{ "author_name": "Vladislava Rakhmanova", "author_type": "self", "tags": [], "comments": 10, "likes": 12, "favorites": 6, "is_advertisement": false, "section_name": "default", "id": "24009", "is_wide": "" }
Vladislava Rakhmanova
2 278

«Эффект от использования нейросетей выше, чем возможные риски»

Вице-президент операционного блока и ИТ «Ренессанс страхование» Денис Быстров о повышении клиентского сервиса при помощи машинного обучения.

Поделиться

В избранное

В избранном

Российский страховой рынок во многих процессах и процедурах идет по пути банковского, но с опозданием, в том числе и в информационной сфере. С точки зрения технологий страхование представляет собой базу данных. Но в силу различных бизнес-приоритетов мало кто занимается использованием своих же больших данных.

Мы с 2008 года инвестировали в наши ИТ-платформы, в частности, в автоматизацию систем. Даже когда не имели возможности обрабатывать и анализировать данные, мы все равно их собирали. В какой-то момент мы поняли, насколько большим количеством информации о своих клиентах обладаем, и решили использовать этот потенциал для своего же развития.

Сегодня наша компания одной из первых на российском страховом рынке начинает использовать нейросети для решения своих бизнес-задач. Сейчас мы тестируем автоматизированные самообучающиеся системы для прогнозирования вероятности кросс-продаж страхования от несчастного случая и страхования имущества и в процессе пролонгации.

Например, мы предлагаем страховку для имущества в первую очередь клиентам, которые более склонны к покупке таких продуктов. Два классических, универсальных фактора в таких моделях — возраст и доход. Взрослые клиенты с дорогими автомобилями (то есть более высоким достатком) более склонны к покупке страховки для квартиры или дома, чем молодые люди с недорогим автомобилем.

Также сбор обратной связи от клиентов значительно улучшает работу модели: например, молодые люди чаще отказываются от подобных предложений. Новые модели проверяются постоянно — как на тестовых выборках, так и на реальных звонках клиентам.

Текущая версия модели тестируется последний месяц. При внедрении пришлось пересмотреть весь процесс продажи полиса. Основная проблема состоит в получении качественной обратной связи от клиента для последующей корректировки модели.

В ближайшей перспективе мы рассчитываем, что нейросети помогут нам в автоматизации принятия решений в управлении процессами, в распознавании фотографий, речи клиента, его ключевых слов, индивидуальных профилей в личных кабинетах при урегулировании страховых случаев.

Наиболее перспективные для нас направления с использованием нейросетей — обработка запросов в наш колл-центр, а также анализ оттока клиентов и способы их удержания. Дело в том, что такая деятельность позволяет сохранить клиента в высококонкурентном рынке и сформировать оптимальные условия обслуживания для всех сегментов.

Кроме того, с помощью методов классификации машинного обучения мы определили класс клиентов, лояльных нашей компании, и собираемся внедрить для них специальные скидки на наши страховые продукты. Мы исходим из того, что чем дольше человек застрахован в компании, тем выше его лояльность.

Мы разработали программу привилегий, которая направлена на повышение лояльности и увеличение уровня пролонгации. Например, клиент, который был застрахован в компании пять лет и не заявил ни одного убытка, имеет самую низкую цену на страховку на рынке для своего автомобиля, а также около десятка привилегий при возникновении страхового случая.

Все модели мы разрабатываем сами. Выбираем именно те, что в большей степени подходят под решение задач и показывают на тестовой выборке наилучший результат. Традиционно очень популярна в страховании логистическая регрессия. Конечно, при интеграции возникают сложности. Чаще всего из-за разнородности архитектурных систем.

Основные преимущества логистической регрессии в том, что она позволяет четко понять влияние каждого фактора на целевую переменную. Это обязательная составляющая моделирования. После формирования понимания взаимосвязей между переменными можно перейти к более сложному моделированию с помощью нейросетей, которые позволяют получить дополнительный эффект.

Помимо нейросетей мы тестируем и используем и другие методы машинного обучения. Например, метод опорных векторов, решающие деревья, сочетание различных моделей. В целом наша задача — найти лучший способ для органичной интеграции в образ жизни наших клиентов и повысить качество принятия решений на базе имеющихся данных.

Мы стремимся к тому, чтобы клиенту общение с нашей компанией доставляло удовольствие. Для этого мы должны максимально полно понимать его потребности и удовлетворять их, при этом желательно не требуя никаких усилий с его стороны.

Методы машинного обучения позволяют приблизиться к реализации этой цели. Мы работаем над оптимизацией предложений продуктов, наиболее подходящих клиенту, ускорением процессов обслуживания, формированием лояльности за счет поощрений и так далее. Направлений достаточно много, но не все они напрямую касаются нейросетей и машинного обучения.

Сегодня мы работаем только с входящим и сформированным запросом клиента. Нейросети позволяют лучше понять пользователя, предвосхитить его потребности. Ведь для страховой компании первостепенное — создать удобные и комфортные коммуникации с клиентом. Использование подобной технологии позволяет выстроить очень персонализированный и самонастраивающийся процесс.

Например, сейчас мы предлагаем текущим клиентам, которые потенциально могут застраховать свою недвижимость, наиболее оптимальные предложения. Информацию о наличии и типе дач и загородных домов можно уточнить через открытую часть профиля в социальной сети.

Для автоматизации поиска и формирования предложений используются нейросети. Часто клиенты указывают в открытой части профиля свои интересы. Ниже выборки увлечений наших клиентов, которым предлагается страхование загородного дома:

  • Рыбалка, дача, туризм, кухня.
  • Горные лыжи, фото и видео, дача.
  • Спорт, плавание, фитнес-зал, чтение книг, дача, цветы.
  • Отдых, сын, дочь, дача.
  • Автомобиль, дача, лес, рыбалка.
  • Походы, путешествия, вечеринки и грядки.

Интересно, что эти случайные клиенты, выбранные по слову «дача», старше 45 лет. Отклик по таким клиентам в разы выше, чем по клиентам с другими интересами. Например, с такими:

  • Водка, женщины.
  • Скоростная езда, танцы.
  • Кино, танцы, девушки.
  • Выпивка, отдых, веселье.

У таких клиентов возраст обычно меньше 30. Конечно, это крайние и очень простые примеры — модели могут учитывать намного более глубинные взаимосвязи.

Наиболее простой пример использования нейросетей: клиенты, которые задерживают на 30 дней подачу документов о страховом случае, с вероятностью на 25% ниже пролонгируют свой договор страхования. Поэтому мы несколько кастомизировали процесс и стали делать предложение заранее для того, чтобы удержать клиента. То есть теперь клиентам, задерживающим подачу документов, мы организуем автоматические напоминания.

Еще пример: при обработке информации о страховых случаях мы выявили большое влияние фактора задержки подачи документов. Это произошло при обучении нейросетей как с учетом фактора задержки, так и без него, и анализе результатов. Сейчас убытки клиентов, которые затянули с подачей полного пакета документов, рассматриваются при принятии решения о выплате значительно быстрее, что позволяет сократить время взаимодействия с компанией.

Повышенные ожидания людей положительно сказываются на желании сохранить взаимодействие с компанией. После внедрения нейросетей срок принятия решения в среднем сократился на три дня. На больших выборках это довольно значимое ускорение.

Мы разрабатываем нейросетевые кластеризаторы для счетов от лечебно-профилактических учреждений (а мы сотрудничаем с более чем четырьмя тысячами ЛПУ по всей стране) в рамках добровольного медицинского страхования (ДМС). Такие классификаторы позволяют выявлять потенциально подозрительные счета на основе правил, заложенных по результатам анализа фрод-кейсов нашими медицинскими экспертами.

В ДМС достаточно часто бывает так, что врачи проводят «гипердиагностику» и назначают лишние процедуры, которые в свою очередь оплачивает страховая компания. Возникновение системных искажений в данных, которые могут создавать недобросовестные врачи, позволяет нейросетям отловить такие случаи.

Как показывает практика, значительным потенциалом выявления страхового мошенничества обладает интеллектуальный анализ графов. В нашей компании уже реализована система, анализирующая связанные убытки, чтобы затем направлять их на детальную проверку экспертам.

Подходов к анализу графов большое разнообразие, это позволяет посмотреть на проблему страхового мошенничества под разными углами. Такой способ автоматического выявления подозрительных убытков позволяет значительно сократить объем работы экспертов.

Например, в графе выявляют связанные между собой неслучайным образом убытки. Очень редко в реальной жизни может возникнуть ситуация, когда один и тот же человек фигурирует в трех убытках: как водитель, страхователь и собственник ТС. При этом убытки произошли в течение недели. Расследование таких связей позволяет выйти на мошенников.

Конечно, существует риск ошибок, так как могут использоваться данные с неявными зависимостями. Если на базе этого будут приняты неверные решения, они могут не повысить, а снизить эффективность. Как и любые технологии, нейросети требуют отладки. Но эффект от использования выше, чем возможные риски.

Главный плюс для страховой компании в использовании нейростей заключается в том, что автоматизированные самоообучаемые системы позволяют в онлайне обрабатывать огромные массивы данных и принимать оперативные максимально эффективные решения.

Сотрудник компании не удержит такое количество информации в своей голове. Нейросети снимают с продавцов сервисных подразделений задачу оперативно и точечно управлять ожиданиями и потребностями клиентов, автоматически анализируя эти данные.

Нейросети также влияют на бэк-офис: анализ фотографий и документов, сопоставление данных, возможность принятия решений без участия человека (на базе профиля, предыдущих обращений и так далее).

Уже сейчас мы видим первые результаты в наших центрах обслуживания клиентов: продажи появились в тех городах, где их раньше не было. В рамках тестирования кросс-продаж мы ожидаем 15% прирост к текущему уровню.

Но важно понимать, что нейросети — это не просто калькулятор. Они реально способны подобрать оптимальный продукт и процесс для каждого клиента. И чем больше мы знаем о клиенте, тем более комфортное, выгодное и эффективное взаимодействие у нас с ним получится.

{ "is_needs_advanced_access": false }

Комментарии Комм.

Популярные

По порядку

0

Прямой эфир

Компания отказалась от email
в пользу общения при помощи мемов
Подписаться на push-уведомления
[ { "id": 1, "label": "100%×150_Branding_desktop", "provider": "adfox", "adaptive": [ "desktop", "tablet" ], "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "ezfl" } } }, { "id": 2, "label": "1200х400", "provider": "adfox", "adaptive": [ "phone" ], "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "ezfn" } } }, { "id": 3, "label": "240х200 _ТГБ_desktop", "provider": "adfox", "adaptive": [ "desktop" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fizc" } } }, { "id": 4, "label": "240х200_mobile", "provider": "adfox", "adaptive": [ "phone" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "flbq" } } }, { "id": 5, "label": "300x500_desktop", "provider": "adfox", "adaptive": [ "desktop" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "ezfk" } } }, { "id": 6, "label": "1180х250_Interpool_баннер над комментариями_Desktop", "provider": "adfox", "adaptive": [ "desktop", "tablet" ], "adfox": { "ownerId": 228129, "params": { "pp": "h", "ps": "bugf", "p2": "ffyh" } } }, { "id": 7, "label": "Article Footer 100%_desktop_mobile", "provider": "adfox", "adaptive": [ "desktop", "tablet", "phone" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fjxb" } } }, { "id": 8, "label": "Fullscreen Desktop", "provider": "adfox", "adaptive": [ "desktop", "tablet" ], "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fjoh" } } }, { "id": 9, "label": "Fullscreen Mobile", "provider": "adfox", "adaptive": [ "phone" ], "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fjog" } } }, { "id": 10, "disable": true, "label": "Native Partner Desktop", "provider": "adfox", "adaptive": [ "desktop", "tablet" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "clmf", "p2": "fmyb" } } }, { "id": 11, "disable": true, "label": "Native Partner Mobile", "provider": "adfox", "adaptive": [ "phone" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "clmf", "p2": "fmyc" } } }, { "id": 12, "label": "Кнопка в шапке", "provider": "adfox", "adaptive": [ "desktop", "tablet" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fdhx" } } }, { "id": 13, "label": "DM InPage Video PartnerCode", "provider": "adfox", "adaptive": [ "desktop", "tablet", "phone" ], "adfox_method": "create", "adfox": { "ownerId": 228129, "params": { "pp": "h", "ps": "bugf", "p2": "flvn" } } }, { "id": 14, "label": "Yandex context video banner", "provider": "yandex", "yandex": { "block_id": "VI-223676-0", "render_to": "inpage_VI-223676-0-158433683", "adfox_url": "//ads.adfox.ru/228129/getCode?p1=bxbwd&p2=fpjw&puid1=&puid2=&puid3=&puid4=&puid8=&puid9=&puid21=&puid22=&puid31=&fmt=1&pr=" } }, { "id": 15, "label": "Плашка на главной", "provider": "adfox", "adaptive": [ "desktop", "tablet", "phone" ], "adfox": { "ownerId": 228129, "params": { "p1": "byudx", "p2": "ftjf" } } } ]