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.

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.

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.

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.

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.