Prediktivna analitika u osiguranju

Danijel Bara, Član UpraveJadransko osiguranje d.d.

SADRŽAJ

Analitika i prediktivna analitikaDefinicijeUsporedba

Opis prediktivne analitike

Upotreba prediktivne analitike

Prediktivna analitika u osiguranju

Koristi od prediktivne analitike

Životni ciklus prediktivne analitike

Proces uvođenja prediktivne analitike

“…primjena računalne tehnologije,

operacijskih istraživanja i statistike s ciljem

rješavanja problema u poslovanju i

industriji. Provodi se u okviru

informacijskog sustava.”

Definicija analitike (deskriptivna)

Upotreba analitike je kao vožnja automobilom ali s gledanjem prometa kroz retrovizor, na taj način ne gledajući što se događa

ispred i zbog toga u opasnosti od sudara

Upotreba prediktivne analitike je poput vožnje automobila i promatranja prometakroz vjetrobran, predviđajući promet te radeći korekcije putanje kako bi se izbjegle

prometne gužve i stiglo na cilj brže i sigurnije

“.…prediktivni modeli iskorištavaju uzorke pronađene u povijesnim i transakcijskim

podacima za identifikaciju rizika i poslovnih prilika.

Uočavaju odnose među mnogim čimbenicima kako bi se time

omogućila procjena rizika ili potencijal povezan s određenim

skupom uvjeta, pritom olakšavajući donošenje odluka”

“Svako rješenje koje podržava identifikaciju smislenih

obrazaca i korelacija između varijabli u složenim,

strukturiranim i nestrukturiranim, povijesnim i

potencijalnim budućim skupovima podataka za potrebe

predviđanja budućih događaja i procjenu atraktivnosti

različitih načina djelovanja”

Definicija prediktivne analitike

razumijevanje postojećih podataka (retrospektiva)

prvi korak prema prediktivnoj analitici

cilj - razumijevanja trendova kroz usporedbu

Prediktivna analitika

napredna analitika koja „misli unaprijed”

stjecanje uvida iz matematičkog modeliranja

poboljšavanje razumijevanja, interpretiranja i

prosuđivanja rezultata

kvalitetnije donošenja odluka

Usporedba analitike i prediktivne analitike

Analitika

Usporedba analitike i prediktivne analitikeAtribut Analitika Prediktivna analitika

SvrhaRazumijevanje prošlostiProučavanje trendovaPoticaj za diskusiju

Stjecanje uvidaDonošenje odlukaPoduzimanje akcije

Pogled Povijesni i trenutni Orijentiran budućnosti

Tip metrike Zaostajući indikatori Vodeći indikatori

Upotrijebljeni podaci Sirovi i kompajlirani Informacije

Tip podataka StrukturiraniStrukturirani i nestrukturirani

KorisniciSrednji i viši menadžmentAnalitičari, krajnji korisnici

C razina i viši menadžment, stratezi, analitičari, menadžeri

KoristiDobivanje i razumijevanje podatakaPoboljšavanje produktivnosti

Dobivanje informacija i uvidaPoboljšavanje procesaKvalitetnije odlučivanje

Razvoj analitike

Faza IIzvještavanje

Faza II Analiza

Predefinirani batch i upiti

Skalabilnost/ Zrelost analitike

Sofisticiranost opterećenja /

Vrijednost

Što se dogodilo?

Što se dogodilo?

Zašto se dogodilo?Zašto se

dogodilo?

Što će se dogoditi?Što će se dogoditi?

Kako možemo napraviti da se

dogodi?

Kako možemo napraviti da se

dogodi?

Izvor: Gartner

Ad-hoc upiti, dashboard, scorecard

Faza III Predikcija

Faza IV Operacionalizacija

Faza V Aktivacija

Kontinuirano poboljšanje i

vremenski osjetljivi upiti

Automatsko odlučivanje / real-time prediktivna

analitika

Poduzimanje akcije!

Poduzimanje akcije!

Analitičko modeliranje, prediktivna

analitika

Biti proaktivan: Više kompleksnosti => više vrijednosti

Deskriptivna analitika

Dijagnostička analitika

Prediktivnaanalitika

Preskriptivnaanalitika

Informacija

Optimizacija

Naknadni uvid

Uvid

Predviđanje

Kompleksnost

Vri

jed

nos

t

Što se dogodilo?

Što se dogodilo?

Zašto se dogodilo?Zašto se

dogodilo?

Što će se dogoditi?Što će se dogoditi?

Kako možemo napraviti da se

dogodi?

Kako možemo napraviti da se

dogodi?

Izvor: Gartner

Zrelost analitike + Big data eksplozija + alati

Što sve koristimo u prediktivnoj analitici?

Prediktivna analitika - prednosti

Poboljšavanje poslovnih procesa

Automatiziranje i optimizacija direktnog odlučivanja

Kvalitetnije i brže donošenje odluka

Realizacija poslovnih ciljeva

Bolje upravljaju trenutnim izazovima

Povećavanje vjerojatnosti budućeg uspješnog poslovanja

Gartnerov Hype Cycle za nadolazeće tehnologije - 2013

Izvor: Gartner

Upotreba prediktivne analitike

Upotreba prediktivne analitike

Prediktivna analitika poboljšava brojne osiguravateljne procese

PribavaAutomatizirana pribava / selekcija rizika

Proces definiranja cijene police

Aktivno upravljanje portfeljom rizika

Automatizirana preporuka popusta/bonusa

Automatski proces obnove

Detekcije prevare u procesu pribave

Upravljanje apetitom za rizik

Automatski nadzor policirane premije

MarketingOptimizacije kampanje

Segmentacija osiguranika

1:1 marketing

Tržišna analiza novog proizvoda

Prediktivni marketing

Inteligenti cross sell

Optimiziranje ponuda dostavljenih pribavi

ŠteteDetekcija prevare

Brzo praćenje šteta

Automatsko dodjeljivanje šteta (kompetencije)

Ubrzano otkrivanje ozbiljnih šteta

Predviđanje kompleksnosti

Optimizacija procesa obrade štete

Predviđanje pričuva

Prodaja & UslugeOptimizacija terenske prodaje

Modeliranje i optimizacija provizioniranja

Cross-sell, up-sell, optimizacija ponuda

Inteligentno usmjeravanje poziva

Inteligentno preporučivanje

Ponude za osiguranike

Optimizacija povratnih informacija

Povećanje učinkovitosti agenta /brokera

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Cijena/procjena Pribava Marketing Štete Pričuve

42%

20%9% 7% 9%

39%

32%

18%14% 9%

13%

21%

14%18%

11%

4%

9%

12% 14%

17%

Rijetko

Povremeno

Često

Uvijek

Upotreba prediktivne analitike u osiguranju

Izvor: Ventana Research

0% 5% 10% 15% 20% 25% 30% 35% 40% 45% 50%

Poslovni vlasnici polica

Komercijalno vlasnIštvo

Službeno vozilo

Kućevlasnici

Privatno vozilo

25%

30%

32%

37%

49%

24%

37%

37%

49%

49%

Buduće

Trenutno

Izvor: Ventana Research

Upotreba prediktivne analitike u osiguranjuPo poslovnim područjima

Izvor: Ventana Research

Koristi od prediktivne analitike

Izvor: MIT Sloan Management Review

Koristi od analitike

0 2 4 6 8 10

Opće upravljanje

Planiranje i alokacija radne snage

Upravljanje brendom i tržištem

Upravljanje iskustvima korisnika

Upravljanje rizikom

Korisnički servisi

Istraživanje i razvoj proizvoda

Općeniti prosjek

Prodaja i marketing

Strategija i razvoj poslovanja

Operacije i produkcija

Financijski menadžment i budžetiranje

Top izvođači

Slabiji izvođači

Sklonost primjeni Intuicije

Sklonost primjeni Analitike

22,1

Top izvođači primjenjuju Analitiku pet puta više nego slabiji izvođači

0% 5% 10% 15% 20% 25%

Regulatorna odobrenja

Modeli ne rade dobar prediktivan posao

Nemaju prepreka

Upravljanje promjenama koje se pojavljuju

Kultura

Troškovi

Nedostatak know-how i tehničke stručnosti

3%

6%

7%

15%

16%

21%

21%

Izvor: Ventana Research

Prepreke korištenja prediktivne analitike

Životni ciklus prediktivne analitike

Izvor: SaS

IDENTIFIKACIJA/FORMULACIJA

PROBLEMA

PRIPREMA PODATAKA

ISTRAŽIVANJE PODATAKA

TRANSFORMIRANJE& SELEKCIJA

IZGRADNJAMODELA

VALIDACIJAMODELA

RAZVOJMODELA

OCJENA/NADZOR

REZULTATA

Stručnjak u područjuDonositelj odlukaOcjenjuje procese i ROI

MENADŽER

Validacija modelaRazvoj modelaNadgledanje modelaPripremanje podataka

IT SISTEM /MENADŽMENT

Istraživanje podatakaVizualizacija podatakaKreiranje izvještaja

POSLOVNI ANALITIČAR

Istraživačka analizaDeskriptivna segmentacijaPrediktivno modeliranje

RUDAR PODATAKA/STATISTIČAR

Proces uvođenja prediktivne analitike

CRISP-DM model

“Puštanje rudarenja

podataka u rad”

Razumijevanje poslovanja

Razumijevanje podataka

Priprema podataka

Modeliranje

Ocjenjivanje

Razvoj

Podaci

Izvor: www.crisp-dm.org

Data monetizacija

Prilike data monetizacijeBig Data može ojačati ključne poslovne organizacijske inicijative i podržati nove prilike data monetizacije

1

2

3

4

5

Big Data voditelji Utjecaji na monetizaciju podataka

Strukturirani podaci: detaljniji transakcijski podaci (npr. POS, CDR, RFID, kreditne kartice)

Omogućuje veću zrnatost, detaljnije odlučivanje (lokalizacija, sezone, multimenzionalnost)

Nestrukturirani podaci: razni interni (e-mail komentari kupaca) i eksterni (social media, mobilni) podaci

Omogućuje potpunije odlučivanje (nove metrike, dimenzije i dimenzionalni atributi)

Strojno generirani podaci: očitavanja i logovi sa senzora, sprava za mjerenje, povezanih vozila, pametnih uređaja, itd.

Omogućuje nove, vremenski operativno odlučivanje (prediktivno održavanje, mrežna optimizacija)

Brzina podataka: niska latencija (Real time) pristupu podataka

Omogućuje frekventnije, vremenski uvjetovano odlučivanje (sat u odnosu na tjedan, ažuriranje analitičkog modela na zahtjev)

Prediktivna analitika: uzročnost, predskazivači, instrumentacija, eksperimantacija

Akcijsko, prediktivno odlučivanje (optimizacija, preporuka, predviđanje, bodovanje, prognoza)

Primjer bodovanja u programu šteta

Model strojnog učenja

Tekst za obuku,

dokumenti, fotografije,

itd.

Vektori značajki

Labele

Novi tekst, dokument, fotografija,

itd.

Očekivane labele

Algoritam strojnog učenja

Prediktivni model

Hvala na pažnji!