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.

0
5 комментариев
Популярные
По порядку
Александр Болуженков

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.

Ответить
6
Развернуть ветку
Vlad Kulikov

"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.

Ответить
0
Развернуть ветку
Konstantin Ivanov

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?

Ответить
–1
Развернуть ветку
Marusja Marshakova

А вы из страховой отрасли?

Ответить
0
Развернуть ветку
Konstantin Ivanov

в каком-то смысле да

Ответить
0
Развернуть ветку
Читать все 5 комментариев
No-code подход в мобильной разработке: будущее или мелкая ниша?

Меня зовут Алексей Жилин, я основатель агентства мобильной разработки SMD Agency, а также сооснователь стартапа Wiby, размышления о котором и натолкнули меня на написание этой статьи. Wiby - это сервис, в котором рестораны и доставки еды могут получить нативное мобильное приложение с бэк-офисом и интеграциями с основными CRM этой отрасли для…

Кейс Таргет. Как привлечь 379 заявок на покупку мужских костюмов и предотвратить закрытие ателье

Как я за 4 месяца привлек 379 заявок по 350 рублей на покупку мужских костюмов при среднем чеке 80 000 рублей

Wildberries лично ответил на обвинения покупателей о вранье с платным возвратом. Мы провели блиц-опрос с площадкой

Постоянно вылетает аккаунт,нужно снова логиниться

——————————

Как выпустить заменитель соли на Boomstarter.ru и попасть в список Forbes

Сёстры из Астрахани запустили на Boomstarter.ru продажи нового продукта — зеленой соли. После этого их продукцию начали продавать в сетевых магазинах, а само бизнес-начинение журнал Forbes включил в список лучших стартапов.

Axelar Network

Axelar, a decentralized interoperability network that links blockchain communities, applications, and users. Axelar’s interoperability procedure is decentralized, protected, versatile, and developed to link all blockchain communities that speak various languages. The procedure makes it possible for designers to construct on any blockchain…

Новый дизайн «Секрета фирмы» учтёт пользовательские сценарии потребления и поиска контента

О трендах бизнеса и экономики можно прочесть коротко и ясно в удобных форматах

«Купи сейчас, плати потом»: новая классика или мимолетная мода

Сервис рассрочек рассказывает о новом финтех-тренде.

Мощные сервисы для быстрого машинного обучения: от GPU SuperCloud до суперкомпьютера

В последние три года мы видим рост спроса на технологии искусственного интеллекта (ИИ) и машинного обучения. Они проникли практически во все сферы нашей жизни, начиная от различных колл-центров и городских систем видеонаблюдения, заканчивая системами медицинского скрининга и диагностики заболеваний. Даже для оплаты проезда в столичной подземке…

null