определить продукты и услуги, которые им, скорее всего, понадобятся.
Агенты по обслуживанию клиентов могут получить доступ к информации о клиенте во время звонка и увеличить время ответа на запросы клиентов. Хорошее обслуживание клиентов имеет решающее значение для удержания клиентов во время экономических спадов, когда компании конкурируют за сокращающийся пул клиентских долларов.
360-градусный взгляд на клиента - сильное конкурентное преимущество в постпандемической экономике, поскольку он помогает компаниям удерживать хороших клиентов и привлекать новых клиентов. Что еще более важно, это понимание клиентов позволяет страховщикам создавать и продавать правильный набор продуктов, который будет стимулировать их к росту и увеличению доли рынка, когда экономика выздоровеет.
Выводы для руководителей страховых компаний
Первым инстинктом страховых компаний после Covid-19 будет сокращение расходов и снижение рисков. В то время как некоторые руководители будут сжимать свои кошельки, у других есть шанс сделать небольшие стратегические инвестиции в ИИ, которые имеют потенциал для быстрой окупаемости инвестиций. Что еще более важно, внедрение искусственного интеллекта теперь может дать проактивным страховщикам фору, когда экономика начнет меняться.
Как руководителям страховых компаний и руководителям предприятий подходить к ИИ в эти непростые времена? Как им выбирать проекты ИИ? Должны ли они создавать инструменты искусственного интеллекта внутри компании или покупать их у поставщиков?
Ответы будут зависеть от конкретной ситуации в компании. В целом компаниям следует смотреть на проекты с низкой стоимостью и высокой рентабельностью инвестиций в краткосрочной перспективе. Руководители также должны глубоко понимать потребности своего бизнеса, болевые точки и варианты использования ИИ. Затем они должны выбрать инструменты искусственного интеллекта, которые удовлетворяют эти потребности. Некоторые компании идут и покупают продукты искусственного интеллекта, а потом пытаются выяснить потребности своего бизнеса - обычно это плохо кончается.
Создание инструментов искусственного интеллекта внутри компании или покупка программного обеспечения поставщика имеют свои плюсы и минусы. Хотя внутреннее построение требует времени, инженеров и специалистов по данным, продукт адаптирован к вашим потребностям. Покупка у поставщиков происходит быстрее и дешевле, но продукт может быть не полностью совместим с вашими процессами и данными.
Другой подход - гибридный подход, при котором страховщики работают с поставщиками над разработкой индивидуальных инструментов. Это ускоряет внедрение, обеспечивая при этом хорошее соответствие продукта.
Наконец, реализация проектов ИИ требует совместной работы как технических, так и бизнес-команд. Бизнес-лидеры и функциональные эксперты имеют решающее значение для обеспечения того, чтобы решения ИИ соответствовали текущим потребностям бизнеса и могли быть адаптированы к меняющимся требованиям.
Примечание редакции: Towards Data Science - это издание Medium, в основном основанное на изучении науки о данных и машинного обучения. Мы не являемся специалистами в области здравоохранения или эпидемиологами, и мнения, изложенные в этой статье, не следует интерпретировать как профессиональные советы. Чтобы узнать больше о пандемии коронавируса, нажмите здесь.
