Künstliche Versicherung? Wie Machine Learning Underwriting transformiert
Für eine Branche, die sich seit Jahrhunderten als widerstandsfähig gegen Veränderungen erwiesen hat, erlebt die Versicherungsbranche derzeit eine digitale Revolution. Mit dem Aufkommen von mehr maschinellen Lernalgorithmen bringen Underwriter mehr Informationen ein, um das Risiko besser einschätzen zu können und mehr maßgeschneiderte Premium-Preise anzubieten. Im Backend wird der Versicherungs- prozess gestrafft, um Beauftragte mit Carriern effizienter und mit weniger Fehlern zu verbinden.
Dieser drastische Grad an schnellem Wandel bedeutet für Versicherer und Bewerber große Dinge. Künstliche Intelligenz (KI) steht hier an der Grenze der Versicherungswirtschaft und wohin sie in den nächsten Jahren hinführen könnte.
Bewertung des Risikos
In der Vergangenheit haben sich Versicherer auf Informationen über Anträge zur Risikobewertung verlassen einen potenziellen Kunden umgeben. Die Schwierigkeit besteht natürlich darin, dass Bewerber unehrlich sein oder Fehler machen können, die diese Risikobewertungen ungenau machen.
Maschinelles Lernen, insbesondere das natürliche Sprachverstehen (NLU), ermöglicht Versicherern, abstraktere Informationsquellen wie Yelp zu durchforsten Reviews, Social-Media-Postings, SEC-Einreichungen usw. und relevante Informationen zusammen zu ziehen, um die potenzielle Exposition des Versicherungsträgers adäquater einzuschätzen.
"Mit NLU können wir diese Textdatenquellen tatsächlich betrachten und hoch relevant herausziehen Informationen werden stark erhöht ", sagte Andy Breen, SVP bei Argo Digital. "Wir nutzen diese Informationsquellen, die vorher nicht verfügbar waren oder leicht verbreitet wurden."
Genauere Risikobewertungen bedeuten angemessenere Prämien. In einer Branche, in der der größte Unterschied zwischen Versicherungsunternehmen nicht ihre Produkte, sondern ihre Preise sind, könnte ein besseres, individualisierteres Exposure-Modell einen großen Unterschied machen, sagte Sofya Pogreb, COO bei Next Insurance.
"Traditionell hat angeboten "Produkte mit dem kleinsten gemeinsamen Nenner": eine Standard-Haftpflicht-Politik ", sagte Pogreb. "Was Sie am Ende haben, ist ein sehr undifferenziertes Produkt, bei dem eine Bäckerei und ein Waschsalon dieselbe Politik verfolgen. Das ist nicht der richtige Weg für den Kunden. Indem wir mehr Daten automatisch verbrauchen, werden wir mehr Anpassung und Kunden sehen Sie profitieren von der Deckung, die sie wirklich brauchen. "
Aufdeckung von Betrug
Betrug ist ein großes Problem für Versicherungsunternehmen, und KI ist ein wichtiger Wachhund im Kampf gegen betrügerische Ansprüche. Wie Samsung in einem Blogbeitrag über die Verhinderung von Versicherungsbetrug feststellt, geht es darum, Muster zu entdecken, die der menschlichen Wahrnehmung entgehen:
"Die französische KI-Startup-Firma Shift Technology integriert diese Technologie in ihre Betrugspräventionsdienste, die bereits über 77 Millionen Ansprüche verarbeitet haben Die kognitiven Algorithmen des maschinellen Lernens haben eine Genauigkeitsrate von 75 Prozent erreicht, um betrügerische Versicherungsansprüche zu erkennen Die ML-Algorithmen liefern Details über verdächtige Behauptungen mit möglichen Haftungs- und Reparaturkostenbewertungen und schlagen Verfahren vor, die den Betrugsschutz auflösen und verbessern können. Die Fähigkeit des maschinellen Lernens, bei der Aufdeckung von mutmaßlichem Betrug behilflich zu sein, ist gut etabliert, aber die von Menschen geleitete Datenwissenschaft ist bisher genauso leistungsfähig. Der Hauptunterschied wird im Laufe der Zeit ein Kostenfaktor sein ", sagte Areiel Wolanow, Geschäftsführer bei Finserv Experts Limited . "Professionelle Kriminelle werden über branchenführende Betrugsindikatoren auf dem Laufenden bleiben und ihr Verhalten anpassen. Menschliche Datenwissenschaftler müssen ihre Analyse im Laufe der Zeit durchlaufen, um Schritt zu halten, während maschinelle Lernalgorithmen sich im Laufe der Zeit auf beobachtbare Änderungen der zugrunde liegenden Daten vorbereiten . "
Weniger menschliche Fehler
Die Vertriebskette in der Versicherungswirtschaft ist kompliziert und komplex. Eine Reihe von Zwischenhändlern untersucht Informationen zwischen Versicherten und Spediteuren, was zu vielen menschlichen Fehlern und manueller Arbeit führt, die den Prozess verlangsamen, sagte Breen. AI beginnt jedoch bereits, dieses Problem zu beheben.
Algorithmen können die Zeit und Anzahl von Fehlern reduzieren, wenn Informationen von einer Quelle zur nächsten weitergegeben werden. Durch die Anmeldung bei einem Portal und das Hochladen einer PDF-Datei wird die Menge der Dateneingabe und -wiederherstellung reduziert und die Genauigkeit erhöht, sagte Breen.
"Die Leute werden müde und gelangweilt und machen Fehler, Algorithmen jedoch nicht", er hinzugefügt.
Für Pogreb ist die Überbrückung der Kluft zwischen dem Versicherten und dem Versicherer ebenso wichtig wie die Verringerung des Fehlers. Mit besseren Daten profitieren sowohl Kunden als auch Versicherer, denn Versicherer können bessere Produkte auf der Grundlage genauerer Bewertungen entwickeln, und die Kunden bezahlen genau das, was sie brauchen.
"Mit maschinellem Lernen werden wir es schaffen viel besser, dem Verbraucher diese Beratung automatisch zu geben ", sagte Pogreb. "Basierend auf dem, was du mir über dein Geschäft erzählst und was ich über ähnliche weiß, kann ich sagen, dass dies die richtige Kombination von Deckung für dich ist. Es liegt also weder am Agenten noch am Kunden - wer? hat offen gesagt nicht die Erfahrung oder das Wissen - aber die Daten den Rat geben lassen.
" Die Zukunft der Versicherung AI
Die Versicherungsbranche hat erst ihren KI-Einstieg begonnen und die Unternehmen experimentieren bereits damit neue Wege, sie in Erwartung der weiteren technologischen Entwicklung in ihren täglichen Betrieb zu integrieren.
"Es ist die frühe Zeit der künstlichen Intelligenz", sagte Breen. "Für alltägliche, sich wiederholende Aufgaben setzen wir den Computer darauf ... aber wir sind weit entfernt von einem Computer-Underwriter. Wir vermehren wirklich nur die Menschen an diesem Punkt."
Das ist immer noch eine bedeutende Veränderung in der Branche, er sagte. Underwriter bei Argo Digital beginnen nun, Portfolios zu verwalten, anstatt jede einzelne Einreichung zu überprüfen. Die mehr standardisierten, vorhersehbaren Behauptungen würden durch Algorithmen des maschinellen Lernens gehandhabt, sagte Breen, und der menschliche Underwriter stimmt im Wesentlichen den gesamten Prozess ab und interveniert in Fällen, die Entscheidungen höherer Ordnung erfordern.
Pogreb sieht noch mehr Potenzial für Rationalisierung des Underwriting-Prozesses. Sie erwartet, dass die Anzahl der Anwendungen, die ein menschlicher Underwriter bewältigen muss, deutlich sinken wird, da das maschinelle Lernen einen weiteren Schritt in die Versicherungsbranche macht.
"Wir glauben an Technologie und maschinelles Lernen, eine Menge [menschliches Underwriting] ] kann beseitigt werden ", sagte Pogreb. "Der Prozentsatz der Versicherungsanträge, die eine menschliche Berührung erfordern, wird dramatisch sinken, vielleicht 80 bis 90 Prozent und sogar bis zu einem niedrigen einstelligen Wert."
Obwohl die Einführung von KI in rudimentärer Weise erfolgt ist, ändert sich die Lage der Land. Versicherungsunternehmen, die wettbewerbsfähig bleiben wollen, sollten beginnen, die Gewässer der KI zu testen, sagte Wolanow.
"Unternehmen können sich vorbereiten und wettbewerbsfähig bleiben, indem sie beginnen, die Auswirkungen von maschinellem Lernen auf ihr Geschäft durch Prototyping ihrer eigenen Algorithmen zu bewerten", sagte Wolanow. "Ein individueller maschineller Lernalgorithmus, der seine Analyse auf Stand-Alone-Basis durchführt, ist tatsächlich ziemlich kostengünstig, [und] in vielen Fällen ist ein eigenständiges Analysewerkzeug mehr als zweckdienlich."
Leitfaden zum Internet der Dinge: Was Ihr Unternehmen wissen muss
Das Internet der Dinge (IoT) bleibt eine beliebte Untergruppe der Informationstechnologie (IT). Trotz seiner Fortschritte steckt das IoT noch in den Kinderschuhen. Bis zum Jahr 2020 sollen die jährlichen IoT-Einnahmen die 470-Milliarden-Dollar-Marke überschreiten. Mit massiven Sprüngen in der IoT-Technologie und einer sich schnell verändernden Landschaft ist die IoT-Sicherheit ein wachsendes Problem.
Rekrutierung von Studenten? 3 Tipps für das Finden von Talent auf Einstiegsebene
Mit dem College-Abschluss gleich um die Ecke, wird der Arbeitsmarkt bald von Nachwuchstalenten überflutet, die Vollzeitjobs und Praktika suchen. Für Arbeitgeber kann die Inanspruchnahme von frischgebackenen Fachkräften so einfach sein wie eine gute Recruiting-Strategie. "Hochschulrekrutierung ist eine intelligente, vorhersehbare und skalierbare Möglichkeit, Talente in jede Organisation einzubinden", sagte Tey Scott, Director of Talent Acquisition bei LinkedIn.
Beliebte Beiträge