کاربرد تحلیل دیتا در صنعت بیمه

صنعت بیمه برای بیش از ۳۰۰ سال و تا سال ۲۰۱۰ به شکل سنتی، در حال ارائه خدمات به بیمه گذاران بوده است؛ سپس از این سال مجموعه هایی با ایده های جدید از جنس استارتاپی به عنوان اینشورتک یا همان معادل فناوری های بیمه (InsurTech) به این صنعت ورود کردند و با ارائه خدمات نوآورانه مبتنی بر فناوری به بیمه گرها و بیمه گذاران، صنعت بیمه را دچار تحول نمودند. در حال حاضر نوآوری این صنعت در ایران نیز آغاز شده و علی رغم کندی سرعت پیشرفت، در حوزه های مختلف در حال بهره گیری از ایده های نو و فناورانه می باشد.

ضرورت و اهداف پژوهش

با سرعت و پیشرفت در استفاده از خدمات فناوری اطلاعات، نیاز سازمان ها برای تحلیل داده های تولید شده جهت بهره برداری سازماندهی و به اشتراک گذاری انواع دانش ها هر روز بیشتر می شود. سازمان ها با مدیریت دانش قادرند تا رفتارشان را با تغییرات محیط هماهنگ نمایند و بر بهبود عملکردشان بیافزایند. به این سازمان ها در اصطلاح سازمان های هوشمند یا یادگیرنده می گویند. امروزه واژگان متعددی از جمله هوش تجاری، هوش عملیاتی، هوش تحلیلی و غیره مطرح می باشند. همه این تعاریف در بیان میزان قدرت خود یادگیری سازمان در طی چرخه مدیریت دانش و داده های سازمان استفاده می شوند. این چرخه در صنعت بیمه نیز نقش خود را با مکانیزه نمودن اصلی ترین فرآیندهای کسب وکار بیمه ای شامل تعریف رشته های بیمه ای، قیمت گذاری، خرید بیمه نامه، صدور و خسارت دهی آنلاین آغاز می نماید. لذا یکپارچه سازی و تحلیل داده های فرآیندهای اصلی و فرعی بیمه گرها می تواند شروعی هوشمندانه برای ایجاد یک سازماندهی خود یادگیرنده در صنعت بیمه شود؛ بنابراین طراحی اکوسیستمی که بر اساس آن زیرساختی هوشمند پیاده سازی شود، می تواند تحولی عظیم و رو به جلو در این صنعت ایجاد نماید. گزارش پژوهشی حاضر جهت تعریف معماری اکوسیستم تحلیل کلان داده های هوشمند بیمه، مبتنی بر تحلیل کلان داده های بیمه ای تهیه شده است. این معماری با رویکردی کاربردی و عملیاتی در ارائه سرویس های هوشمند بیمه، با هدف افزایش رضایتمندی مشتری، برآورد دقیق ریسک ها، محاسبات قیمت ها و ارائه سرویس های مشتری محور به جای سرویس های محصول محور ارائه می شود.

تعریف تحلیل کلان داده ها و نقش آن در صنعت بیمه

سرعت دسترسی به داده ها و توانایی استخراج بینش جدید مربوط به ریسک از آن، عامل اصلی رقابت در صنعت بیمه خواهد بود. رویکردهای جدید برای تشویق رفتار محتاطانه می تواند از طریق کلان داده ها پیش بینی شود؛ بنابراین فناوری های جدید باعث می شوند که نقش بیمه از محافظت از خطر خالص، به سمت پیش بینی و پیشگیری از خطر تکامل یابد. داده های کلان می توانند در افزایش کارایی، پردازش داده ها و اطلاعات صنعت، جهت استخراج و کشف پدیده های جدید و جواب دادن به سوالاتی که بدون تکنیک های پیشرفته نمی توان به آن ها پاسخ داد، مفید واقع شوند. بدون استفاده از داده های کلان، فرصت های جدید برای کسب و کار حاصل نخواهد شد؛ برای مثال تغییر رویه فروش از محصول محور (Product-centric) به مشتری محور (centric -Customer) در رشته های خودرو بدون تحلیل های داده کلان امکان پذیر نمی باشد. اساسی ترین اثر استفاده از زیرساخت های داده های کلان، افزایش رضایتمندی مشتری می باشد و لذا با تحلیل تاریخچه های داده های بیمه ای می توان درک درستی از نیاز مشتری به دست آورد. برخی از فرصت هایی که تحلیل داده ای حجیم جهت افزایش رضایتمندی بیمه گذار برای شرکت های بیمه ای ایجاد می نماید شامل موارد ذیل می باشند:

• قیمت گذاری شخصی بر اساس نیاز و شرایط مشتری: با استفاده از داده ها و تجزیه و تحلیل داده های جمع آوری شده ناشی از رفتار مشتری و داده های بیمه ای می توان قیمت ها را متناسب با نیازهای خاص آن ها تنظیم نمود. این نوع تحلیل ها در حوزه های مختلف صنعت بیمه مانند بیمه درمانی، بیمه عمر، بیمه خودرو و غیره بسیار موثر عمل می نمایند؛
• مدیریت ارتباطات با مشتری: یکی از کاربردهای تحلیل داده های کلان، مدیریت ارتباط با مشتری به صورت هوشمند می باشد که می توان به بازاریابان، نمایندگان فروش و عاملین فروش اطلاعاتی در خصوص مشتری و ارائه روش های فروش موفق پیشنهاداتی عرضه نماید؛
• افزایش خدمات آنلاین بیمه ای: هوش مصنوعی و تحلیل داده های کلان، فرصت فروش آنلاین برای عاملین فروش را فراهم می آورد. با تحلیل رفتار مشتری بر روی سایت های خرید و فروش و خسارت دهی های آنلاین می توان در یک چرخه مستمر نیازمندی ها شناسایی و خدمات به صورت هوشمند به مشتری ارائه شوند. به این مدل های تجاری بیمه گران دیجیتال نیز می گویند.

کشف دانش و ارائه دانش درست مبتنی بر حجم داده ها

مهم ترین چالش ترکیب دو فناوری داده های حجیم و هوش مصنوعی، کشف و ارائه دانش درست از کلان داده ها در کوتاه ترین زمان ممکن یا به صورت بلادرنگ Real-time می باشد. این چالش، خود می تواند به تعدادی زیرچالش هایی مانند احراز هویت، آرشیو کردن، مدیریت، حفاظت، بازیابی و ارائه اطلاعات تقسیم شود. رویکردها، الگوریتم ها و ابزارهای ریاضی گوناگونی برای کشف و ارائه دانش مانند مجموعه های فازی (fuzzy set) مجموعه های خام (rough set) مجموعه های نرم (soft set) مجموعه نزدیک ( (near set تحلیل مفهوم رسمی (formal concept analysis)، تحلیل مولفه اساسی (principal component analysis) و دیگر موارد وجود دارند. چالش این بخش مربوط به استفاده از روش های ترکیبی برای پردازش داده بر روی کلان داده ها می باشد؛ زیرا برخی از آن ها برای مجموعه داده های بزرگ مناسب نمی باشند و این خود مسبب خروجی های نادرست در تحلیل حجم گسترده ای از داده ها می شود. تحلیل مجموعه داده های بزرگ نیازمند پیچیدگی محاسباتی بیشتری خواهد بود. مسئله اساسی، مدیریت داده های ناسازگار و عدم قطعیت ظاهر شده در مجموعه داده ها است. ایجاد یک سیستم محاسباتی ریاضی که به طور جامع برای کلان داده قابل اجرا باشد کار دشواری خواهد بود.

معماری اکوسیستم تحلیل داده های حجیم در صنعت بیمه

به طور کلی معماری سیستم در شش لایه طراحی شده است:

• لایه جمع آوری داده: نقش این لایه جمع آوری انواع داده می باشد. این لایه باید طوری طراحی شود که قابلیت جمع آوری انواع داده های ساختاریافته و نیمه ساختاریافته و دریافت داده ها به دو صورت دسته ای و به صورت آنلاین را دارا باشد. در این لایه با استفاده از فرآیندهای مرتبط با ETL، داده های حجیم مرتبط با صنعت بیمه جمع آوری، یکپارچه سازی و جهت بهره برداری در تحلیل داده، آماده سازی می شود؛
• دریاچه داده ای (Lake Data): این لایه زیرساخت های ایجاد دیتامدل ها و کشف دانش های مبتنی بر تحلیل و آنالیز داده را ایجاد می نماید. این بخش درواقع زیرساخت حرکت از dark data به light data است. در این لایه هر نوع داده با هر ساختاری و حجمی قابل ذخیره سازی می باشد؛
• لایه سرویس های داده کاوی (Data mining): این لایه مغز هوشمند سیستم و لایه با ارزشی است که می تواند به سناریوها و سوالات حل نشده بیمه گران و بعضا بیمه گذاران پاسخ دهد. سرویس هایی چون مدیریت ریسک، رتبه بندی بیمه گرها و تحلیل های CRM، Risk Map، Fraud detection و انواع پیشرفته تحلیل های آماری و ریاضی از بخش های اساسی این لایه می باشد. در این لایه سعی بر این است تا تجربه و خبرگی انسان های باتجربه به صورت سیستمی مدل شده و روزانه با مشاهدات سیستماتیک این لایه خبرگی را عمیق تر نماید. در این لایه انواع کتابخانه های یادگیری ماشین و یا الگوریتم های طراحی شده توسط تحلیل گران آماری قرار می گیرد؛
• لایه چهارم: در این لایه دو نوع خروجی قابل ارائه است؛ الف) ماژول مصورسازی جهت نمایش خروجی تحلیل های انجام شده؛ ب) ماژول سامانه تصمیم ساز که درواقع طراحی ربات تصمیم ساز و تصمیم گیر می باشد؛
• لایه سرویس: API یکی از بخش های مهم در طراحی اکوسیستم های بیمه ای توانایی اتصال خروجی های این سامانه با سایر سامانه ها جهت بهره گیری از خروجی های این سامانه ها می باشد؛
• لایه مدیریت سیستم: این ماژول جهت نگهداری و مدیریت اکوسیستم طراحی شده است.

پیشنهادهای سیاستی در جهت بهبود کیفیت خدمات در حوزه صنعت بیمه

این بخش از پژوهش به ارائه پیشنهادات سیاستی به منظور بهبود کیفیت خدمات در حوزه صنعت بیمه پرداخته است:

• یافتن بازارهای جدید یا سگمنت های بالقوه خدمات جدید، با استفاده از داده های غیرساختاریافته برای دستیابی به فرصت های جدید فروش و ارائه خدمات، یکی دیگر از کاربردهای مهم تحلیل داده های حجیم استفاده از آن در کشف تقلب های بیمه ای می باشد؛
• مدل سازی های ریاضی به منظور کشف تقلب در صنایع مختلف استفاده می شوند، اما صنایع بانک و بیمه استفاده بیشتری از این مدل ها دارند و بدین ترتیب شرکت های بیمه برای شناسایی کلاهبرداری و اهداف مجرمانه از مدل سازی ریاضی و داده های کلان استفاده می نمایند؛
• از نمونه کاربردهای هوش مصنوعی، طراحی دستیارهای مجازی، ربات مشاور و ربات های چت جهت تعاملات مشتری می باشد که فرآیند بازاریابی را هدفمندتر و با کیفیت تر خواهد نمود.

جمع بندی

گزارش پژوهشی حاضر جهت تعریف معماری اکوسیستم تحلیل کلان داده های هوشمند بیمه، مبتنی بر تحلیل کلان داده های بیمه ای تهیه شده است. برخی از فرصت هایی که تحلیل داده ای حجیم جهت افزایش رضایتمندی بیمه گذار برای شرکت های بیمه ای ایجاد می نماید شامل مواردی چون قیمت گذاری شخصی بر اساس نیاز و شرایط مشتری و مدیریت ارتباطات با مشتری می باشد. مهم ترین چالش ترکیب دو فناوری داده های کلان و هوش مصنوعی، کشف و ارائه دانش درست از کلان داده ها در کوتاه ترین زمان ممکن یا به صورت بلادرنگ Real-time می باشد. به طور کلی معماری سیستم در شش لایه طراحی شده است. در پایان نیز پیشنهاداتی در جهت بهبود کیفیت خدمات در حوزه صنعت بیمه ارائه شد که یافتن بازارهای جدید یا سگمنت های بالقوه خدمات جدید، با استفاده از داده های غیرساختاریافته برای دستیابی به فرصت های جدید فروش و ارائه خدمات از جمله آن هاست.

این مطالعه در فراتوسعه پویش مهام (آرتیم دیتا) توسط مرتضی علی پور انجام شده ‌است.