Ожидания от машинного обучения в страховании

ML сейчас находится на этапе переосмысления в страховом секторе. Предстоит еще многому научиться (в том числе совершая ошибки), накопить достаточный массив данных, трансформировать культуру работы с данными.

Незрелость ML в отрасли часто приводит к завышенным ожиданиям, которые часто сменяются разочарованием руководства и специалистов страховщика в потенциале машинного обучения для бизнеса. 

Традиции и ML

Машинное обучение – это подраздел искусственного интеллекта (AI).  Машинное обучение включает в себя множество подходов и методов, в том числе нейросети, линейную регрессию, бустинги, решающие деревья и случайные леса. 
 
Большинство актуариев используют обобщенную линейную модель для анализа тарифных факторов, а она построена на методе линейной регрессии, который входит в область машинного обучения. Страховщики могут гордо смотреть в глаза прогрессу и приглашенным консультантам, поскольку для нас ML – это вполне традиционный для индустрии инструмент.

У методов машинного обучения есть много признаков группировки, но для практических целей ML-методы обычно группируются следующим образом: 

• во-первых, по возможностям интерпретации решения. Какие-то методы четко оценивают влияние каждого фактора на итоговое решение, а другие выдают результат без оценки факторов влияния.  Как правило, последние дают более точное решение. Для методов распознавания образов критерии принятия решения не так важны, а для тарифа наоборот;
• во-вторых, методы отличаются по пригодности для решения различных типов задач с данными различной структуры. Задачи по распознаванию изображения решаются одними алгоритмами, а другие помогают найти правильный тариф. Иногда методы комбинируются. Страховщики используют, как правило, случайный лес и прочие деревья.

Одной из существенных проблем применения методов машинного обучения также является оценка качества модели. В методах машинного обучения просто оценки точности недостаточно. Например, модель, которая выявляет мошенников с точностью 99% может быть очень плохой, если обозначает мошенническими 90% убытков. Здесь необходимо контролировать ошибки первого и второго рода, задавать критерии более точно. В принципе есть более точные метрики – GINI, ROC-AUC  и т.д. Но их интерпретация руководством сложно прогнозируется даже нейросетью))

ML: кейсы в страховании

Мы выделяем следующие направления:

1. Sales (продажи)

Поиск новых сегментов
Cross/up sale
Пролонгация и предсказание оттока клиентов.

Персонифицированное отношение к клиентам – направление, по которому идут многие компании, где-то, как в розничном банкинге, это уже является одним из важных конкурентных преимуществ. Для того чтобы решить успешно эту задачу, требуется понять поведение и потребности каждого конкретного клиента.

В этом нам помогают задачи сегментации клиентов по многим факторам: соцдем, информация о страховых продуктах, которыми клиент пользуется, история его обращений через службу поддержки и напрямую через филиалы компании и т.д. Это многофакторная модель с сотнями тысяч прецедентов и эффективно построить ее можно только силами высококвалифицированных аналитиков и экспертов с применением сложного математического аппарата, в том числе и с применением методов Машинного обучения.

После решения задач сегментации клиентов, надо доработать полученную модель, находя группы лояльных и нелояльных клиентов (предсказание оттока), или находя группы людей, которые с большой долей вероятности готовы на покупку еще одного страхового продуктов (cross-sale или next-best-offer).

2. Underwriting (андеррайтинг)

Создание / оптимизация рисковых моделей
Предсказание убыточности клиента.

Оценка рисков – крайне важный процесс для страхового бизнеса, требующий постоянного развития методов и инструментария. 

Тут есть два важных, дополняющих друг друга, направления. 

• Первое: обогащение имеющихся о клиенте данных (с его согласия), например, данными из БКИ. 
• Второе: применение интерпретируемых алгоритмов Машинного обучения, таких как линейные классификаторы, леса решений, метод главных компонент.

Сейчас применение дополнительных методов машинного обучения в андеррайтинге ограничено, причем не в силу технологической слабости, а наоборот. Классическая ОЛМ (GLM) при использовании мощных внешних баз дает очень неплохие результаты, которых другие решения пока не достигли. 

Тем не менее здесь у новых ML методов есть своя ниша. Дело в том, что перерасчет ОЛМ и поиск новых факторов – это очень трудоемкая задача. Вместе с тем, другие интерпретируемые методы обрабатывают новые данные и обучаются быстрее, реагируя на изменения. Это помогает андеррайтерам как в поиске новых факторов, улучшающих рисковую модель, так и искать риски, недооцененные ОЛМ. 

3. Antifraud. Борьба с мошенничеством

Злонамеренное мошенничество, к сожалению, имеет место быть во многих областях нашей жизни. Борьба с ним часто неприятный, но необходимый процесс. 

Для эффективного мониторинга все новых и новых мошеннических схем требуется отслеживать и обрабатывать все большее количество данных. Как и в случае со скоринговыми моделями, автоматизация и ML помогает поддерживать нужную скорость процесса обнаружения мошенничества и в автоматическом режиме, за сотые секунды оценивать вероятность мошенничества по каждому конкретному страховому договору. Такая система применяется в Турции, где работа с данными по мошенникам централизована на базе единого бюро страховых историй.

Кроме того, есть и кросс-секторальные ML-кейсы, которые могут быть использованы в страховании. Например, семантический анализ информационного поля (СМИ, публичной части социальных сетей) с целью превентивного обнаружения информационных атак, анализа отношения к бренду или оптимизации маркетинговых компаний. Эти задачи могут быть решены с помощью современного NLP (Natural Language Processing – подраздел машинного обучения, занимающийся лингвистическими задачами). 

Тем не менее, на российском рынке убытки по мошенничеству в каждой отдельно взятой компании еще не сформировали достаточного массива данных для построения модели способной самостоятельно предсказать мошенничество с приемлемой точностью. До момента запуска закона о бюро страховых историй и технического перевооружения ВСС в этой области оперативное чутье скорее всего будет существенно превосходить искусственный интеллект. Текущие технические решения в основном помогают фильтровать небольшие убытки перед ручной проверкой по «красным флагам».

Общий итог

ML в страховании, имеет свою практику применения, новые методы анализа и появления дополнительных источников данных стали поводом переосмыслить роль математических методов в нашей отрасли. На текущем этапе развития ML – это венчурная инвестиция. Как и любому венчурному предприятию, для успешного внедрения машинного обучения требуется специальная «среда».

Это среда состоит из данных, специальных программных средств, культуры работы с данными, а главное, сотрудников с компетенциями в анализе данных и предметной области. Именно над развитием такой среды мы в «Зетта Страхование» активно работаем в настоящее время.