Как карта ляжет: как ИИ способен предсказать риски страховых компаний?

Искусственный интеллект уже сейчас активно помогает страховщикам: нейросети распознают документы при оформлении полисов и дистанционно оценивают ущерб автомобилю в случае аварии, классические модели машинного обучения помогают рассчитывать оптимальную стоимость полиса и прочее.

В скором времени алгоритмы смогут более качественно выявлять мошенников и по многофакторному скорингу предлагать полностью индивидуальные страховые решения. Руководитель отдела развития анализа данных «Ренессанс страхование» Александра Григорьева рассуждает об интеграции технологий в страховые продукты и будущем этого направления.

Компания получает данные о клиентах при покупке полиса. Автовладелец передает данные о себе онлайн, их обрабатывают специальные алгоритмы. Данные по автомобилю от клиентов мы обогащаем внешними данными из баз ГИБДД, Российского союза автостраховщиков и реестров такси, а также используем бюро кредитных историй. Каждому полису соответствует множество признаков и рисков. Например, нам важно различать, используется ли автомобиль как личный или как такси.

Из собранной информации мы понимаем, кто допущен к управлению автомобилем, сколько лет транспортному средству, какой коэффициент безаварийного вождения у конкретного водителя. История регистраций показывает, сколько у автомобиля было собственников и как долго им владеет потенциальный покупатель полиса.

В автостраховании важные факторы — возраст водителя и его опыт вождения. Для ОСАГО характерен еще один момент: более рисковым считается автомобиль с пробегом, который сменил много собственников.

В «Ренессанс страховании» точнее рассчитать тариф помогает историческая выборка данных, которая накопилась за 25 лет работы компании. Опыт показал, что наиболее эффективные модели формируются на базе пулов полисов, оформленных за последние 3-5 лет. Такие ограничения по размеру выборки эффективны в связи с тем, что постоянно появляются новые обстоятельства, меняется рыночная конъюнктура и прочее.

На основе данных мы формируем необходимую целевую переменную. Ею может быть, например, частота убытков в год по полисам определенного типа. Команды оценки рисков выявляют такие закономерности с помощью моделей машинного обучения для прогнозирования этих величин.

При этом мы не полагаемся полностью на модели и вносим корректировки в их решения, руководствуясь бизнес-правилами компании, ограничениями по тарифам и эластичностью спроса. Все это влияет на стоимость полисов каско или ОСАГО. Кроме того, модели помогают нам оценить вероятность кросс-продажи конкретному клиенту, оттока клиентов или пролонгаций полисов.

По каждому направлению бизнеса в нашей компании работают отдельные команды по оценке рисков, применяющие широкий спектр инструментов работы с данными и оценки рисков. Анализ исторических данных производится с помощью OLAP-кубов, SQL и Python, оценка рисков производится с помощью обобщенных линейных моделей (Generalized Linear Models), ансамблей над решающими деревьями и прочих алгоритмов машинного обучения. Эти инструменты используются для всех процессов, связанных с оценкой рисков. При этом оценка для нового полиса занимает 1-2 секунды.

При внутренней автоматизации процессов мы пользуемся, в том числе, и основанными на нейросетях продуктами от наших партнеров. Например, они помогают распознавать документы при оформлении полиса и оценивать ущерб машине дистанционно.

Технологии пока не способны до конца справиться с выявлением мошенников, которые пытаются обмануть страховые компании, но модели быстро совершенствуются. Основная проблема заключается в том, что методы, которые применяют мошенники, постоянно совершенствуются. Нужна достаточно большая выборка с качественной разметкой данных в части того, является тот или иной страховой случай мошенническим. Тогда на нем можно обучить модель выявлять злоумышленников по косвенным признакам.

Со сбором необходимых для ИИ данных о манере вождения конкретного клиента, о маршрутах, которыми он пользуется, и аварийности на этих улицах проблем нет. Технологии, которые позволяют фиксировать эти сведения, уже существуют. Они развиваются в нескольких направлениях.

«Ренессанс страхование» уже экспериментировало с телематическими продуктами. В 2016 году мы выпустили продукт «Safedrive.Каско». Чтобы воспользоваться им, нужно было установить прибор телематики в автомобиль на три месяца в обмен на скидку на каско.

К OBD-разъему автомобиля подключали телематический блок, который отслеживал среднюю скорость движения, резкий разгон и торможение, соблюдение скоростного режима, правил маневрирования, дорожного движения и другие параметры. Аккуратные водители получали каско со скидкой 50% и освобождались от франшизы.

В 2021 году мы предлагали скачать мобильное приложение «Ренессанс.Авто», проанализировать мастерство вождения и получить скидку на каско. Однако пока что передавать данные о своей манере вождения для проведения анализа готовы немногие водители. Предустановка телематических комплексов в автомобили в России не распространена, направление мобильной телематики только развивается.

Охотно на установку телематического оборудования идут автопарки. Как правило, такое оборудование устанавливается для отслеживания причин аварийности, а телематические компании делятся данными с нами. На их основе мы рассчитываем скидку.

Вопрос, кто будет владельцем таких данных, остается открытым. Оборудование может быть установлено производителем автомобиля, автопарком или самим водителем — во всех этих ситуациях данными оперируют разные участники процесса. Однако в любом случае мы продолжим работать над изучением паттернов вождения.

Итогом развития искусственного интеллекта, машинного обучения и прочих технологий в перспективе 3-5 лет станет возможность рассчитывать каждый страховой полис персонализировано даже не на конкретного водителя, а на каждую поездку.