Андеррайтинг является основополагающим процессом во всех секторах страховой отрасли, однако текущий процесс является трудоемким. Ручное вмешательство может быть очень значительным, особенно в случае страхования жизни, а принятие решений человеком может привести к противоречивым результатам. Многим страховым компаниям также мешают устаревшие технологии и процессы, которые мешают им использовать Интернет вещей (IoT), включая умные часы и телематические устройства, которые предоставляют данные в режиме реального времени об уровнях активности и эффективности вождения клиентов.

Решением этих проблем может стать андеррайтинг с использованием искусственного интеллекта (ИИ). Без искусственного интеллекта некоторым страховщикам требуется до 30 дней, чтобы принять решение о заявителе на получение страхового полиса. С андеррайтингом на основе ИИ решение может быть принято на несколько недель раньше. Поскольку ИИ может получать информацию из исторических данных, эти решения также могут стать более взвешенными. В настоящее время некоторые страховые компании используют ИИ в небольших карманах, но широкое внедрение решений ИИ в сфере андеррайтинга еще предстоит.

В спектре ИИ можно использовать 4 метода.

1. Машинное обучение
Страховые компании имеют огромное количество исторических данных о соискателях — история болезни, семейный анамнез, данные о работе — а также оценки рисков, которые страховщики назначают соискателям на основе доступных данных и статического набора правил.

Алгоритм машинного обучения способен поглощать эти исторические данные и создавать модель, которая будет имитировать решения, принятые андеррайтерами на тот момент. Для менее сложных случаев разрешение модели назначать классификацию риска приблизило бы отрасль к андеррайтингу с нулевым касанием, когда решения принимаются без ручного вмешательства со стороны андеррайтера.

В более сложных случаях решение андеррайтера может быть принято быстрее и с более здравым смыслом, потому что базовая модель предназначена для их поддержки. По мере того, как модель совершенствуется и организация становится более удобной с ИИ, процент приложений, подписанных с концепцией «нулевого вмешательства», может увеличиваться.

2. Глубокое обучение
С появлением методов глубокого обучения ИИ становится все более изощренным и способным использовать навыки рассуждения и решения проблем так же, как это делает человеческий мозг. Это поможет трансформировать андеррайтинг различных коммерческих рисков, которые в настоящее время страхуются вручную, с использованием традиционных методов, опытными андеррайтерами. Это также упростит процесс принятия решений и снизит затраты (включая убытки от андеррайтинга).

Дроны, оснащенные инфракрасными камерами, лазерами и датчиками, помогают собирать данные о погоде, температуре и условиях окружающей среды, включая радиацию. Они меняют правила игры и меняют способ оценки рисков в коммерческом секторе.

3. Обработка естественного языка
Обработка естественного языка имеет два применения в страховании. Во-первых, заявители могут общаться с ботом для сбора информации, необходимой андеррайтеру для оценки рисков. Бот может понимать человека, с которым общается, благодаря технике обработки естественного языка. Другое приложение предназначено для интеллектуального анализа данных на основе текста — в настоящее время это ручной процесс для большинства страховых компаний. При обработке естественного языка эта информация может быть передана боту, который мгновенно создает электронную форму. Если используется машинное обучение, эта форма может быть немедленно введена в алгоритм.

В коммерческом страховании NLP можно использовать для лучшей поддержки андеррайтеров, став их виртуальными помощниками. Помимо обычного ввода данных, NLP может помочь андеррайтерам получить соответствующие данные о рисках, которые они пишут, используя аналитику на основе поиска для ускорения доступа к данным.

4. Модели данных о поведении
Модели данных о поведении можно использовать для анализа данных о клиентах в режиме реального времени с устройств IoT для точной классификации рисков и инноваций в продуктах. Используя эти данные, страховые компании могут запускать новые продукты, которые стимулируют клиентов по страхованию жизни вести более здоровый образ жизни, а клиентов автострахования — к более безопасному вождению. Когда страховые компании используют данные о поведении, чтобы объединить оздоровительный продукт с традиционной страховкой, они могут получить доступ к новому сегменту рынка, новому потоку доходов.

Преодоление барьеров на пути внедрения
Возможность быстрее выпускать политики позволит более крупным и авторитетным компаниям конкурировать с технологическими стартапами, которые отнимают у них долю рынка. Однако большинство компаний сталкиваются с препятствиями на пути внедрения этих решений.

Первый барьер: доступность данных
Исторические страховые данные обычно разбросаны по разрозненным системам или приложениям, что затрудняет для компаний объединение достоверных и непротиворечивых данных для алгоритма машинного обучения, чтобы начать их добычу. данные для понимания.

Второй барьер: устаревшая технология
Существующая технология, используемая большинством страховых компаний, достаточно устарела, поэтому внедрение методов ИИ потребует значительных финансовых вложений, а также изменения культуры внутри организации с точки зрения как технологии используются при принятии решений.

Учитывая эти барьеры, подход «большого взрыва» не рекомендуется для компаний, которые хотят внедрить методы ИИ в своем отделе андеррайтинга. Вместо этого компаниям следует выбрать подход «начни с малого и быстро потерпишь неудачу», чтобы добиться немедленных результатов и снизить риски как в финансовом плане, так и с точки зрения затрат времени.

Внедряя методы ИИ с меньшими вариантами использования и более простыми продуктами, страховые компании могут видеть, как обстоят дела с результатами, и масштабировать внедрение ИИ оттуда.