Как анализ данных применяется в страховых компаниях? И способна ли аналитика «прокачать» страховой бизнес? Эти и другие вопросы мы адресовали Заместителю Председателя правления по развитию АСК «ИНГО Украина» Игорю Филипенко.
— Игорь, страхование, пожалуй, одна из лидирующих областей по количеству накапливаемых данных. Какие именно данные собирают страховые компании?
— Мы собираем большое количество информации. В первую очередь, это данные о клиенте – от самых простых, требуемых законодательством для идентификации заказчика, до контактных и личных данных, которые помогают компании поддерживать постоянную связь с клиентом.
— Каким образом компания собирает информацию?
— Перед подписанием договора страхования клиент заполняет специальную форму, которая и является для нас основным источником информации.
При этом подразумеваем два типа клиентов:
- физические лица, которые хотят застраховать авто, недвижимость, приобрести «автогражданку» или полис для поездки заграницу;
- юридические лица – например, предприятия, страхующие своих сотрудников, имущество или ответственность на добровольной основе.
Во втором случае мы собираем не только информацию о предприятии, но и данные каждого застрахованного сотрудника, данные по каждому объекту страхования.
Поэтому в зависимости от вида страхования меняется и состав собираемой информации.
— Наверное, Вам приходиться работать с большими объемами данных…
— Да. Поэтому сейчас компания работает над созданием нового хранилища данных, в основу которого ляжет программно-аппаратный комплекс Teradata.
Также мы приобрели отраслевую модель хранения данных, разработанную специально для финансовых организаций (в том числе, для страховых компаний). В ней реализован почти двадцатилетний мировой опыт сбора и хранения данных по всем «сущностям», которые есть в страховании. Эти данные включают в себя как информацию о клиентах, корреспондентах, партнерах, так и об объектах страхования.
Мы изучаем опыт мировых компаний, пытаясь понять, как и какие данные они собирают.
Модель данных сильно влияет на то, как мы будем перестраивать наши собственные информационные системы. Такая перестройка поможет нам максимально эффективно анализировать информацию, касающуюся клиентов, партнеров, договоров страхования, объектов страхования, рисков и т.д.
— Как выглядит эта модель на практике?
— Эта диаграмма показывает, что модель достаточно большая и сложная, так как мы имеем дело с разными данными:
К примеру, если мы говорим о таком объекте страхования как крупный имущественный комплекс, то для оценки риска применяются четкие процедуры. Уполномоченный сотрудник проводит предварительный осмотр объекта. В результате формируется некий отчет по объекту. Детализация собранной информации также представляет для нас большую ценность, как для оценки конкретного объекта, так и для накопления статистической информации.
— Как и для чего используются эти данные?
— Данные о клиентах нужны для лучшей коммуникации с ними и разработки индивидуальных предложений.
Данные об объекте страхования — для более точной оценки риска.
Информация собирается и на этапе урегулирования страхового события. По сути, любой процесс оперативного маркетинга, продаж, заключения договора, андеррайтинга и урегулирования собирает свою часть информации о клиенте и объекте.
— Верно ли утверждение о том, что аналитика без полного набора блоков данных некорректна?
— Есть крылатая фраза — «Ценность не во владении информации, а в её использовании». Мы можем накопить терабайты, зетабайты данных, но если при этом не научим наших сотрудников ими пользоваться, анализировать, принимать решения на базе этих данных, то и не будет смысла их расшифровывать. Они нам никак не помогут сделать наш бизнес лучше. Поэтому в проекте по построению нового хранилища данных в корпоративной системе отчетности мы уделяем большое внимание образовательному направлению. Для этого разрабатывается специальный курс «Анализ данных для менеджмента».
Раньше при приеме на работу обязательным требованием было знание Microsoft Office. Сегодня же каждый сотрудник должен иметь навыки (пусть даже поверхностные) анализа данных. На мой взгляд, это очень важно.
Умения создать одну столбиковую диаграмму в Excel недостаточно — нужно корректно визуализировать данные при помощи правильных диаграмм и методов. Но самое главное – принять и внедрить верное решение на основе результатов анализа.
— Расскажите об особенностях применения аналитики в Вашей компании?
— Для этого нужны минимальные знания в области статистики. Именно статистика помогает увидеть, что есть не просто средний сбор премии по клиенту или средняя цена полиса по всем клиентам, но и узнать, как эта величина разбита на блоки по страховым полисам. Если говорить о физических лицах, полезной будет информация о том, в каком «поле» находится больше клиентов: более востребованы дорогие полисы или дешевые.
— На одной из конференций по Big Data Вы сказали, что у Вас есть четкий план развития аналитических технологий на 5 лет. Честно говоря, прозвучало интригующе. Поделитесь с нами, в чем же суть этого плана?
— Аппаратно-программный комплекс и модель, о которой мы с вами говорили в начале интервью — это и есть первая часть реализации нашего плана. Сюда входит и обучение персонала. После того, как мы создадим правильную, быструю инфраструктуру, научимся правильно собирать и обрабатывать данные, тогда перейдем к следующему этапу, предполагающему увеличение объема анализируемых данных.
— Каким Вы видите работающий проект?
— Большинство коммуникаций с клиентами внутри компании будут строиться в цифровом виде. Мы будем использовать данные, сложные математические алгоритмы и возможности «искусственного интеллекта». Благодаря максимальной автоматизации рутинной работы сотрудник сможет больше думать.
Кроме того, алгоритмы будут подсказывать и помогать менеджерам принимать правильные решения буквально «на лету». Система будет напоминать, что необходимо выполнить то или иное действие, также она сможет предсказывать риск ухода отдельных клиентов и даже разработать для таких клиентов специальные предложения.
Первые результаты уже есть. Так, анализ данных показал, что у клиентов, работающих с нами первый год, риск ухода в 3 раза выше, чем у тех, кто работает с нами более 3 лет. Раньше мы могли это только предполагать, сейчас уже знаем наверняка.
Также мы просчитали, что выплата по страховому событию влияет на лояльность клиента, но не настолько сильно, как предполагалось. Отличие буквально в несколько процентных пунктов, но не в разы.
Все это делает наш бизнес эффективнее.
— Как Вы видите будущее аналитики и искусственного интеллекта в страховании?
— Это могут быть какие-либо математические модели для рекомендательных систем, нейронные сети, которые пытаются определить попытки мошенничества. Человек зачастую не может выявить такие вещи «на лету», а нейронная сеть способна сделать это в режиме реального времени на основании данных из хранилища.
— И напоследок расскажите о себе. Как Вы попали в страхование, в частности в ИНГО?
— 12 лет назад я закончил карьеру в консалтинге и начал заниматься проектом по внедрению CRM-системы для «ИНГО Украина». Я пришел в компанию в октябре 2004 года на должность CIO, человека, который занимается информационными технологиями. Поначалу задачи были самые простые — автоматизировать страховые и бухгалтерские операции. Мы проанализировали, чем занимаются сотрудники IT-подразделения, после чего в 2005 году создали первое корпоративное хранилище данных и внедрили самую простую аналитическую систему.
Так и зародился интерес к построению отчетности, к аналитике и обработке данных. Затем круг моих обязанностей расширился: я начал отвечать за бизнес-процессы, оргструктуру, организационные преобразования, а чуть позже – и за маркетинг.
Современная аналитика невозможна без того, что мы называем «digital». Оперативный сбор корректных и качественных данных позволяет, в первую очередь, принимать эффективные решения. А во-вторых, работать с клиентом, создавать индивидуальные коммерческие предложения, строить рекомендательные модели и, конечно, более точно оценивать риск.
Дмитрий Макаренко, DataReview.info