Пресса

Казахстанский портал о страховании, 31 августа 2020 г.

Машинный интеллект в страховании: идеи для сквозной трансформации предприятия

420 просмотров

Смысл существования машинного интеллекта (МИ) - более высокая прибыль за счет увеличения доходов и экономии затрат. В страховании МИ принес ощутимую пользу и прибыль в таких областях, как аналитика клиентов и обработка претензий.

Те, кто раньше внедрил более продвинутые подходы к МИ, видят положительные результаты в таких областях, как более быстрое урегулирование претензий и целевые перекрестные и дополнительные продажи, и специалисты Swiss Re Institute считают, что при правильном развертывании можно получить больше преимуществ. Однако трансформация страхования в масштабе всего предприятия с помощью МИ все еще остается амбициями, а не реальностью. Специалисты Swiss Re Institute обнаружили, что только 10% фирм могут внедрять трансформирующие комплексные системы машинного интеллекта.

Основная причина - качество данных. Например, исследование Swiss Re Institute показало, что 80% компаний не имеют достаточно чистых и тщательно отобранных данных, чтобы реализовать наиболее производительный машинный интеллект.

Исследователи Swiss Re Institute, в рамках своего исследования сигма предлагают узнать больше о возможностях, которые можно использовать, и о проблемах, с которыми страховщики сталкиваются при развертывании систем с поддержкой МИ.

Трансформация корпоративного машинного интеллекта: пять больших ловушек и как их избежать

Многие страховщики используют фразу «цифровая трансформация» для описания использования новых технологий для повышения масштабируемости и гибкости, персонализации обслуживания клиентов, упрощения соблюдения нормативных требований и устранения внутренних организационных разрозненных структур и фрикционных затрат.

В последнем исследовании сигма Swiss Re Institute исследуются возможности трансформации, которые машинное обучение (МО) и искусственный интеллект (ИИ) предлагают для достижения таких целей сегодня.

Однако осуществить это преобразование не всегда просто. Развертывание часто может быть неудачным - часто из-за организационных ограничений, таких как устаревшие системы и плохие данные, а не из-за проблем с используемыми моделями.

Эти препятствия могут привести к повторяющимся циклам инвестиций, которые не принесут требуемых изменений. При обзоре данных опроса Swiss Re Institute обнаружил, что менее 10% компаний во всех секторах смогли масштабировать пилотные проекты МИ для развертывания в нескольких процессах.

Каковы самые большие подводные камни, которые приводят к неудачам при развертывании МИ на предприятии?

Ловушка 1: Затраты

В недавнем опросе 93% респондентов американских страховщиков, проходящих трансформацию МИ, выразили озабоченность по поводу затрат на внедрение и окупаемости инвестиций (ROI). Причина обычно в том, что анализ затрат и выгод фокусируется на прямых расходах (таких как цена решения поставщика) и упускает из виду значительные, часто повторяющиеся, косвенные затраты.

Честная оценка рентабельности инвестиций должна сопоставить преимущества трансформации рабочего процесса, измеряемые в более низких затратах, более высоком доходе и новых бизнес-возможностях, в сравнении с прямыми и косвенными затратами. Интеграция новой системы с поддержкой МИ в организацию потребует реорганизации рабочего процесса, и это почти всегда будет составлять большую часть затрат на развертывание системы. Поддержание целостности, безопасности и конфиденциальности новой системы также потребует сначала большого бюджета, хотя со временем он может уменьшиться, а в долгосрочной перспективе окупаемостью будет повышение эффективности и снижение бизнес-затрат.

Ловушка 2: Отсутствие корпоративной стратегии обработки данных

Для успешной реализации системного интеллекта в масштабах всего предприятия требуется целостная стратегия и архитектура данных в масштабах всего предприятия. Тем не менее, большинство компаний не разрабатывают ее, прежде чем начать цифровую трансформацию. В одном из недавних опросов менее 10% директоров по данным (CDO) в разных отраслях заявили, что они могут измерить финансовую ценность своей информации и информационных активов. Другое исследование показало, что до 75% страховщиков не имеют возможности согласовывать различные типы данных.

Кроме того, Swiss Re Institute заметил, что во многих компаниях нет централизованного процесса курирования, что приводит к дублированию обработки данных несколькими командами.

Ловушка 3: Слишком мало инженеров по данным

Это может показаться простой ошибкой, но часто развертывание не удается из-за недостаточного найма инженеров по обработке данных. Обычно фирмы часто начинают с разработки алгоритма, но затем совершают ошибку, недостаточно инвестируя в разработку данных.

Примечательно, что в непрерывном корпоративном процессе сложный алгоритм, поддерживаемый некачественными данными, имеет тенденцию фактически уступать более слабому алгоритму, поддерживаемому высококачественными данными. Следовательно, эти фирмы совершают серьезную инвестиционную ошибку. Исследование International Data Corporation показало, что специалисты по данным тратят 67% своего времени на поиск и обработку данных. Инвестирование в инженеров для улучшения качества данных может принести значительные долгосрочные выгоды.

Ловушка 4: Отсутствие согласования МИ с потребностями бизнеса

Важно отметить, что бизнес-вариант использования и доступность данных должны определять, какой тип системы и алгоритм будет выбран. Большая часть технологий настолько нова, что нет единого мнения о том, какие методы или модели лучше всего подходят для каких вариантов использования, но Swiss Re Institute ожидает, что консенсус появится со временем. На данный момент, даже если приложить все усилия, чтобы сопоставить методику с вариантами использования, процесс проб и ошибок является нормальным, чтобы определить, какой из них работает лучше всего. Но процесс должен определяться бизнес-потребностями - многие неудачные реализации возникают из-за несоответствия алгоритма сценарию использования.

Ловушка 5: Отсутствие спонсорской поддержки со стороны высшего руководства

Отсутствие поддержки со стороны руководства может быть смертельно опасным для крупных преобразовательных развертываний МИ, особенно во время смены руководства. Сама по себе разработка модели / алгоритма является лишь одним из элементов успеха: не менее важна детализированная кросс-функциональная стратегия, которая пользуется как поддержкой высшего руководства, так и поддержкой бизнес-единиц.

Причины, по которым проект может быть отклонен, могут включать в себя недостаточную информированность высшего руководства о предлагаемом развертывании МИ; плохая реализация непосредственным персоналом; плохая координация между бизнес-единицами.

Задача машинного интеллекта в страховании и как ее реализовать

Критическая нехватка качественных данных и инженерии данных не позволяет страховой отрасли воспользоваться быстрыми достижениями в области машинного интеллекта, включая обычную подгонку кривой, машинное обучение и искусственный интеллект.

Страховщики уже используют обычный машинный интеллект, однако неадекватные данные ограничивают производительность модели. Новому машинному интеллекту, такому как глубокое обучение, популярный тип машинного обучения, и искусственный интеллект, определяемый здесь как системы адаптивного обучения, еще больше затрудняют проблемы с данными.

Хотя такие технологии уже широко используются в таких областях, как аналитика клиентов и обработка претензий, гораздо больший потенциал заключается в способности страховщиков использовать растущие (и уже массивные) наборы данных из цифровой экономики и Интернета вещей, чтобы они могли обеспечить лучший дизайн и цену страхового покрытия. Эти технологии также могут революционизировать способ управления страховщиками своим бизнесом.

Отсутствие значимых данных не позволяет осуществить масштабную трансформацию. Страховщики, оснащенные и готовые решить эту проблему, будут иметь значительное преимущество, они смогут предлагать продукты и услуги, отвечающие ожиданиям зарождающегося поколения цифровых аборигенов. В то же время эти компании будут более успешными в плане эффективного и точного ценообразования. Более того, тщательно отобранные данные и соответствующий машинный интеллект откроют новые возможности для инноваций в страховании.

Угроза срыва

Потребность в быстром развитии страховой отрасли является насущной, поскольку некоторые из крупнейших и наиболее влиятельных игроков технологической отрасли вскоре могут начать предлагать свои собственные страховые продукты непосредственно пользователям.

«При глубоком и детальном понимании этих пользователей, благодаря способу сбора и анализа данных, это может стать реальной угрозой для традиционных страховых компаний. В качестве альтернативы страховщики, которые выясняют, как продуктивно сотрудничать с крупными технологическими компаниями, могут значительно опередить своих конкурентов по мере трансформации страховой отрасли», - предупреждает д-р Джеффри Бон, управляющий директор и главный директор по исследованиям и инновациям Swiss Re Institute.

«Вместо того, чтобы искать быстрых результатов в цифровых технологиях, нашему сектору необходимо определить новые трансформирующие модели и парадигмы в масштабах предприятия, которые обеспечат долгосрочные и устойчивые успехи».

Доступ к нужным данным в нужное время и в нужном формате - это необходимый первый шаг на пути к внедрению новых моделей и новых возможностей, основанных на цифровых технологиях. Это то, с чем уже знакомы самые известные имена в технологическом секторе - они понимают скрытую силу данных и знают, как максимизировать их ценность.

Проблема с данными: во-первых, построить прочный фундамент

Существует ряд взаимосвязанных причин задержки внедрения новой технологии, одна из которых - отсутствие данных, которые можно использовать. «Это не означает, что данных недостаточно», - объясняет Бон. «На самом деле, сейчас физическим лицам и организациям доступно больше данных, чем когда-либо прежде».

Нет, проблема, стоящая перед страховой отраслью, заключается в том, что большая часть этих данных является неполной, плохо обработанной, недоступной в то время, когда она наиболее необходима, а иногда информация вообще теряются где-то в организационной из-за разобщенности бизнес-подразделений. Поиск и обработка нужных данных - важный первый шаг в создании алгоритма».

«Элемент данных имеет ценность только в том случае, если он собирается, трансформируется и обрабатывается таким образом, который отвечает конкретной потребности в нужное время и в форме, которая имеет смысл для выбранной цели».

В Лондоне штаб-квартира Swiss Re на улице Сент-Мэри Экс, 30, которую некоторые ласково называют «Корнишон», является одним из самых узнаваемых зданий города. Она получила признание и награды как за свою форму, так и за функцинальность. Но попробуйте представить, как бы она выглядела, если бы ее построили без руководства архитектора. Идея начать работу над любым зданием без привлечения архитектора или создания прочного фундамента кажется явно нелепой.

Тем не менее, во многих отношениях неспособность установить надежные процессы инженерии данных при создании цифровых инструментов похожа на начало работы над небоскребом без предварительной формулировки и наброска архитектурных планов, которым следует следовать.

Данные в движении: не озеро, а река

Данные обычно рассматриваются как фондовый актив с дискретной стоимостью, и это привело к их хранению и обработке определенным образом. Но настоящая ценность данных заключается в той силе, которую они развивают, когда несколько наборов данных объединяются, часто в режиме реального времени, для реагирования на ситуации и предоставления услуг при необходимости.

Бон объясняет: «Существует трансформационная энергия, которая ждет, чтобы ее высвободили из данных. Понимание клиентов может быть дополнено данными из других источников (которые могут включать погоду, новости, социальные сети и множество других потенциальных наборов данных), чтобы получить уровень детального анализа, который никогда не был доступен раньше».

Более глубокие и ясные идеи могут лечь в основу новых продуктов, новых стратегий вывода на рынок или даже помочь создать совершенно новые рынки.

«Представьте себе продукт страхования автомобилей, который взимает плату с клиента, например, только тогда, когда он находится за рулем. Или возможность застраховать урожай в развивающихся странах, объединив множество различных источников живых данных. Это могло бы быть поистине революционным», - говорит Бон.

Проблема, с которой сталкиваются организации в страховой отрасли, заключается в том, что со временем бизнес-процессы эволюционировали, чтобы хранить данные в хранилищах. Но данные не статичны - вместо того, чтобы думать о том, что они накапливаются в озерах, их следует рассматривать как текучие и текущие, как река.

Чтобы извлечь из этого реальную пользу, необходимо поставить себя (и бизнес-процесс) в середину этого постоянно меняющегося потока данных, собирать идеи и выполнять анализ в режиме реального времени.

Исправление неполной или отсутствующей архитектуры

В прошлогоднем отчете Gartner говорится, что менее 10% директоров по данным заявили, что они могут измерить финансовую стоимость своих информационных активов. Между тем, исследование ролей профессионалов в области данных показало, что многие из них тратят 67% своего времени на базовые операции по курированию и компиляции данных.

Эти результаты демонстрируют важность архитектуры данных, наличия точных спецификаций требуемых данных, их источника (источников), того, как они будут использоваться, и какими должны быть желаемые результаты. «Хотя в основе таких вопросов лежат данные и технологии, их нужно рассматривать такими, какие они есть на самом деле - бизнес-решениями, которые определят вероятный успех новых инструментов, новых моделей и новых способов работы», - говорит Бон.

Без четкой архитектуры данных данные, включенные в процесс, не обязательно будут соответствовать назначению, в результате чего высококвалифицированные и востребованные специалисты по обработке данных будут выполнять самую рутинную работу по очистке данных. Это может привести к дублированию усилий по устранению проблем или к недоверию к данным - и, конечно же, может поставить под угрозу эффективность инструментов МИ, использующих эти данные.

Оценивая предстоящую задачу

Такое непонимание важности инженерии данных иногда приводило к разочарованию. «Вы можете потратить небольшое состояние на очень быструю машину», - говорит Бон. «Но если у вас нет готовой дороги, по которой можно проехать, вы вообще не поедете очень быстро».

В сигме Swiss Re Institute говорится, что страховая отрасль, как одна из медленнее внедряющих цифровую трансформацию, только начала испытывать разочарование в большинстве областей машинного интеллекта. В исследовании отмечается, что отрасль все еще далека от того, чтобы вступить в «склонность к просвещению» в отношении этих новых технологий.

«Проблемы, стоящие перед сектором, могут быть полностью решены только с осознанием того, в какой степени МИ и связанные с ним технологии требуют перестройки процессов и перспектив», - заключает Бон. «В ближайшем будущем инженерия данных должна рассматриваться как решающая отправная точка. Но чтобы добиться этого, сектору потребуется привлечь и удержать нужные таланты в виде инженеров / архитекторов данных - людей, которые могут разрабатывать процессы с нуля».

Если отрасль сможет перенять такую практику и объединить ее с глубокими знаниями и опытом структурирования продуктов с учетом рисков и регулирования, она будет хорошо подготовлена к будущим сбоям и конкуренции.

Подготовлено порталом Allinsurance.kz

В материале упоминаются: Компании, организации: Swiss Re 929  Swiss Re Institute 115  Персоны: Бон Джеффри

Ваше мнение об этом материале:

— Ваше имя
— Ваш email
— Тема

Ваш отзыв (заполняется обязательно):

Укажите код на картинке слева:

Установите трансляцию заголовков прессы на своем сайте

 Подробнее »

Получить код для трансляции заголовков прессы »