Эксперт GlowByte выступил на курсе для страхователей в ВСК Университете и Высшей школе страхования

Эксперт отметил, что в корпоративном страховании многие операции на стороне страховой компании по-прежнему выполняются вручную.
У клиентов автоматизированы отдельные элементы, но далеко не всегда они собраны в единую систему.

В докладе он разобрал пять зон, где возникает напряжение между страхователем и страховщиком:

• тарифы и цена: справедливая, предсказуемая и прозрачная стоимость риска, а не поиск минимума;
• покрытия и оговорки: разночтения в формулировках, неочевидные исключения и вопросы к тому, как покрытие сработает при убытке;
• убытки и урегулирование: затягивание сроков, споры о трактовке условий договора, непрозрачность статуса дела;
• взаимоотношения: слабая аргументация клиента, разрозненные системы, отсутствие единой корпоративной позиции по страхованию и сквозной аналитики;
• процессы и данные: статистика хранится у страховщика, а не у клиента.

Последнюю зону спикер назвал фундаментом управляемости. Это собственная база о страховании, которую клиент накапливает и хранит у себя: договоры, застрахованные объекты, страховые случаи, история урегулирования, причины отказов в выплате, оценка качества работы каждого страховщика.

Владельцем страховой программы целиком, по словам эксперта, должен быть риск-менеджер: он отвечает за стратегию, структуру, цену, данные, урегулирование, отношения со страховщиками и отчетность. Без этой роли программа распадается на отдельные сделки и теряет управляемость. Для автоматизации спикер выделил три компонента: данные и учет, аналитику и решения, взаимодействие и контроль.

Технологически они опираются на пять классов систем:

• системы управления рисками (RMIS) и хранилище данных со страховой историей;
• бизнес-аналитика (BI) и генеративная бизнес-аналитика, в которой отчеты строятся по вопросам на естественном языке;
• ИИ-ассистенты для распознавания документов, сравнения предложений и условий договоров, поиска пробелов и скрытых исключений, подготовки позиции для юристов и контроля урегулирования;
• модели машинного обучения (ML) для внутреннего андеррайтинга, прогноза тяжести убытков, выявления мошенничества и оценки эффекта мер по снижению рисков;
• системы принятия решений (СПР): в одном сценарии она связывает ассистентов, модели и дополнительные данные и определяет, что делать с событием.

В качестве примера Денис Быстров показал сценарий выявления признаков страхового случая. Учетная система передает поток событий ИИ-ассистенту, тот квалифицирует их по регламентам и правилам, СПР запускает нужный сценарий, другой ассистент проверяет, покрывает ли событие договор страхования по объекту, а куратор получает уведомление. Все данные сохраняются в хранилище.

Второй пример — онлайн-обмен данными между страхователем и страховщиком на кейсе логистической компании. Раньше информация о поврежденном или утраченном грузе выгружалась из учетной системы в Excel, реестр передавался страховщику и вручную загружался в его систему, а из-за дополнений реестры обновлялись, поэтому урегулирование занимало недели. После интеграции учетной системы клиента с СПР и системой отслеживания инцидентов сообщение о страховом случае формируется автоматически и сразу попадает в систему страховой компании с привязкой к нужному договору. СПР определяет, затронуты ли имущество, ответственность или транспортное средство, готовит заявления и проверяет полноту пакета документов по чек-листам. Срок урегулирования сократился с недель до дней.

Отдельно эксперт GlowByte рассказал о двух инструментах для анализа причин убытков: причинно-следственном анализе данных (causal inference) и интеллектуальном анализе процессов (process mining). Первый выявляет зависимости между воздействиями и событиями на исторических данных компании. Второй строит реальную карту процесса по логам информационных систем, показывает задержки и лишние шаги и помогает найти участки, где возникают риски.

Такие решения можно развернуть на собственной инфраструктуре заказчика, что снимает основные вопросы информационной безопасности, возникающие при использовании облачных моделей.
Окупаемость, по словам спикера, считается просто: нужно оценить необходимое оборудование, объем документов и число сотрудников, которые заняты этой работой сейчас.