Kunstverzekering? Hoe Machine Learning bezig is Underwriting te transformeren

Voor een industrie die eeuwenlang bestand is tegen verandering, ondergaat de verzekering nu een digitale revolutie. Met de komst van meer algoritmen voor het leren van machines brengen verzekeraars meer informatie in om het risico beter te kunnen meten en meer premieprijzen op maat aan te bieden. Aan de achterkant wordt het verzekeringsproces gestroomlijnd om aanvragers met vervoerders efficiënter en met minder fouten te verbinden.

Dit drastische niveau van snelle verandering betekent grote dingen voor verzekeraars en aanvragers. Hier ziet u hoe kunstmatige intelligentie, of AI, zich op de grens van de verzekeringssector bevindt en waar deze de komende jaren mogelijk naartoe gaat.

Beoordeling van risico

Historisch gezien hebben verzekeraars van verzekeraars zich gebaseerd op informatie die is verstrekt over aanvragen om de risico's te beoordelen een potentiële klant omringen. Het probleem is natuurlijk dat aanvragers oneerlijk zouden kunnen zijn of fouten zouden kunnen maken, waardoor deze risicobeoordelingen onnauwkeurig zouden zijn.

Machine learning, met name natuurlijke taalbegrip (NLU), stelt verzekeraars in staat om meer abstracte informatiebronnen te doorzoeken, zoals Yelp reviews, posts op social media, SEC-archieven enzovoort, en relevante informatie samenbrengen om de potentiële blootstelling van de verzekeringsmaatschappij adequater te beoordelen.

"[Met NLU] ons vermogen om deze tekstuele gegevensbronnen daadwerkelijk te bekijken en zeer relevante informatie is enorm toegenomen ", zegt Andy Breen, SVP bij Argo Digital. "We maken gebruik van deze informatiebronnen die niet eerder beschikbaar waren of gemakkelijk konden worden verspreid."

Nauwkeuriger risicobeoordelingen betekenen meer geschikte premies. In een sector waar het grootste verschil tussen verzekeringsmaatschappijen niet hun producten zijn, maar hun prijzen, zou een beter, meer geïndividualiseerd blootstellingsmodel een groot verschil kunnen maken, zei Sofya Pogreb, COO bij Next Insurance.

"Traditioneel, [de industrie] heeft aangeboden 'producten met de kleinste gemene deler': een standaard aansprakelijkheidsbeleid, 'zei Pogreb. "Wat je uiteindelijk oplevert is een zeer ongedifferentieerd product, waarbij een bakkerij en een wasserette hetzelfde beleid hebben. Dat is niet de juiste manier om voor de klant te gaan. Door automatisch meer data te kunnen consumeren, zullen we meer maatwerk zien en klanten zullen profiteren door te betalen voor dekking die ze echt nodig hebben. "

Opsporing van fraude

Fraude is een grote zorg voor verzekeringsmaatschappijen en AI is een belangrijke waakhond in de strijd tegen frauduleuze claims. Zoals Samsung in een blogpost zegt over het voorkomen van verzekeringsfraude, gaat het allemaal om het detecteren van patronen die aan de menselijke cognitie kunnen ontsnappen: "Franse AI-startersfirma Shift Technology neemt deze technologie op in hun diensten voor fraudepreventie, die al meer dan 77 miljoen claims hebben verwerkt De cognitieve machine learning-algoritmen hebben een nauwkeurigheidspercentage van 75 procent bereikt voor het detecteren van frauduleuze verzekeringsclaims. De ML-algoritmen bevatten details over verdachte claims met potentiële aansprakelijkheids- en reparatiekostenbeoordelingen en suggereren procedures die fraudebescherming kunnen verhelpen en verbeteren. "

" Het vermogen van machine learning om te helpen bij het opsporen van vermoede fraude is goed ingeburgerd, maar de door mensen aangestuurde gegevenswetenschap is tot nu toe net zo goed. Het belangrijkste verschil in de tijd zal een kostenpost zijn ", zegt Areiel Wolanow, managing director bij Finserv Experts Limited . "Professionele criminelen houden zich op de hoogte van toonaangevende fraude-indicatoren en passen hun gedrag aan." Human data scientists zullen hun analyse in de loop van de tijd moeten herhalen om hun tempo bij te houden, terwijl algoritmen voor machinaal leren zichzelf trainen op basis van waarneembare veranderingen in de onderliggende gegevens. .

Vermindering van menselijke fouten

De distributieketen in de verzekeringssector is slingerend en complex. Een aantal tussenpersonen onderzoekt informatie tussen de verzekerde en de vervoerder, wat leidt tot veel menselijke fouten en handmatig werk dat het proces vertraagt, zei Breen. Echter, AI begint dit probleem al op te lossen.

Algoritmen kunnen de tijd en het aantal fouten reduceren naarmate de informatie van de ene bron naar de andere wordt doorgegeven. Door zich aan te melden bij een portal en een PDF te uploaden, wordt de hoeveelheid gegevensinvoer en re-entry verminderd en de nauwkeurigheid vergroot, aldus Breen.

"Mensen worden moe en verveeld en maken fouten, maar algoritmen niet", zegt hij. toegevoegd.

Voor Pogreb is het overbruggen van de kloof tussen de verzekerde en de verzekeraar net zo belangrijk als het verminderen van fouten. Met betere gegevens profiteren zowel klanten als verzekeraars, omdat verzekeraars betere producten kunnen ontwikkelen op basis van nauwkeurigere beoordelingen, en klanten betalen precies wat ze nodig hebben.

"Met machine learning denk ik dat we in staat zullen zijn om om het veel beter te doen om de consument automatisch advies te geven, "zei Pogreb. "Op basis van wat u mij vertelt over uw bedrijf en wat ik weet over vergelijkbare bedrijven, [ik kan zeggen], geloof ik dat dit de juiste combinatie van dekking voor u is. Dus het is de bewijslast, noch op de agent, noch op de klant - wie eerlijk gezegd heeft niet de ervaring of kennis - maar laten de gegevens het advies geven.

" De toekomst van verzekeringen AI

De verzekeringssector is nog maar net begonnen aan AI, en bedrijven experimenteren al met nieuwe manieren om het in hun dagelijkse activiteiten op te nemen in afwachting van verdere technologische ontwikkeling.

"Het is de allereerste dag van AI," zei Breen. "Voor basismateriaal, repetitieve taken, plaatsen we de computer erop ... maar we zijn een manier verwijderd van een computer-underwriter. We zijn eigenlijk gewoon mensen aan het verbeteren."

Dat is nog steeds een belangrijke verandering in de industrie, hij zei. Underwriters bij Argo Digital beginnen nu portefeuilles te beheren in plaats van elke inzending te beoordelen. De meer standaard, voorspelbare claims worden afgehandeld door algoritmen voor machinaal leren, zei Breen, en de menselijke underwriter is in essentie het hele proces aan het verfijnen en intervenieert in zaken die een besluitvorming van hogere orde vereisen.

Pogreb ziet nog meer potentieel voor stroomlijnen van het acceptatieproces. Ze verwacht dat het aantal aanvragen dat een menselijke verzekeraar moet afhandelen aanzienlijk zal dalen, omdat machine learning nog meer een doorbraak naar de verzekeringssector maakt.

"We geloven in technologie en machine learning, veel [menselijke acceptatie] ] kan worden afgeschaft, "zei Pogreb. "Het percentage verzekeringstoepassingen dat menselijke aanraking vereist, zal drastisch dalen, misschien wel 80 tot 90 procent, en zelfs tot lage eencijferige cijfers."

Hoewel de aanvaarding van AI op een rudimentaire manier is gekomen, verandert het de lay-out van de land. Verzekeringsmaatschappijen die competitief willen blijven, moeten beginnen met het testen van de wateren van AI, zei Wolanow.

"Bedrijven kunnen zich voorbereiden en concurrerend blijven door de impact van machinaal leren op hun bedrijf te beoordelen door prototypes te maken van hun eigen algoritmen", aldus Wolanow. "Een individueel machine learning algoritme dat zijn analyse op een stand-alone basis uitvoert, is eigenlijk vrij goedkoop, [en] in veel gevallen is een stand-alone analysetool meer dan geschikt voor het doel."

10 Tekenen die u bent verslaafd aan ondernemer

Ondernemerschap is misschien een goede carrièremogelijkheid voor sommige mensen, maar seriële ondernemers (diegenen die meerdere bedrijven starten) kunnen meer zijn dan alleen zakelijk en avontuurlijk - gewoon ondernemerschap kan eigenlijk een gedragsstoornis zijn verslaving, volgens een recente studie in Journal of Business Venturing.

(Bedrijf)

Wat is Predictive Analytics?

Elk bedrijf heeft een schatkamer aan gegevens, van klant- en transactie-informatie tot productie- en verzendstatistieken. De sleutel is het uitzoeken hoe eerdere gegevens kunnen worden gebruikt om de toekomst van het bedrijf te verbeteren. Eén strategie is dat bedrijven voorspellende analyses gebruiken.

(Bedrijf)