19
Вт, март

С более умным, комплексным ценообразованием нет такого понятия, как плохой риск

В страховой отрасли существует давняя истина о том, что не все риски созданы равными, и для страховщиков одни риски более рискованны, чем другие.Тем не менее, новые технологии открывают новые пути инноваций для страховщиков, предоставляя возможность радикально улучшить ценообразование более сложных рисков, что должно стать огромным приоритетом для многих.


Поскольку темпы изменений продолжают ускоряться, только те страховщики, которые используют более продуманный, целостный подход к инновациям в отношении рисков ценообразования, а именно, трехсторонний подход, основанный на качественных данных, машинном обучении и эффективном развертывании, могут быть уверены, что они будут делать успехи, необходимые для того, чтобы оставаться конкурентоспособными в долгосрочной перспективе.

Качество данных

Первое, что должен учитывать начинающий новатор - это данные. Конечно, чем больше данных хранится в организации, тем больше у нее шансов генерировать новые идеи, более точно оценивать риски и, в конечном итоге, получать конкурентное преимущество. Именно это мышление заставляет многих страховщиков вкладывать средства в новые и интересные инструменты для анализа нетрадиционных данных, которые представляют собой данные от третьих лиц или сторонних компаний, которые некоторые страховщики получают от посредников, предоставляющих им дополнительную информацию о своих клиентах.

Машинное обучение дает страховщикам возможность быстрее обрабатывать большие наборы данных и выявлять возникающие тенденции или закономерности без особого человеческого участия.

Однако внезапная доступность множества данных породила неправильное представление о том, что все данные одинаково ценны, и что весь вопрос заключается просто в получении как можно большего количества данных. На самом деле соотношение отдачи от инвестиций (во времени и внимании, если не в деньгах) вскоре «упирается в кирпичную стену». Поэтому отбор данных является ключевым процессом.

Таким образом, хотя рассмотрение больших объемов данных может быть целесообразным, в зависимости от ситуации, получение большего и большего количества данных ради самих данных не должно быть стратегией. Напротив, большинство наибольших выгод будет заключаться в применении новых, сложных методов моделирования к существующим, хорошо проверенным «предсказателям» вероятности претензий.

Конечно, по-прежнему необходимо убедиться, что собираемые данные имеют высокое качество. Страховщики, которые организуют прямые продажи потребителю, имеют преимущество в определении своих собственных наборов вопросов и поэтому могут собирать конкретные и точные данные, которые им необходимы для точного моделирования риска. Преимуществом является то, что наборы данных могут постоянно обновляться, и расчеты по рискам могут соответственно изменяться. Если при продаже используются посредники, страховщики должны решать, какие данные должны собираться от клиента, когда они предлагают посредникам наборы вопросов.

Машинное обучение

Наряду со сбором данных страховщики должны также рассмотреть, как они анализируют свои данные. Большинство моделей риска рассчитываются с использованием общих линейных моделей (GLM). Но по мере того, как увеличиваются объемы сложных данных, GLM демонстрируют свои ограничения. Существует видимый потолок для количества взаимодействий, которые может обнаружить GLM, и для определения этих взаимодействий и их правильной оценки необходим человек.

С другой стороны, машинное обучение дает страховщикам возможность быстрее обрабатывать большие наборы данных и выявлять возникающие тенденции или закономерности без особого человеческого контроля. Эти наборы данных могут поступать как из внутренних данных страховщиков, так и из внешних источников данных, таких как наборы данных с открытым исходным кодом или из платных ресурсов.

Более того, преимущества, получаемые от машинного обучения, резко возрастают, когда у страховщика появляется больше данных. Нет смысла применять машинное обучение к небольшим и простым наборам данных, где будет достаточно GLM. Но те страховщики, которые применяют передовые алгоритмы к набирающим обороты наборам данных, открывают явное преимущество перед конкурентами. Они не только имеют больше данных, из которых можно получить представление о чем-либо, но и извлекают большую ценность из каждой незначительного объема данных.

Эффективное развертывание

Однако даже лучшие алгоритмы машинного обучения с открытым исходным кодом, когда они применяются к самым разнообразным и большим наборам данных, ничего не значат, если страховщики не могут быстро развернуть свои модели в реальных продажах с наивысшим уровнем детализации.

В конечном счете, любое новшество, касающееся ценообразования в отношении риска, требует, чтобы страховщики реализовывали свои алгоритмы для потребителей на платформе машинного обучения, которая в режиме реального времени может принимать решения для быстрой оценки рисков и определения уровня покрытия, который может быть предложен. Существующие алгоритмы делают это, разбивая риск и моделируя каждый элемент, используя любой источник, который наилучшим образом дает представление о риске.

И все же это легче сказать, чем сделать. Многие крупные страховщики привязаны к устаревшим платформам, от которых трудно отойти. А небольшие компании часто могут очень эффективно развертываться в своих узких нишах, но им не хватает опыта для развертывания более сложных продуков.

Начните с малого и в масштабе

Сегодня очень немногие страховщики в полной мере используют эти три стратегии в совокупности, и многие не в состоянии немедленно сделать это. Новые, гибкие и инновационные компании Insurtech создают новую волну в бизнесе с платформами машинного обучения, посредством которых они обеспечивают фантастический анализ и могут быстро донести результат до потребителя. Но без массы исторических данных о претензиях, которые традиционные страховые компании имеют в своем распоряжении, им очень трудно точно оценить риски. Маловероятно, что у многих есть бизнес-аппетит, чтобы иметь высокий уровень затрат, необходимый для того, чтобы учиться на собственном опыте претензий с течением времени.

На другом конце спектра у более крупных страховщиков есть данные, но переход на новую платформу является огромной задачей, несущей соизмеримые затраты и неопределенности. Это не может быть сделано за одну ночь. Некоторые страховщики начинают использовать гораздо более гибкий подход в моделях инкубаторов с идеей тестирования и разработки подходов помимо основного бизнеса в рамках подготовки к более широкой интеграции в будущем. Тем не менее, это имеет и обратную сторону в виде создания «изолированного бункера», который необходимо будет вернуть в бизнес на более позднем этапе. В итоге - это просто задерживает решение части проблемы.

Как и многие золотые возможности в бизнесе, наилучший подход, пожалуй, один из самых оптимальных для достижения, а именно - создание гибких, полномоченных межведомственных рабочих групп, включающих ученых о данных, андеррайтеров, комплаенс-специалистов и представителей ИТ-безопасности, которые все работают вместе для достижения общей цели.

Тем не менее, это путешествие, которое должны пройти все страховщики, особенно те, которые работают на более сложных рынках, таких как страхование жилья и имущества, где сложность определения цены некоторых рисков представляет собой возможность, которая слишком велика, чтобы ее упустить. Те, у кого есть возможность использовать более разумный, взвешенный подход к переходу, имеют редкий шанс получить существенное конкурентное преимущество.

Подготовлено порталом Allinsurance.kz