منو
پیشرفت تحلیل داده در صنعت بیمه
استفاده از داده و تحلیل آن برای بیمه کردن ریسکها، موضوع جدیدی برای شرکتهای بیمه نبوده است، با این حال در عصر دیجیتال کسبوکار آنها را متحول میکند. به عنوان مثال، تحولات دیجیتال به گونهای بوده است که 80 درصد تمام ادعاهای خسارت بیمه خودرو، به صورت خودکار ارزیابی میشود. حتی هزینه جذب هر مشتری از طریق بازاریابی دقیق و شخصیسازی شده، 70 درصد کاهش یافته است.
همگرایی چندین ترند تکنولوژی پشت این تحول قرار دارد. افزایش حجم دادهها از طریق جریانهای اطلاعاتی ناشی از پلتفرمهای دیجیتال، سنسورهای بیسیم، برنامههای واقعیت مجازی و میلیاردها تلفن همراه، از جمله این ترندها است. همچنین متخصصین علوم داده، هماکنون به قدرت محاسباتی بیسابقهای دسترسی داشته و میتوانند الگوریتمهایی بسیار پیچیدهتری را خلق کنند. به عنوان یک دستاورد، میتوان به یادگیری ماشینی و یادگیری سلسله مراتبی (deep learning) اشاره کرد.
در صنعت بیمه، بیمهگرانی که از تکنولوژی استفاده نکنند، از طرف رقبایی که از تحلیل دادهها برای بهبود کسبوکار خود از طریق سادهسازی فرآیندهای داخلی، افزایش حقوقها و کاهش هزینههای عملیاتی اقدام میکنند، تحتفشار خواهند بود.
راه اندازی بازوی تحلیلی:
مسئله این است که شرکتها چقدر سریع بتوانند بازوی تحلیلی خود را در سازمان راهاندازی کنند که در این راستا چهار فاز زیر مطرح میشود:
فاز یک : تدوین چشمانداز
نقطه شروع، شفافیت درباره چگونگی خلق ارزش بیشتر توسط تحلیل دادهها میباشد. اغلب شرکتها درباره مسائلی که سعی در حل آنها دارند تفکر کمی کرده و بیشتر به پالایش دادهها و یا سرمایهگذاری سنگین در زیرساختهای تکنولوژی میپردازند.
این مهم است که بدانیم محدوده توانمندی روشهای تحلیلی کجاست. به عنوان مثال امکان پیشبینی عواقب به صورت کاملاً دقیق خصوصاً در سرویسهای کمبسامد و مستعد شوک، وجود ندارد. مثلاً بیمه مسئولیت مدیران، در سالهای قبل از تعداد بالای دعاوی قضایی و به دنبال آن ادعاهای خسارت رنج برده است، که نتیجه حوادثی نظیر بحران مالی و تدوین قوانین دولتی سخت میباشد. پیشبینی اینگونه حوادث با تحلیلها بسیار سخت است. اما درباره حوادث قابل پیشبینی مانند برخی حوادث مربوط به بیمه اتومبیل این امکان وجود دارد.
به عنوان مثال آنهایی که حق بیمه خود را سروقت پرداخت میکنند، رانندگی محتاطتری دارند. یا برخی از شرکتها با استفاده از اطلاعات نمایندگیهای بیمه – نظیر رفتار آنها، مبالغ فروش قبلی، مکان جغرافیایی و آموزشهای انجام شده – پیشبینی میکنند که کدامیک از آنها چندین محصول را فروخته و در فروش کدام محصول موفقتر بودهاند و از این طریق 20 تا 25 درصد فروش را افزایش دادهاند. با توسعه تکنولوژی یادگیری ماشین، نه تنها میتوان اتفاقات را پیشبینی کرد، بلکه خود ماشین اطلاعات را دستهبندی کرده و ارتباط بین آنها را شناسایی میکند.
چالش بسیاری از متصدیان، تغییر سیستمهای اطلاعاتی قدیمی به سیستمهای چالاکتر و انعطافپذیرتر است. هر چند که تحلیل دادهها، وابسته به این تغییرات است اما شرکتها باید نوع کسبوکار خود را در نظر بگیرند. زیرا گاهی اوقات نیازی به جدیدترین تکنولوژیها و سرمایهگذاریهای بسیار جلوتر از زمان خود نیست.
تغییری که در زیرساختهای IT اتفاق میافتد باید منجر به تشکیل سیستم مدیریت دادهای شود که دیدی یکپارچه نسبت به تمامی اطلاعات علیالخصوص درباره مشتریان و محصولات بدهد و بتواند تمامی ابردادهها را تحلیل کرده و برای کسبوکار ارزش خلق کند.
فاز دوم: اکتساب ارزش ها
قدم بعدی ایجاد تقاضا برای تحلیل دادهها میباشد. این مهم نیازمند درگیری خطوط مقدم کسبوکار از ابتدا و ارزیابی عملکرد صحیح میباشد.
درگیری خطوط مقدم :زمانی که شرکت ها در استفاده از تحلیل دادهها شکست میخورند که در مدل قدیمی کار کردن خود غرق شدهاند و به دنبال ساخت یک مدل جدید و اجرای آن هستند. مثلاً کارکنان نمیدانند که پیشنهادات مدل جدید الزامآور بوده یا قابل انعطاف و تغییر میباشد. بدیهی است که مقاومت در برابر تغییر نیز مشاهده میگردد. بنابراین مهم است که تحلیلگران بخشی از فرآیند کار باشند. همچنین تحلیل دادهها بهتر است که با ابزارهای اصلی دیگر مثل مدیریت ارتباط با مشتری و قیمتگذاری نیز یکپارچه شود.
مدیریت عملکرد :در گذشته، سازمانها به شدت مشتاق مشاهده بازگشت سرمایه بودند. اما توجه بیش از حد به معیارهای مطلق، جلوی پیشرفت را میگیرد. به عنوان مثال سخت است که بتوان تاثیر نگهداری مشتریان از طریق بهبود بازاریابی دیجیتال یا پروژههای استراتژیک را در صورتهای مالی مشاهده کرد. بهتر است تاثیر روشهای جدید را از طریق میزان مقبولیت و ایجاد رضایت توسط آنها بررسی کرد. همچنین میتوان میزان درآمد شرکت هنگام استفاده از مدلهای جدید را با هنگام استفاده از مدلهای قدیمی مقایسه کرد.
فاز سوم : دستیابی به مقیاس
برای رسیدن به حالت بهینه باید با استفاده از Heat Map، فعالیتهای لازم را اولویتبندی کرده و مطمئن شویم که کسبوکار براساس تحلیل دادهها عملکرد مناسبی دارد و مشارکت مدیریت سازمان را نیز دربر میگیرد.
اولویت بندی؛ Heat Map باید بر سه اساس رسم شود: “ارزشی که تحلیل دادهها ایجاد میکند، امکانپذیری آنها و ارتباط استراتژیک”. Heat Map باید حداقل سالی یکبار بهروزرسانی شود تا با اولویتهای استراتژیک و امکانپذیریهایی که براساس تکنولوژی و دادههای یادگرفتهشده در سال قبل تغییر داده شدهاند، همجهت شود.
ایجاد تعادل بین کسبوکار و عملکرد تحلیل دادهها؛ سازمان باید یک Center of excellence را تعریف کند و جایگاه آن را مشخص کند. بدین منظور بهترین رویکرد آن است که کارآمدی شرکت حفظ و در عین حال منابع لازم برای بهرهمندی کامل از تحلیل دادهها، مورد استفاده قرارگیرد.
مشارکت مستقیم مدیریت؛ با مشخصتر شدن Center of excellence، مدیریت ارشد سازمان باید به وضوح استفاده از تحلیل داده را در اولویت قراردهد. مدیران عامل میتوانند جایگاه مدیران میانی را که ایدههایی برای ارتقا عملکرد و استفاده از تحلیل دادهها میدهند، ارتقا بخشند. همچنین مدیریت باید درک کند که بازگشت سرمایه در ابتدای کار رخ نخواهد داد.
فاز چهارم: سازمان تحلیلمحور
مقصد نهایی جاییست که تحلیل دادهها نه به عنوان یک ابزار کمکی، بلکه به عنوان یک توانمندی در هسته اصلی کسبوکار قرار گیرند. در واقع، به قدری در فعالیتهای روزانه ریشه میدواند که Center of excellence از بین خواهد رفت. ادعاهای خسارت، توزیع و تعهدات ممکن است هنوز وجود داشته باشند اما عملیاتها و مهارتهای متفاوتی برای آنها نیاز خواهد بود. در اینجا دیگر اندازهگیری میزان موفقیت برای بازگشت سرمایه بیمعنی خواهد بود و معیارهای سنجش کسبوکار میزان موفقیت را تعیین میکنند، معیارهایی مانند برتری قیمتی، سود و زیان، میزان هزینهها و رشد کسبوکار با مدل جدید، سنجههای مناسبی خواهند بود.
در حالی که بیشتر شرکتها از تحلیلها استفاده میکنند، اما به پتانسیل نهایی آن دست نیافتهاند. با افزایش شدت رقابت، بهبود تدریجی دیگر یک انتخاب نیست. تحلیل دادهها به زودی تبدیل به توانمندی اصلی شرکتها خواهد شد و بیمهگرانی که سریعتر آن را در سازمان خود به کار گیرند، مزیت رقابتی غیرقابل برابری را خواهند داشت.
