نوآوری خودکارسازی، از بیمهگری تا ارزیابی ریسک و مدیریت دادهها، ابرقدرت جدیدی برای شرکتهای بیمه است.
بهنظر میرسد اصطلاح خودکارسازی این روزها کنار گذاشته شده باشد، ولی در واقع همه چیز شامل عنصری از خودکارسازی است و مواردی که دارای هیچ نوع و بخشی از خودکارسازی نیستند، کمی قدیمی و مربوط به دورانی در گذشته هستند.
به زبان ساده، خودکارسازی، یعنی روشی که توسط یادگیری ماشینی و فناوری‌های هوش مصنوعی هدایت میشود، فرآیندها را سادهتر و کارآمدتر میکند و به آنها امکان میدهد بسیار سریع‌تر و با دقت بسیار بیشتری انجام شوند. خودکارسازی برای صنعتی مانند بیمه، که شامل حجم زیادی از کارهاست و برای قرن‌ها برابر با جستجوی دستی از طریق دادهها برای یافتن نتایج بوده است، به عنوان یک راه حل معجزه‌آسا برای ناکارآمدی صنعت در نظر گرفته میشود.
در دنیای فناوری، همه چیز با سرعت رعد و برق حرکت میکند و حجم زیاد پذیرش فناوری خودکارسازی در صنعت بیمه از سال 2020 شگفتانگیز بوده است. شرکتها حتی در مقایسه با 12 ماه گذشته در فضای تجاری بسیار متفاوتی فعالیت می‌کنند. پائول دانلی، معاون اجرایی مونیخ‌ری در اروپا، خاورمیانه و آفریقا، توضیح میدهد که «همه‌گیری کرونا و واکنش اجتماعی ما به آن، تأثیری ماندگار خواهد داشت. فقط نگاه کنید که چگونه همگی ما به طور انبوه به سمت پرداخت‌های بدون ارتباط و پول نقد حرکت کرده‌ایم، چه آن را برحسب افزایش خود پرداخت‌ها، چه افزایش بانکداری دیجیتال، یا حتی بر اساس کاهش برداشت‌های ATM اندازه‌گیری کنید.
دانلی میگوید صنعت بیمه هم با صنعت بانکداری تفاوتی ندارد. این همه‌گیری، تمرکز مجددی را در میان بیمه‌گران برای تقویت برنامه‌های خود با اجرای راهکارهای دیجیتال ایجاد کرده است و ما شاهد جهش قابل توجهی به جلو بوده‌ایم.
پذیرش خودکارسازی در حال تسریع است
به گفته دانلی، خودکارسازی در حال حاضر نه تنها گسترش یافته است، بلکه در واقع، چیزی است که از طریق اپلیکیشن یا صفحه نامنویسی، دسترسی به بیمه عمر را برای بسیاری ممکن میسازد.
او معتقد است که خودکارسازی به طور طبیعی به فرآیندهای جمعآوری دادههای مشتری کمک میکند. «فرآیند درخواست و مدیریت مراحل اولیه بیمه، همراه با جمعآوری و مدیریت دادههای ساختاریافته مربوط به متقاضی، رویههای پذیرش و توزیع مورد استفاده و شیوه بیمهگری اعمال شده، طبیعتا خود را به عنوان اولین نقطه اتخاذ، مطرح می‌سازند. اما در آن، یک حس «شروع به قصد ادامه دادن...» میبینم؛ دادههای جمعآوری شده توسط بیمهگر در ابتدای مسیر مشتری، خودکارسازی میشوند و باعث سرعت بخشیدن و شفاف‌سازی تعاملات بعدی بیمهگزار در تعدیلسازی و ادعای دسترسی به مزایا میشوند».
چرا مشتریان بیمه خودکار را دوست دارند
به طور خلاصه، خودکارسازی باعث میشود تجربه مشتری، پیچیدگی کمتری داشته باشد و در عین حال دقت را افزایش میدهد. هر چه یک فرآیند آسان‌تر باشد، کشش بیشتری در بازار دارد.
برایان مولینز، مدیر عامل شرکت مایند فاندری (Mind Foundry)، بیان میکند که فناوری خودکارسازی یک ضرورت آمایشی است. «میزان اطلاعات مربوط به مشتریان در حال حاضر به سطح بی‌سابقه‌ای رسیده است و انسانها نمی‌توانند به تنهایی آن را پردازش کنند. هوش مصنوعی، بیمه‌گران را قادر میسازد تا الگوهای دقیقی را در دادهها کشف کنند و به نمایندگان بیمه چشماندازی از فرآیندها، فرصت‌ها و تهدیدهای در حال ظهور میدهد».
او اظهار میکند که اگرچه مزایای این مجموعه دادههای عظیم، گسترده است، اما مهم‌تر از همه، آنها بیمه‌گران را قادر می‌سازند تا محصولاتی فوق‌العاده و انعطاف‌پذیر ارائه کنند. به عنوان مثال، ممکن است یک بیمهگر برای کاهش ریسک، اطلاعاتی را در مورد امن‌ترین مسیر برای رسیدن به محل کار، یا نحوه و زمان رانندگی یک مشتری ارائه دهد. در یک گام جلوتر، بیمه استفاده‌محور (UBI) در بیمه خودرو از موقعیت مکانی زمانی واقعی راننده برای پوشش آنها در صورت تقاضا استفاده میکند و قیمتی را با توجه به ریسکی که در حال حاضر متحمل میشوند، ارائه میدهد. به عنوان مثال، شرکتهایی مانند مارمالاد (Marmalade) به مشتریان خود اجازه میدهند تا کاربران موقتی را برای مدت زمان مشخصی به بیمه خودرو خود اضافه کنند.
دانلی میگوید: «خودکارسازی می‌تواند تعاملات بین بیمهگر و بیمهگزار را تسریع و اطمینان ایجاد کند که چیزی فراموش نشده یا به تأخیر نیفتاده و در مراحل مختلف مسیر بیمهگزار، اطلاعات یکسانی به طور مکرر از او درخواست نمی‌شود». مگان بینگهام واکر، بنیانگذار و مدیر عامل شرکت انانسی تکنولوژی (Anansi Technology) که پلتفرم بیمه حمل و نقل دریایی خودکار مستقر در لندن است، با این موضوع موافق است و اظهار میکند: «در حال حاضر نمونه‌های مورد علاقه من، از موارد استفاده نوآورانه هوش مصنوعی در صنعت بیمه، مواردی هستند که مستقیما برای بیمهگزار سودآوری دارند.»
بینگهام واکر در رابطه با این موارد استفاده نوآورانه به تعدادی مثال اشاره میکند، از جمله: امتیازدهی دقیق ریسک که از Flock Cover استفاده میشود، فرآیند ساده و موثرسازی دعاوی خسارت با استفاده از بینایی کامپیوتری که از Bdeo استفاده میشود و بهترین تجربه موفقیت مشتری در این رده از طریق پردازش زبان طبیعی که از Lemonade استفاده میشود.
او میگوید: در ابتدا موارد استفاده از آن، متمرکز بر افشای کلاهبرداریها و سوءاستفادهها بود که در بازار سال 2018 برابر با 1/4 میلیلارد دلار امریکا بود که تا سال 2025 به 10 میلیارد دلار افزایش خواهد یافت؛ این مشکلی بزرگ در صنعت بیمه است که از طریق Shift Technologies و Sprout.ai مشاهده شد. با این حال با گذر زمان، احتمالا شاهد استفاده گستردهتر از هوش مصنوعی در سراسر زنجیره ارزش بیمه خواهیم بود.
پردازش زبان طبیعی در منابع دادههای متنوع مرتبط، از پایگاه‌های داده عمومی تا دادههای رسانه‌های اجتماعی اعمال خواهد شد تا از ارزیابی اولیه ریسک پشتیبانی نماید. این کار، هم فرآیند را ساده و کارآمد میکند، هم تکرار و خطاهای انتقال دادههای انسانی را در طول فرآیند درخواست کاهش میدهد.»
مولینز با این مورد موافق است: «همکاری انسان و هوش مصنوعی برای کمک به کاهش خطرات هوش مصنوعی ضروری است. این امر شامل توسعه سیستم‌های هوش مصنوعی است که انسان، محدودیت‌های آنها و زمانی که به راهنمایی انسانی نیاز دارند را درک میکند و همچنین نحوه برقراری ارتباط با سایر عوامل و انسانها را میداند. این یک رابطه شهودیتر و کارآمدتر بین انسانها و هوش مصنوعی ایجاد میکند و در نهایت نتیجه‌ای مسئولانهتر و اخلاقیتر برای زندگیهای تحت تاثیر خود ایجاد میکند».
در پایان بینگهام واکر نتیجه میگیرد: «شرح ریسک با پشتیبانی هوش مصنوعی، به تصمیمات قیمتگذاری متغیر در زمان واقعی کمک میکند. زمانیکه دعاوی خسارت مطرح می شوند، پردازش تا حد زیادی خودکار خواهد بود و توسط بینایی ماشینی و پردازش زبان طبیعی پشتیبانی میشود».
نویسنده: Joanna England
متجرم: نرگس اردلان