W 2020 r. firma Deloitte w raporcie Insurance Outlook 2020 podkreśliła, że ubezpieczyciele muszą podnieść poziom zaawansowania swoich narzędzi analitycznych i w większym stopniu korzystać z alternatywnych źródeł danych.
Takie podejście miało wspierać budowanie zaangażowania wśród coraz bardziej wymagających konsumentów cyfrowych w dynamicznie zmieniającym się otoczeniu gospodarczym. Wyzwania te wydają się jednak nadal głównie domeną dużych firm, pozostając poza zasięgiem mniejszych i średnich podmiotów na rynku. Dlaczego tak się dzieje?
Ograniczenia wdrożenia alternatywnych danych w mniejszych firmach
Pierwszym czynnikiem jest kwestia spójności danych. Z punktu widzenia rynku ubezpieczeń kluczowe jest, aby dane wykorzystywane przez modele analityczne były dostępne dla wszystkich graczy. Brak równomiernego dostępu do określonych informacji może prowadzić do powstawania luk w analizie ryzyka, a w konsekwencji do mniej precyzyjnych prognoz. W najgorszym wypadku ograniczona dostępność danych może wręcz obniżyć jakość opracowywanych modeli, zamiast ją poprawić.
Kolejnym istotnym problemem jest różnorodność formatów danych oraz trudność ich harmonizacji. Dane, szczególnie przechowywane na poziomie regionalnym, często znajdują się w rozproszonych bazach, zapisanych w odmiennych formatach. Zebranie takich danych i przekształcenie ich w ujednoliconą strukturę wymaga dużych nakładów finansowych i technologicznych. Co więcej, zmienność formatów danych wymusza stałe dostosowywanie systemów informatycznych, co skutkuje nieustannie rosnącymi kosztami operacyjnymi.
Trzecim wyzwaniem jest identyfikacja danych o rzeczywistej wartości dla konkretnego modelu. Próba uwzględnienia wszystkich dostępnych danych, bez wcześniejszego ich przesiewu, wiąże się z wysokimi kosztami zakupu i przetwarzania informacji. Dla wielu mniejszych ubezpieczycieli tego typu działania mogą okazać się nieopłacalne, jeśli nie zostaną precyzyjnie ukierunkowane na dane o kluczowym znaczeniu dla ich działalności.
Alternatywne dane w praktyce: studium przypadku z Łotwy
Nasze badanie łotewskiego systemu Bonus-Malus jest przykładem efektywnego wykorzystania alternatywnych danych w celu usprawnienia modeli analitycznych. Projekt objął dane dotyczące całego łotewskiego rynku motoryzacyjnego. Analizowaliśmy m.in. współrzędne adresów klientów, lokalizacje dróg oraz miejsca występowania wypadków drogowych. Kluczowym etapem procesu było przedstawienie danych w formie siatki 2×2 km², w której analizowano długość dróg oraz liczbę wypadków przypadającą na jednostkę długości.
Warto podkreślić, że dane te zostały przetworzone w sposób, który nie naruszał prywatności klientów. Zamiast analizować szczegółowe lokalizacje klientów, skupiliśmy się na obiektywnych danych dotyczących infrastruktury drogowej oraz statystyk wypadkowości. Dzięki temu udało się uzyskać wysoką precyzję prognoz ryzyka bez konieczności ingerowania w dane osobowe.
Zastosowanie alternatywnych danych w modelach predykcyjnych przyniosło kilka istotnych korzyści:
- Zwiększoną precyzję prognozowania ryzyka.
- Możliwość lepszego rozpoznawania klientów o podwyższonym ryzyku.
- Umożliwienie bardziej efektywnego dopasowania ofert ubezpieczeniowych.
Możliwości rozwoju w innych krajach
Opisana metodologia jest elastyczna i może być zastosowana także w innych krajach. Na przykład, analiza danych dotyczących infrastruktury drogowej w Polsce wykazała podobne możliwości wykorzystania tych informacji do budowy modeli ryzyka. W ten sposób można stworzyć bardziej uniwersalne narzędzia analityczne, które uwzględniają specyfikę lokalnych warunków.
Projekty realizowane przez nas w Niemczech dowiodły, że dane alternatywne mogą być niezwykle przydatne w analizie ryzyk związanych z OC. Przykładowo, uwzględnienie średniej wartości wynajmu w rejonie zamieszkania właściciela pojazdu pozwoliło na bardziej precyzyjne modelowanie ryzyka, ponieważ wyższe koszty życia w danym regionie korelują z większą liczbą luksusowych samochodów.
K2G BOX jako narzędzie wspierające rozwój analityki danych
Rozwiązanie K2G BOX umożliwia ubezpieczycielom wykorzystanie alternatywnych danych w ich modelach bez konieczności integrowania tych danych z systemami IT. Proces analizy odbywa się w sposób efektywny, pozwalając na szybkie i tanie testowanie nowych danych. Co istotne, narzędzie to jest dostępne dla firm każdej wielkości, co czyni je wyjątkowo użytecznym w kontekście rozwijania rynku ubezpieczeń.
Każdy portfel klientów ma swoją specyfikę, co oznacza, że dane, które sprawdziły się w jednej firmie, mogą być nieprzydatne w innej. Dlatego kluczowe jest przeprowadzanie indywidualnych analiz dla każdego portfela, co umożliwia K2G BOX. Najbardziej interesujące jest to, że wszystko to można zrealizować za pomocą prostych plików CSV, bez konieczności kosztownych zmian w systemach informatycznych.
Podsumowanie
Dane alternatywne to narzędzie, które pozwala ubezpieczycielom na skuteczniejsze przewidywanie ryzyk, lepsze dopasowanie ofert oraz poprawę efektywności procesów operacyjnych.
Dzięki narzędziom takim jak K2G BOX nawet mniejsze firmy mogą z powodzeniem korzystać z zaawansowanych metod analitycznych, dotychczas zarezerwowanych głównie dla największych graczy na rynku.
Włączenie alternatywnych danych do procesów decyzyjnych może przyczynić się do większej przejrzystości rynku i umożliwić bardziej precyzyjne zarządzanie ryzykiem.
