Первый этап: оформление страхового полиса и подбор тарифа
Уже сегодня страховые компании используют алгоритмический анализ для прогнозирования вероятности наступления страхового случая у конкретного клиента перед оформлением полиса. Здесь все зависит от количества коррелирующих данных для составления прогноза — чем большим массивом big data обладает компания, тем выше вероятность корректного результата. Поэтому на сегодняшний день наиболее подходящей для применения таких систем выглядит сфера автострахования, где нет дефицита ни в количестве оформленных полисов, ни в объеме страховых случаев для анализа. Так, по данным Центрального банка РФ, по состоянию на конец 2019 год в России действовало порядка 40 млн полисов ОСАГО и было произведено более 2 млн выплат по автогражданской ответственности за год.
Следующая ступень для страховых компаний — применение машинного обучения в ценообразовании по скоринговой модели. По большей части, сегодня страховщики используют достаточно простую систему формирования тарифов: на ценообразование влияют как «безубыточные» клиенты с высоким коэффициентом безаварийности, так и «убыточные», которые обращаются за страховыми выплатами несколько раз в год. Поэтому неизбежна ситуация, когда в конечном итоге «безубыточные» клиенты компенсируют страховой компании расходы на «убыточных» клиентов.
Классический пример использования ИИ для более эффективной персональной тарификации — анализ телематических данных, полученных от установленных в застрахованных автомобилях специальных комплексов. Телематика собирает реальные эксплуатационные факторы в виде понятных данных: соблюдение скоростного режима, резкие разгоны и торможения, эксплуатация автомобиля в ночное время, пробег и общее время езды. В результате, более спокойные водители, которые ездят реже, могут получить более выгодный тариф.
Практика персональной тарификации на основе телематических данных распространена на рынках США и Европы, но постепенно появляется и у российских страховых компаний. К примеру, «Тинькофф Страхование» устанавливает на автомобили клиентов телематические комплексы MetaSystem. Одно из устройств подключается к диагностическому разъему OBD II, а второе — к аккумулятору автомобиля. Внутри блоков — антенны GSM/ГЛОНАСС, акселерометры и GSM-модули для передачи данных. По результатам интерпретации последних, клиенты страховщика, которых ИИ посчитает менее «рискованными» для компании, могут рассчитывать на скидку до 50% от стоимости полиса КАСКО. Похожие условия предлагают также «Альфа-страхование», «Ингосстрах», «Росгосстрах» и другие российские компании.
Наконец, ИИ в теории может решить и еще одну головную боль страховщиков, а именно, отсеять мошенников до оформления страхового полиса. Большие данные в этом случае также правят балом: ИИ способен изучить информацию о клиенте, рейтинги платежеспособности, социальные связи, истории звонков на «мошеннические» номера и другие данные, составив оценку благонадежности конкретной персоны. К слову, в данном случае ИИ полезен не только самой страховой компании, но и «хорошим клиентам», ведь цены страховых продуктов формируются исходя из убыточности портфеля компании. Это значит, что чем меньше страховая компания потеряет на мошеннических действиях, предотвратив их в зачатке, тем дешевле могут быть ее продукты.
Второй этап: урегулирование страховых случаев
На данном этапе благодаря ИИ открывается очень важная точка роста, которая убирает значительную часть головной боли со страховщиков. Крупные страховые компании вынуждены работать с сотнями и тысячами партнеров по ремонту и оценке повреждений в регионах РФ. По каждому страховому случаю проходит множество документов: счета, листы осмотра и оценки, фотоматериалы. Потенциал автоматизации учета этих документов достаточно очевиден. Однако, спектр применения технологии в данном случае еще шире: страховая компания при помощи ИИ может защититься от недобросовестных партнеров, которые умышленно передают недостоверные данные (например, фотографии небольшой царапины на бампере автомобиля и указание серьезных скрытых повреждений в акте осмотра). Машинная сверка фотографий и поиск схожих актов осмотра позволит вовремя прекращать сотрудничество с такими партнерами.
К слову, определение характера и объема повреждений автомобиля по фото — еще одна возможность применения ИИ. Определенный мировой опыт в этом направлении уже накоплен: китайский страховой гигант Ping An Insurance заявляет, что использует ИИ практически на всех этапах работы с клиентами, в том числе и для оценки повреждений. В интервью Bloomberg, CEO компании Lee Yuan Siong отмечает заслугу ИИ в снижении комбинированного коэффициента убыточности компании — у Ping An он примерно на 3% ниже, чем в среднем по рынку, что крайне весомо в долгосрочной перспективе, особенно с учетом масштаба компании.
Применимость ИИ в урегулировании страховых случаев сравнительно широка не только в автостраховании. К примеру, автоматизированное сопоставление назначений врачей и диагнозов в рамках ДМС может сэкономить страховщикам огромные суммы на выплатах за анализы, в которых нет необходимости.
Третий этап: забота о клиентах
Возможности ИИ могут поднять клиентоориентированность страховых компаний не недосягаемый ранее уровень. Все благодаря значительной автоматизации и оперативности реагирования.
Суть процесса — в последовательности действий, которая запускается при возникновении страхового события. Например, если в застрахованном авто сработал датчик подушек безопасности, пульт страховой компании автоматически вызывает бригаду скорой помощи, отправляет аварийного комиссара на помощь клиенту, специалисты поддержки звонят ему, чтобы успокоить и помочь. При необходимости будет вызван эвакуатор, который отвезет автомобиль именно туда, где клиент в скором времени сможет его забрать. Такая симфония процессов возможна только при использовании сложных алгоритмов, которые учитывают сотни параметров — от удаленности самого клиента до загрузки дилерского центра, в который отправится автомобиль для ремонта.
Что мешает широкому распространению ИИ в страховании
Несмотря на возможности, которые открывают искусственный интеллект и машинное обучение практически на каждом этапе жизненного цикла клиента страховой компании, в России процесс распространения этой технологии пока находится на начальном этапе развития. Примеры, когда ИИ прочно вошел в рабочую деятельность компаний пока исчисляются единицами. К примеру, «РЕСО-Гарантия» использует ИИ для оценки спроса на свои продукты, «Тинькофф Страхование» анализирует риски клиентов, «Ренессанс страхование» использует нейросети для анализа фотографий страховых случаев, а «Сбербанк Страхование жизни» активно продвигает чат-бота, который распознает сотни медицинских симптомов для записи клиентов к нужным врачам.
Одной из вероятных причин медленного роста можно назвать малый объем рынка страхования. По данным KPMG в 2019 году объем рынка страховых услуг составил 1,5 трлн р. или 1,5% от ВВП (для сравнения: $1,5 трлн и 10% соответственно в США). Малый объем рынка неизбежно влечет недостаток данных, которые необходимы системам машинного обучения для корректного развития.
Кроме того, масштабная реализация подобных систем требует значительных вложений капитала для разработки и поддержки, а также времени на обучение ИИ на основе реальных данных и построение необходимой инфраструктуры. В нынешних экономических реалиях подобные вложения могут быть сочтены нецелесообразными.
Наконец, клиенты страховых компаний также должны быть готовы к развитию рынка в технологическом ключе. Серьезную роль играет страх утечки персональных данных, без которых невозможно внедрение машинного обучения на рынке страховых услуг.
Сколько времени понадобится рынку страховых услуг, чтобы встать на новую технологическую ступень? Сложно дать однозначный ответ. Исследование АСН показало, что многие участники рынка начали более или менее активное внедрение ИИ в свою деятельность порядка трех лет назад. Вероятно, проработка и повсеместное использование более сложных сценариев займет больше времени, тем более, учитывая все сложности, с которыми бизнес столкнулся в 2020 году.
