Большие данные в страховании: всегда были, но не использовались
Зачем нужно знать семейное положение клиента.
Знания о клиенте лежат в основе всех бизнес-процессов и решений страховых компаний. Часть этих процессов мы автоматизируем уже лет десять, и всё это время мы старались накопить побольше данных о клиенте, даже не имея возможности их обрабатывать. В 2016 году мы создали отдел исследования данных, чтобы научиться применять и капитализировать эту информацию.
В каком направлении мы решили двигаться
Мы определили, что большие данные помогут нам:
- Персонализировать предложение для клиента.
- Улучшить качество сервиса.
- Эффективнее распознавать мошеннические схемы.
- Выдвигать больше гипотез при создании новых продуктов и тарифов.
Автострахование — одно из основных направлений работы нашей компании, поэтому свой первый проект с использованием больших данные, мы решили посвятить розничным обладателям каско. Мы понимали, что если предложить обладателям автомобильной страховки более качественный сервис, то они останутся с компанией надолго.
Пилотным проектом стал «Ренессанс клуб». Основная его цель — персональный сервис с упрощённым урегулированием страхового случая. Клиент ускоренно получает направление на ремонт, а персональный менеджер помогает собирать документы и следить за процессами. Помимо этого, клиент может сам выбрать автосервис, пользоваться услугами такси или каршеринга на сумму до 20 тысяч рублей и получить расширенный лимит на эвакуацию при ДТП.
Что у нас было
Хранилище данных представляло собой огромную песочницу, которая пополнялась из разных источников. Информация в нём никак не была связана между собой, но вот, что у нас было:
- Общие данные о клиенте, информация о его родственниках и, например, страховках в путешествиях.
- Имущество клиента, вплоть до серийного номера двигателя автомобиля.
- Данные по страховым случаям, к примеру, ущерб автомобиля, место ДТП и постановление от правоохранительных органов.
Так как данные данные хранились бессистемно, Пётр Иванов, застраховавший квартиру от пожара, был «клоном» человека, попавшего в ДТП.
С чего мы начали
Первым делом мы привели все данные к единым форматам и попробовали их связать, отталкиваясь от клиента. Так появилась единая клиентская запись: в неё подгружаются данные из разных систем, сами обрабатываются и очищаются от дубликатов. У Петра Иванова теперь есть личная карточка, из которой можно узнать, как часто он пользуется услугами страховой, сколько ему выплатили за прошлогодний угон, и на каком автомобиле он сейчас ездит.
Второй шаг: создание оценочной модели, которая учитывала 200 параметров — в основном из экономической плоскости. Мы несколько раз меняли формулу, стараясь сделать оценку клиентской лояльности справедливее.
Структурировав все знания, мы стали генерировать дополнительные данные о клиенте. Мы не понимали, что конкретно нам нужно, поэтому старались вывести как можно больше признаков. К примеру, нам так и не пригодился возраст, в котором клиент первый раз купил страховой полис, зато мы активно используем данные о родственных связях: люди в браке и с детьми водят автомобиль заметно аккуратнее.
Сейчас мы нашли ещё один признак — домохозяйственные связи. Если в ближайшем окружении потенциального клиента есть люди, подозреваемые в мошенничестве, то его нужно рассматривать намного пристальнее.
Наша формула состоит более чем из двух тысяч параметров: прямых и производных. Клиенты, у которых высокий оценочный балл, попадают в наш клуб и получают привилегии. При этом мы не забираем статус у клиента, если он стал попадать в неприятные истории.
Факторы, от которых зависит попадание в клуб: тип и частота ущерба, вероятность продления полиса и покупок других страховых продуктов. Одни из ключевых параметров — количество лет с нами и широта линейки приобретений. Наша цель заключается в создании модели, которая справедливо сегментирует клиентскую базу, основываясь только на аналитике.
Чем мы сейчас занимаемся
В «Ренессанс клубе» уже больше ста тысяч человек, но его расширение продолжится. С помощью поведенческих моделей мы строим прогнозы: сколько страховых продуктов приобретёт конкретный клиент, какие риски мы при этом несём, какую сумму выплатим за ущерб.
Точность прогноза растёт с количеством данных: по региону и стажу можно спрогнозировать, сколько страховых ситуаций случится и на какую сумму. Мы уже тестируем модель, которая покажет, сколько лет клиент будет страховаться именно у нас.
Есть и данные, до которых наши специалисты ещё не добрались. К примеру, можно анализировать информацию по ДТП: выявлять наиболее опасные маршруты, участки дороги, автомобили. На основе этой информации можно делать интерактивные карты или продукты, которые будут считать вероятность попадания в ДТП.
Похожая информация хранится и по угонам. Отчасти она уже используется — стоимость страхования напрямую связана с «угоняемостью» марки автомобиля, но ещё есть куда двигаться. Точно так же можно составить карту мест, вероятность угона в которых выше или создать продукт, который вовремя сигнализирует клиенту о потребности сменить противоугонную систему.
Также с помощью анализа данных мы успешно боремся с мошенничеством: находим зависимости и учитываем их при скоринге.
Мы активно развиваем технологическое направление, поэтому приглашаем на работу в московский офис аналитиков данных с зарплатой в 100–140 тысяч рублей. Нужно будет выполнить тестовое задание и пройти собеседование.
Это все конечно так классно. Но вы не хотите двинуться в направлении, направленном на прекращение нарушения закона в виде отказа в оформлении ОСАГО если прописка не СпБ или Мск ?
Можно начать например с тех у кого не было ни одного ДТП, потом уже совсем по закону делать все.
"Одни из ключевых параметров — количество лет с нами..."
В этом месте вы теряете большой массив клиентов, которые сразу могут стать членами клуба по схожим параметрам. Кстати, вот тут и пригодится возраст, когда клиент первый раз приобрёл полис.
Оценочная модель должна быть разной в зависимости от групп - в итоге можно в разы увеличить точность прогнозов.
то есть вы построили еще одну систему для управления рисками. ок
а в чём велью для клиентов? стало дешевле?
или может вы часть рынка отвоевали?
как вы эти данные монетизировали?
или просто построили красивые графики и статистику и отчитываетесь?
А вы из страховой отрасли?
в каком-то смысле да