Как меняется рынок «моторного страхования» и как компаниям сохранить бизнес в новых условиях

Dbrain занимается распознаванием документов и анализом данных. Мы прошли YCombinator и Plug and Play, работаем с компаниями в России, США и других странах. Наши постоянные клиенты — страховые компании, в том числе страховщики рынка автоуслуг («моторного страхования»). Мы много общаемся с такими компаниями, видим динамику их развития с технологической точки зрения.

На примере оформления полисов ОСАГО расскажем, как предстраховой скоринг поможет страховым компаниям выиграть в долгосрочной перспективе и заработать на продуктах, которые сейчас считаются убыточными.

Эта статья подготовлена по результатам встречи сообщества Insurtech совместно с Антоном Редько (Must)

Российские страховые компании продают 85—90% полисов через агентские каналы: агрегаторов, банки, дилерские центры, лизинговые компании и другие.

Большинство страховых компаний оценивает всех клиентов большой «пачкой», измеряя риск как среднюю температуру по больнице. При этом среди клиентов есть аккуратные водители без аварий, а есть лихачи. Но за полисы ОСАГО они платят одинаково, по средней цене — у страховщиков просто нет возможности быстро оценить риск каждого водителя.

В среднем прибыль страховщика с полиса ОСАГО в большинстве случаев является убыточной. Продавать ОСАГО страховые компании обязаны по закону, но в большинстве своем не вкладываются в создание системы скоринга клиентов, рассчитывая закрыть убытки по ОСАГО с помощью продаж каско. Между тем, грамотно настроенный процесс скоринга, включая мгновенное распознавание данных из документов (паспорт, ВУ, СТС, ПТС), может превратить ОСАГО в прибыль, как это показывает опыт клиентов Dbrain.

Часто участники рынка ориентируются на портфель «моторных» полисов в целом, где прибыль от каско покрывает убыток по ОСАГО.

Многие крупные игроки полагают, что существенных улучшений их бизнес-моделям не требуется — пока доход от каско покрывает убытки по ОСАГО, инвестировать в разработку технически сложных скоринговых моделей нет необходимости.

При этом в реальности у страховщиков до 40% клиентов в портфеле — высокорисковые водители, которые справедливо должны платить за полис больше. Сейчас они платят среднюю цену — по сути, аккуратные водители дотируют их полисы, а страховщики не зарабатывают на них достаточно.

Конкуренция на рынке качественных клиентов сильно обостряется. Основатель MUST Insurance Антон Редько считает, что ее пик придется на ближайшие два-три года. Когда это произойдет, крупным игрокам нужно будет искать новые возможности на рынке. Они будут стараться заработать на 40% высокорисковых клиентов, на которых раньше не обращали внимания, и им придется смотреть в сторону предстрахового скоринга. На уже поделенном рынке предстоит настоящая битва за клиентов. И ключ к победе — в умении анализировать чужой опыт, например банков.

Прежде чем выдать кредит, банки оценивают платежеспособность и кредитную историю заемщика — проводят предкредитный скоринг. Он помогает оценить вероятность, при которой клиент не сможет вернуть кредит, и повысить качество портфеля, отказавшись от неблагонадежных заемщиков.

В страховых компаниях предварительный скоринг работает похожим образом. Инструмент помогает проверить благонадежность страхователя и предложить ему индивидуальный тариф, рассчитанный на основе данных о состоянии транспортного средства, аварийности и других факторов.

Сейчас предварительный скоринг реализован только в прибыльном и высокомаржинальном сегменте моторного страхования — каско. Однако инструмент позволит страховым компаниям зарабатывать и на продаже ОСАГО.

На примере страхования автопарка это может выглядеть так:

• Во время скоринга страховая компания определяет индивидуальный риск-фактор, на основе которого формируется тариф. На риск-фактор можно повлиять (например, снизить аварийность или средний возраст автомобиля).
• Если клиент выполняет эти условия, стоимость ОСАГО для него снижается.
• Высокорисковые клиенты платят больше, принося дополнительный доход (который сейчас упускается).

У цифрового скоринга есть ряд дополнительных преимуществ — например, он позволяет эффективнее бороться с фродом. Скоринговая система может по открытым данным проанализировать поведенческие паттерны клиента, выстроить взаимосвязи и определить риск мошенничества. Такая схема, например, реализована у MUST и MufIn.

Американские компании, которые занимаются моторным страхованием, начали рассчитывать индивидуальный тариф для клиента на основе его кредитной истории еще в 1990 годах. Постепенно модели усложнялись, в них добавлялись дополнительные факторы оценки риска.

Полноценные скоринговые системы крупнейшие игроки рынка США запустили примерно 10 лет назад. С тех пор покупатели страховых полисов знают, на основе каких факторов формируется цена и как можно снизить ее.

Перед этим несколько крупных игроков на рынке сравнялись по сервису, и основным фактором конкуренции стала цена страхового продукта. Если цена рассчитана на основе правильно определенного риск-фактора, страховщик может не волноваться, когда клиент уходит к конкуренту. Скорее всего, конкурент получит убыток и в течение года откажется от клиента.

После цифровизации в США осталось несколько страховых компаний, которые научились оценивать риск и выжили. Они стали умнее: начали лучше разбираться в клиенте и лучше тарифицировать. Когда свободный рынок закончился, это помогло им выжить: все конкуренты ушли с рынка

Мы предполагаем, что аналогичная история ждет и российские страховые компании.

Текущая ситуация на рынке напоминает кондитерскую, в которой в распродажу уже купили все лучшие пирожные. На полках еще полно продукции, но голодных покупателей с деньгами стало ощутимо меньше.

Сейчас на российском рынке около 10 компаний самостоятельно разрабатывают и внедряют скоринговые модели. Главная сложность здесь — создание системы сбора и хранения данных, которые нужны для обучения моделей.

Скоринговая система не может работать без данных, количество которых будет только расти, — речь про рукописные данные из анкет и протоколов. Решение, которое точно и без ошибок извлекает данные паспорта и водительского удостоверения, распознает VIN и загружает информацию в базу, делает процесс скоринга полностью автоматическими. Без автоматизации обработки документов для скоринга операционные расходы компании вырастут, выдача решений о полисах и самих полисов замедлится — в итоге это приведет к потере клиентов.

Разработка автоматизированной системы — длительный процесс, который занимает от трех до пяти лет. Страховые компании, которые начнут строить скоринговую систему в ближайшие два года, должны будут пройти этот путь, но на более конкурентном рынке. То есть в ситуации, когда модели у других игроков работают точнее и собирают больше денег с высокорисковых клиентов.

Мы в Dbrain автоматизируем важную часть этого скоринга: помогаем страховым компаниям быстро распознавать данные при оформлении полиса, «на лету» распределяя клиентов в низкорисковые и высокорисковые сегменты.

Опыт показывает, что в долгосрочной перспективе выигрывают компании, которые внедряют инновации в области скоринга, оценки рисков, индивидуальной тарификации и урегулирования убытков. А также компании, которые автоматизируют этот процесс: клиенты, которые оформляют полис на сайте или через агентов, хотят получать решение сразу.

Время, когда крупные игроки могут высасывать рынок, не инвестируя в технологическое развитие, постепенно уходит. Концентрация на целых сегментах вместо индивидуальной оценки клиентов в будущем принесет только убытки.

Страхования как самостоятельного продукта не существует — оно всегда следует за другим продуктом, услугой, объектом или процессом. Для конкуренции в таких условиях нужна адекватная оценка риска.

Если вы работаете в сфере «моторного страхования» — приходите к нам в Dbrain обсуждать проект автоматизации получения и обработки данных для скоринга. А если вы просто аккуратный автолюбитель — просто потерпите, скоро услуги каско и ОСАГО будут для вас дешевле (и мы в Dbrain хорошо поработаем для этого).