Шесть способов усовершенствовать обработку заявок на выплату страхового возмещения с помощью анализа больших данных

Стюарт Роуз (Stuart Rose), руководитель подразделения глобального маркетинга в сфере страхования компании SAS

Большие данные. Большие данные. Большие данные. И что дальше? Какое отношение большие данные имеют к страховым компаниям? Давайте подумаем. Нам приходится анализировать, искать и сортировать невероятные объемы данных — рукописные примечания оценщиков страхового убытка, списки мошеннических действий, сведения из систем управления заявками на выплату возмещения и базы данных заявок Американского национального бюро страховых преступлений. Насколько эффективно эти данные используются на практике?

Учитывая огромное количество поступающих заявок, у страховых оценщиков просто нет времени на изучение всех данных, необходимых для анализа каждой заявки. Однако, упустив из вида какую-либо важную информацию, можно сделать неверные выводы. В итоге многие решения оценщиков основываются на опыте, интуиции и той небольшой доле информации, которую они успевают изучить.

По этой причине, как и по многим другим, анализ больших данных приобретает большое значение для страхового бизнеса. Работая бок о бок с оценщиками, аналитики могут помечать заявки, требующие более тщательного изучения, назначать приоритеты и т. д. 

Использование аналитики может принести существенную пользу в следующих шести областях:

Снижение коэффициента убыточности всего на 1 % обеспечивает страховой компании с оборотами в 1 млрд долларов США экономию в размере более 7 млн долларов США в абсолютном выражении.

Противодействие мошенничеству. Каждая десятая заявка на выплату возмещения является мошеннической. Как выявить подобные заявки до того, как будет выплачена круглая сумма? Большинство доступных на рынке решений для борьбы с мошенничеством основано на правилах. К сожалению, злоумышленники располагают массой возможностей для того, чтобы с легкостью их обойти. В свою очередь, технологии прогнозной аналитики объединяют правила, инструменты моделирования, интеллектуального анализа текста, поиска в базе данных, а также составление отчетов об исключениях, чтобы быстро и эффективно выявлять мошеннические действия на каждом этапе обработки заявки на выплату возмещения.

Суброгация. Данные, свидетельствующие о возникновении права на суброгацию, зачастую тонут в море информации, существующей, в основном, в виде полицейских протоколов и отчетов, примечаний оценщиков и медицинских записей. Инструменты текстового анализа выполняют поиск по неструктурированным данным и находят фразы, обычно указывающие на возможность суброгации. Выявление оснований для суброгации на ранних этапах позволяет максимально возместить ущерб и сократить связанные с этим затраты.

Урегулирование претензий. Чтобы уменьшать затраты и принимать справедливые решения, страховщики зачастую применяют сокращенную процедуру, которая предусматривает выплату возмещения по заявке в кратчайшие сроки. Однако такой подход чреват увеличением издержек в случае переплаты. Все страховщики, которые сталкивались со шквалом требований о выплате возмещения по факту разрушения жилища в пострадавших от стихийных бедствий районах, отлично знают, о чем речь. Анализируя содержание и историю заявок, можно оптимизировать предельную сумму мгновенной выплаты. Аналитика также позволяет сократить время рассмотрения заявки, благодаря чему повышается уровень удовлетворенности клиентов и сокращаются трудозатраты. При этом возможна значительная экономия, например, если речь идет о заявках на выплату возмещения по факту ремонта арендованного автомобиля.

Резерв на покрытие убытков. В момент подачи заявки на выплату страхового возмещения практически невозможно предсказать объем выплат и их продолжительность. Однако точное прогнозирование резервов на покрытие убытков и заявок на выплату возмещения имеет критически важное значение, особенно в случаях, предполагающих долгосрочные выплаты (например, ответственность за ущерб и компенсации работникам). Аналитика позволяет точнее рассчитать резерв для покрытия убытков с помощью сравнения сумм в аналогичных заявках. В этом случае, когда бы ни были обновлены данные в заявке, страховщики могут переоценить резервы на покрытие убытков и точно понять, сколько потребуется средств для выплаты возмещений в будущем.

Практическая деятельность. Для обработки самых сложных заявок целесообразно назначать самых опытных оценщиков. Однако на практике заявки распределяются в условиях нехватки данных. В результате заявки приходится часто переназначать, а это влияет на сроки их обработки, суммы возмещения и в конечном счете — на качество обслуживания клиента. Интеллектуальный анализ данных позволяет распределять характеристики ущерба по категориям и группам, чтобы оценивать и приоритизировать заявки и назначать для их обработки наиболее подходящих специалистов, в зависимости от их опыта и типа заявки. В отдельных случаях заявки на выплату возмещения можно даже рассматривать и утверждать автоматически.

Исковое производство. Значительная часть бюджета страховой компании, выделенного на возмещение ущерба, расходуется на судебные издержки по спорным заявкам. Страховые компании могут использовать аналитику, чтобы рассчитывать вероятность подачи судебных исков в связи с теми или иными заявками на выплату возмещения. После этого для обработки таких заявок можно назначить наиболее опытных оценщиков, которые с высокой вероятностью смогут урегулировать претензии в более короткий срок и с меньшими затратами.

Почему необходимо включить аналитику в стандартную процедуру обработки заявок? По мере того как страхование превращается в товар широкого потребления, страховые компании изыскивают любую возможность выделиться на фоне конкурентов. Применение аналитических инструментов в течение жизненного цикла заявки на выплату страхового возмещения поможет повысить окупаемость вложений и сократить затраты. Снижение коэффициента убыточности всего на 1 % обеспечивает страховой компании с оборотами в 1 млрд долларов США экономию в размере более 7 млн долларов США в абсолютном выражении.


Related content: 3 ways generative AI can level the field with health care fraudsters

Instead of reinventing the wheel, why not use generative AI to enhance the efficiency of special investigative units and payment integrity teams? Consider three examples of how these teams can use generative AI to fight back against fraudulent claims (and more). Learn how:

  • A digital assistant can help with claims data.
  • Synthetically generated data can be used to train fraud models.
  • GenAI can serve as a case management assistant.