کلان‌داده‌ها بخش بیمه را متحول کرده و تجربیات مشتریان، ارزیابی ریسک، عملیات و کشف تقلب را بهبود بخشیده است. بیمه‌گران از تجزیه و تحلیل داده‌های بزرگ برای جمع‌آوری و تجزیه و تحلیل داده‌های ساختاریافته و بدون ساختار از منابع مختلف استفاده می‌کنند که امکان قیمت‌گذاری ریسک دقیق‌تر و ارائه‌های شخصی‌شده را فراهم می‌کند. با درک الگوهای رفتار مشتری، بیمه‌گران می‌توانند سیاست‌ها و کمپین‌های بازاریابی متناسب با مشتری را ارائه دهند و روابط و حفظ مشتری را تقویت کنند. کلان‌داده‌ها نقش مهمی در کشف تقلب، شناسایی الگوهای مشکوک برای تحقیقات سریع‌تر و کاهش تلفات دارند. تجزیه و تحلیل پیش‌بینی‌کننده با پیش‌بینی نیازها و ارائه پشتیبانی فعال، خدمات بهتر به مشتریان را ممکن میسازد. همچنین تجارب جهان صنعت بیمه نشان می‌دهد تصمیم‌گیری براساس تحلیل کلان‌داده‌ها پردازش ادعاها را ساده می‌کند، زمان پاسخ‌گویی و رضایت مشتری را بهبود می‌بخشد. علاوه بر این، کلان‌داده روندهای آینده را پیش‌بینی می‌کند، فرآیندهای بیمه را بهینه می‌کند و هزینه‌های عملیاتی را کاهش می‌دهد.
کاربرد کلان‌داده در صنعت بیمه توجه زیادی به خود جلب کرده است. تا حدی که نه‌فقط فناوری استفاده از این دانش برای به‌روزرسانی هرچه بیشتر مورد توجه بوده است، بلکه مطالعه بر دستاوردهای آن و روش‌هایی که کاربرد آن را اثربخش‌تر می‌کند نیز امروزه به یکی از بخش‌های مورد علاقه پژوهشگران صنعت بیمه تبدیل شده است. وب‌سایت Emerald در سال 2023 نتایجی از مطالعه گسترده‌ای را منتشر کرد که منجر به تدوین جامع «کتاب‌سنجی» و بررسی «ادبیات تحلیل کلان‌داده‌ها» شده بود. هدف این مطالعه بررسی و تحلیل روش‌های مختلف استفاده از کلان‌داده در بخش بیمه بود. از طریق بررسی دقیق تحقیقات موجود، این بررسی تأثیر کلان‌داده‌ها را بر تجربیات مشتری، ارزیابی ریسک، کارایی عملیاتی، کشف تقلب و پردازش خسارت در حوزه بیمه برجسته می‌کرد. یافته‌های این بررسی، روندهای نوظهور و جهت‌گیری‌های بالقوه آینده را برای استفاده از داده‌های بزرگ در بیمه روشن می‌کند. این مطالعه با ترکیب و تجزیه و تحلیل مجموعه ادبیات فعلی، بینش‌های ارزشمندی را برای محققان، دست‌اندرکاران و سیاست‌گذاران صنعت بیمه ارائه می‌دهد.
درس‌آموخته‌های پیش رو
نکته جالب‌تر این‌که مطالعه اظهارنظرهایی بر این اثر تحقیقاتی که بر پایه حجم قابل توجهی از مطالعات پیش از خود، همچنین تحلیل روش‌شناسانه اقدامات شرکت‌های بیمه بزرگ جهان شکل گرفته بود نشان می‌داد که کتاب‌سنجیِ سیستماتیک برای درک کاربردهای کلان‌داده در صنعت بیمه بسیار مهم تلقی شده؛ چراکه ماهیت وسیع و در حال تحول این حوزه نیازمند تحلیل جامع است. وب‌سایت منتشرکننده این مطالعه مدعی بود که این مطالعه و تجزیه و تحلیل سیستماتیک مطالعات متعدد، شناسایی روندها و شکاف‌های کلیدی در ادبیات را فراهم و روندهای نوظهور را آشکار می‌کند و از ثبت آخرین پیشرفت‌ها اطمینان می‌دهد. همچنین حجم گسترده‌ای از تجربیات پیشین را مانند یک درس‌آموخته در اختیار صنعتگران بیمه قرار می‌دهد.
این مطالعه با شناسایی و بزرگ‌نمایی نقاط ناشناخته، موضوعاتی را مشخص می‌کند که نیاز به بررسی بیشتر دارند و تحقیقات آینده را هدایت می‌کند. این بررسی سیستماتیک با ترکیب یافته‌های متنوع از حوزه‌های مختلف مانند تجربیات مشتری، ارزیابی ریسک، پردازش ادعاها و کشف تقلب، درک تلفیقی از تأثیر کلان‌داده‌ها بر بیمه را فراهم می‌کند. سیاست‌گذاران، شاغلان و بیمه‌گران از بینش‌های مبتنی بر شواهد برای اتخاذ استراتژی‌های کلان‌داده و رسیدگی به چالش‌ها بهره می‌برند. این مطالعه، دانش را با ترکیب تحقیقات موجود، شناسایی شکاف‌ها و فرمول‌بندی پرسش‌های پژوهشی جدید ارتقا می‌دهد. در نهایت، بررسی کتاب‌سنجی و سیستماتیک به عنوان یک ابزار ضروری عمل می‌کند، که پایه محکمی برای تحقیقات بیشتر و راهنمایی مفاهیم عملی در صنعت بیمه فراهم می‌کند.
از چه حرف می‌زنیم؟
اصطلاح کلان‌داده به مجموعه داده‌های بزرگ و پیچیده‌ای اشاره دارد که با استفاده از ابزارهای استاندارد قابل پردازش نیستند. در چند سال گذشته، داده‌های بزرگ در بخش‌های مختلف از جمله بیمه اهمیت گسترده‌ای یافته است. گرچه جز معدود موارد و شرکت‌هایی در ایران به ویژه شرکت‌های طراح بیمه کمتر از تحلیل کلان‌داده‌ها و هوش تجاری برای توسعه خود بهره می‌برند، اما ظهور بیمه‌های نوین در کشور ضرورت توجه به این بخش را به صنعت بیمه کشور گوشزد می‌کند.
استفاده از چنین داده‌هایی به شرکت‌های بیمه این امکان را می‌دهد تا تعامل و حفظ مشتری، ارزیابی ریسک و کارایی پیشگیری از تقلب خود را بهبود بخشند و همچنین هزینه‌های خود را کاهش دهند کلان‌داده اغلب با توسعه یادگیری ماشین (ML) و هوش مصنوعی (AI) مرتبط است. در واقع، فناوری‌های هوش مصنوعی و ML برای پیاده‌سازی موفقیت‌آمیز به داده‌های بزرگ نیاز دارند.
به‌رغم علاقه روزافزون به کاربرد کلان‌داده در بخش بیمه، نه‌فقط در ایران بلکه در جهان نیز هنوز تحقیقات قابل توجهی، جز انگشت‌شمار مواردی مانند آنچه در بالا گفتیم، در مورد کلان‌داده‌ها و نقش حقیقی آن در ایجاد بیمه‌های نوین به ویژه در بخش‌های تجاری و اقتصادی انجام نشده است. جالب این‌که مقالات علمی معتبر در ایران حتی در مورد کلان‌داده‌ها یا هوش تجاری و برهم‌کنش توسعه هوش مصنوعی و دیتا، به تعداد انگشتان دو دست به انتشار نرسیده یا برای مطالعه در دسترس نیست؛ خلئی که می‌تواند شرکت‌های بزرگ بیمه کشور را به سمت اعطای سهم کوچکی به تحقیق و مطالعه سوق دهد. در حالی که حتی تحلیل عمیق از ادبیات مربوط به کاربرد بالقوه این فناوری در صنعت بیمه است با هدف شناسایی شکاف‌های مختلف در ادبیات و ارائه توصیه‌هایی برای کاربردهای آتی باید برای صنعت بیمه کشور جذاب باشد.
فضای دیچیتالی‌شده
استفاده از کلان‌داده در بخش مالی بیمه تأثیر زیادی بر سطح عملکرد خود شرکت دارد. این مزایا را می‌توان در دو نکته اصلی خلاصه کرد: اول، درک، تعامل و مشارکت مشتری را افزایش می‌دهد. زیرا دیجیتالی‌شدن خدمات و محصولات مالی و افزایش روند تعامل مشتریان با گروه‌ها و یا برندها در فضای دیجیتالی‌شده، راه را برای شرکت‌های خدمات مالی، از جمله بیمه، هموار می‌کند تا سطح مشارکت مصرف‌کننده خود را بهبود بخشند و در نتیجه باعث ارتقای سطح مشارکت مشتریان می‌شوند. دوم، استفاده از داده‌های بزرگ در بیمه‌ها و مؤسسات مالی به بهبود تسهیلات شناسایی و پیشگیری از تقلب کمک می‌کند. این امر بسیار مهم است زیرا مؤسسات خدمات مالی در هر فرآیندی که در آن شرکت می‌کنند به‌شدت در برابر تقلب آسیب‌پذیر هستند. پیش از این، بانک‌ها بدون حضور کلان‌داده، تنها چند نمونه از تراکنش‌ها را برای شناسایی کلاه‌برداری تجزیه و تحلیل می‌کردند. در واقع، این موضوع منجر به کشف چندین اقدام متقلبانه شد. استفاده از داده‌های بزرگ به این شرکت‌ها اجازه می‌دهد تا از مجموعه داده‌های بزرگ‌تری برای شناسایی روندهایی استفاده کنند که برای کمک به فرآیند به‌حداقل‌رساندن تقلب و قرارگرفتن در معرض این نوع خطر کمک می‌کند.
علاوه بر آنچه گفته شد مراجع مطالعاتی بین‌المللی چندین کاربرد بالقوه اصلی از داده‌های بزرگ در بخش مالی و بیمه را توصیف می‌کند که به تقویت بیشتر عملیات مؤسسات مالی کمک می‌کند. اول، فرآیند آنچه «مدیریت ریسک شهرت» نامیده می‌شود. برای توضیح این موضوع می‌شود از یک مثال کمک گرفت: یک ارزیابی بدبینانه می‌تواند تأثیر منفی بر قدرت بانک یا بیمه یا هر مؤسسه مالی دیگری برای حفظ یا ایجاد ارتباطات تجاری بیشتر و دسترسی به منابع مالی داشته باشد. همچنین در ارزیابی ریسک اعتباری، افزایش نوسانات قیمت و عوارض مبادله محصولات مالی خاص در بازارهای محدود منجر به رشد ریسک‌های عملیاتی و اعتباری مرتبط با حوزه عملکرد یک شرکت یا مؤسسه مالی می‌شود. برای بخش خدمات به این مثال دقت کنید: بسیاری از بانک‌ها و مؤسسات مالی خدمات مالی شخص ثالث را ارائه می‌دهند بنابراین عملکرد ضعیف یک محصول شخص ثالث اثرات قابل توجهی بر روابط بین بانک و مشتریانش خواهد گذاشت. یا در مورد کارگزاری‌های خرده‌فروش استفاده از داده‌های بزرگ به تعیین روند موضوع، شناسایی رویدادها یا کمک به بهینه‌سازی پورتفولیو و توزیع دارایی کمک می‌کند. باید توجه کنیم که سرمایه‌گذاران همیشه به دنبال شاخص‌هایی هستند که دارای یک جزء پیش‌بینی‌کننده خاص بوده و به‌راحتی قابل درک باشند. یا در مثالی از بیمه اجتماعی که صرفاً به محافظت از شخص در برابر خطراتی مانند ازکارافتادگی، بازنشستگی یا مرگ تمرکز دارد، استفاده از داده‌کاوی و تجزیه و تحلیل بزرگ، راه را برای بیمه‌گران و کارگزاران در توسعه راه‌حل‌های ایده‌آل برای افرادی که به دنبال بیمه اجتماعی هستند، هموار می‌کند.
مطالعات بزرگ
در مطالعه «تحلیل داده‌های بزرگ در مراقبت‌های بهداشتی: وعده و پتانسیل» در سال 2014، 1779 سند مورد ارزیابی قرار گرفته بود که با توجه به انتشار مقاله در زمان خودش عدد بالایی محسوب می‌شود. همچنین «پایگاه تحقیقاتی ملی بیمه سلامت تایوان: گذشته و آینده» مطالعه بزرگ دیگری است که دارای 525 سند است و در سال 2012 شروع شده است. این مطالعات جزو نخستین مطالعات جامع در مورد کلان‌داده و بیمه است که هنوز هم می‌تواند برای صنعتگران بیمه ایران مفید و کاربردی باشد. نکته جالب این‌که پیشروترین کشورها در حوزه صنعت بیمه جزو پیشروترین کشورها در حوزه مطالعه و تحقیق نیز هستند. یعنی خلق دانش بیمه نیز در این کشورها اتفاق می‌افتد. بنابراین طبیعی است اگر فکر کنیم که مصرف‌کننده نخست دانش‌های نوظهور در صنعت بیمه نیز خود این کشورها باشند. براساس آماری که وب‌سایت امرالد منتشر کرده است، ایالات متحده با مجموع 8216 استناد در رتبه اول تولید محتوای مطاالعاتی اثر کلان‌داده، هوش مصنوعی و هوش تجاری در صنعت بیمه قرار دارد. پس از آن چین با تعداد کل 1395 استناد قرار گرفته است.
موضوع جالب‌تر این‌که نتایج حاصل از این تجزیه و تحلیل نشان می‌دهد که تحلیل کلان‌داده‌ها بر صنعت بیمه عمدتاً بر انسان‌ها متمرکز است. یک توجیه احتمالی برای این یافته این است که افراد، خانواده‌ها یا کارکنان صنایع، اصناف و اساساً محیط کسب‌وکار هدف صنعت بیمه هستند. از این رو، هرگونه تأثیر کلان‌داده بر صنعت بیمه به‌طور مستقیم یا غیرمستقیم بر انسان‌ها تأثیر می‌گذارد.
آنچه مسلم است این‌که داده‌های بزرگ و بیمه در چند سال گذشته مورد توجه محققان از سراسر جهان قرار گرفته است و هنوز هم به طور پیوسته در حال رشد است. کلان‌داده‌ها به عنوان یک عنصر کلیدی در تسهیل کار برای بخش بیمه از طریق درک بهتر نیازهای مشتری و تسهیل فرآیند کشف تقلب نشان داده شده است، و هنوز مزایای بسیاری دارد که در آینده آشکار خواهد شد.