Управление на основе данных (data-driven) и применение машинного обучения (machine learning, ML) это современные мегатенденции, возникшие из-за расширяющейся цифровизации общества и экономики. Основным драйвером внедрения машинного обучения во всех сферах является потребность в сокращении расходов.
Страхование не является исключением, хотя в некотором смысле и отстает от «лидеров тренда».
В отчете McKinsey для немецкого страхового рынка упоминается, что до 10% полученных претензий являются ошибочными. Использование когнитивных технологий не только увеличивает скорость обработки данных и процесса принятия обоснованных решений, но и позволяет выявить такие претензии на этапе предварительного анализа информации.
Поскольку прибыль страховых компаний определяется затратами на возмещение по страховым случаям, применение алгоритмов для выявления в данных аномалий, свойственных мошенническим операциям, может заметно сократить расходы. Так, немецкая страховая компания Allianz SE смогла более чем в 2 раза снизить риск неоправданных выплат за счет аналитической системы на базе МО методов, которая проверяет счета до их оплаты, отбирая случаи с признаками отклонений от норм ведения пациентов.
Клиенты страховых компаний также заинтересованы в технологичных нововведениях, так как они соответствуют их потребностям и облегчают взаимодействие со страховщиками. Об этом говорится в отчете Insurance Europe о взглядах европейской страховой индустрии на искусственный интеллект. В исследовании консалтинговой компании Accenture, специализирующейся, в том числе, на внедрении информационных технологий в бизнес-процессы, прогнозировалось, что внедрение технологий искусственного интеллекта станет для страхового бизнеса одним из основных способов борьбы с низким уровнем лояльности клиентов.
Эксперты прогнозируют, что алгоритмы машинного обучения будут повсеместно внедрятся в различных секторах страховой индустрии, работая как на повышение эффективности, так и на улучшение качества обслуживания. На данный момент в мировой практике основными областями применения ML являются следующие направления:
- андеррайтинг (underwriting) - оценка рисков
- оптимизация тарифов “под клиента”
- предупреждение тяжелых страховых случаев
- выявление и предупреждение мошенничества (anti-fraud).
Задача андеррайтинга является, пожалуй, наиболее перспективной для применения технологий ML и анализа больших данных. В процессе формирования страховых тарифов используется расчет вероятности наступления страхового случая и оценка потенциального риска.
Применение технологий машинного обучения оптимально для этой задачи, поскольку страховые решения во многом обусловлены предшествующей историей обращений и опираются на массивные наборы данных. Когнитивные системы могут помочь кураторам эффективно проверять дела, оценивать их с большей точностью и принимать более информированные решения.
При обработке заявки одной из важнейших задач андеррайтера является оценка рисков. Анализ больших данных и задействование сложных алгоритмов ML, определяющих неявные процессы и закономерности, безусловно, превосходят возможности “классических” методов, основанных только на статистических моделях.
Одной из наиболее актуальных практических задач является предсказание претендентов на высокие затраты (high-cost claimants - HiCCs ) - относительно небольшой группы пациентов, на которых приходится непропорционально большая доля страховых требований. Высокие медицинские расходы на таких пациентов часто возникают как часть срочного лечения, в то время как существуют варианты более раннего вмешательства, сокращающего расходы и предотвращающего острые состояния. Своевременное предложение таких услуг - это win-win, как для избегающего повышенных расходов страховщика, так и для получающего качественную медицинскую помощь застрахованного. Потенциал предиктивных моделей, базирующихся на методах ML, для решения проблемы выявления таких пациентов изучен в ряде серьезных научных публикаций.
Исследователи и разработчики моделей сходятся во мнении, что прогностическая эффективность оценки рисков и выявления пациентов со специфическими (в перспективе - высокозатратными) потребностями является экономически рентабельной. Выводы научного-аналитического сообщества успешно подтверждаются и на практике.
Так, компания Accolade Inc. позиционирует свой продукт Maya Intelligence как базирующуюся на ML-методах платформу, которая продвигает осознанный выбор в отношении здоровья, например, путем рекомендации оптимального варианта страховки (соответствующего потребностям клиента в качестве жизни и понижающего при этом расходы на здравоохранение). Платформа собирает данные о пациентах (включая медицинские заявления, результаты биометрических данных, оценку рисков, социальные данные) для построения их профилей, на основе которых разрабатывается рекомендация о плане медицинского страхования. В своем исследовании Accolade сообщает, что система здравоохранения университета Темпл смогла сэкономить 9,8 млн $ за второй год работы с компанией. Во многом это было достигнуто за счет того, что сотрудники университета изначально пренебрегали профилактическими посещениями врача, а реализованная на основе анализа профилей пациентов рекомендательная система позволила выбрать оптимальную стратегию медицинских обследований и корректирующих вмешательств.
В качестве примера успешного внедрения методов, основанных на анализе больших данных в медицинское страхование, можно также привести американский стартап Insurtech Collective Health, который использует машинное обучение для определения рисков и предоставления участникам необходимых рекомендаций медицинского характера. Модель на основе машинного обучения объединяет данные о страховых претензиях, использовании медицинских услуг и многие другие сведения в целостный профиль каждого участника программы. На основе этого профиля производится оценка потребностей в определенного рода медицинских услугах, например, организации ухода на дому или консультации профильных специалистов.
Немецкая компания Allianz SE использует модели машинного обучения для котировок ДМС корпоративных клиентов. Точность предсказания возрастает за счет увеличения числа факторов, оказывающих влияние на вероятность наступления страхового случая, что, в свою очередь, определяет стоимость контракта. Кроме того, большие данные, накопленные при интерпретации результатов модели, также позволили выявить новые признаки и закономерности, что стало дополнительным преимуществом продукта компании. Этот подход компания внедрила в том числе и в России.
Что касается отечественных реалий в целом, то несмотря на некоторое отставание страховых продуктов от общемировых трендов, можно смело предположить, что через несколько лет в России сформируется высокий спрос на машинное обучение как инструмент принятия управленческих и аналитических решений.
Первые продукты применяются крупными компаниями уже сейчас. Так, в июле 2020 компания Росгосстрах внедрила технологию автоматической проверки поступающих из медучреждений счетов. Решение от компании Mains Lab призвано отыскивать частично или полностью необоснованно случаи оказания медпомощи.
На основе вышесказанного можно утверждать, что страховые компании, которые примут современные вызовы, внедрив в бизнес-процессы новейшие технологии поддержки принятия решений, в перспективе окажутся в выигрыше, как с точки зрения лояльности удовлетворенных выгодными условиями клиентов, так и, с точки зрения, экономии средств на урегулировании страховых случаев.
Отдельно хотелось бы подчеркнуть тот факт, что страховая индустрия обладает огромными массивами накопленных статистических данных.
По оценкам экспертов, отечественные страховщики используют не более 15 % доступной информации. При этом мировой опыт свидетельствует, что таким образом упускаются действительно значимые закономерности, содержащиеся в массивах данных.
В нашей платформе прогнозной аналитики и управления рисками мы идем по этому же пути, накапливая банк деперсонифицированных медицинских данных и, используя модели машинного обучения и другие подходы из сферы искусственного интеллекта, формируем персональные профайлы пациентов и определяем их группы риска, прогнозируем возможные ухудшения здоровья и, в конечном итоге, вероятность что пациенту потребуется медицинская помощь. Формируя такие прогнозы, мы стараемся обратить внимание системы здравоохранения на наиболее рискованных пациентов с тем, чтобы им могла быть оказана превентивная медицинская помощь. Мы видим определенную перспективу, что такие инструменты могут быть востребованы и со стороны страховых компаний, которые как никто заинтересованы избежать тяжелых осложнений здоровья пациента и связанных с этим затрат.
В данный момент наша команда работает над предварительной версией модели, которая позволит оценить вероятность наступления страхового случая в течение ближайших 12 месяцев.
Для разработки этого продукта мы сформировали обучающий датасет, содержащий признаки, которые могут быть включены в некую анкету, предлагаемую к заполнению при оформлении полиса медицинского страхования. Отбор признаков осуществлялся на основании изучения отечественного и зарубежного опыта применения методов машинного обучения в андеррайтинге, консультаций с медицинскими экспертами и результатов серии предварительных экспериментов. Таким образом, мы поставили себе целью реализовать процесс оценки риска обращения страхуемым на основе данных, которые представитель страховой компании может получить в процессе оформления полиса. Или, другими словами, мы стремимся автоматизировать работу андеррайтера с помощью методов машинного обучения.