Mākslīgais intelekts apdrošināšanas nozarē nav nekāds jaunums – tā rīki arvien biežāk tiek izmantoti dažādu uzņēmuma procesu un darbu efektivizēšanai, lai samazinātu darbinieku patērēto laiku un izmaksas. Bet kāds labums no tā klientam? Vai mākslīgais intelekts var ietekmēt produktu un pakalpojumu cenu? Balcia pieredze rāda, ka var.
Automobiļa apdrošināšana – OCTA un KASKO – ir starp dārgākajiem apdrošināšanas produktiem, jo ar automobili saistītie riski ir salīdzinoši augsti. Aprēķinot auto apdrošināšanas cenu, tiek ņemti vērā dažādi faktori un izvērtēti potenciālie riski, taču dažreiz klientiem tāpat var būt sajūta, ka viņi par apdrošināšanu pārmaksā.
Domājot par to, kā aprēķināt apdrošināšanas cenu vēl precīzāk, individuāli pielāgojot to katram autovadītājam, mēs secinājām, ka ir nepieciešams ievākt un analizēt vēl vairāk datu. Un īstais palīgs, kas vislabāk prot tikt galā ar lielu datu apjomu, ir mākslīgais intelekts. Ja standarta cenas aprēķins ietver mazāk nekā 50 dažādu parametru analīzi, izmantojot datus par automašīnu un tās vadītāju, tad ar mākslīgā intelekta palīdzību mēs varam izanalizēt līdz pat 800 dažādu parametru, kas ļauj daudz precīzāk noteikt riska pakāpi un attiecīgi arī apdrošināšanas cenu. Mūsu mērķis nav būt lētākajam apdrošinātājam tirgū, bet vēlamies, lai mūsu klienti iegūst atbilstošu vai pat lielāku vērtību par samaksāto apdrošināšanas polises cenu.
Kādi dati tiek izmantoti?
Riska novērtējuma sistēma, ko Balcia ieviesām kopā ar Šveices uzņēmumu "K2G", izmanto datus no trīs galvenajiem avotiem: valsts pārziņā esošās demogrāfiska, ģeogrāfiska un krimināla rakstura informācijas, brīvi pieejamiem publiskajiem datiem par atrašanās vietu un ceļu satiksmes intensitāti, kā arī no pakalpojumu sniedzēju komerciālajiem datiem. Papildus šiem datiem joprojām tiek izmantoti arī tādi rādītāji kā vadītāja stāžs, braukšanas stils un saņemtie soda punkti, kā arī auto izlaiduma gads un marka. Jāpiemin, ka visi izmantotie dati tiek ievākti likumiskā ceļā un tiek izmantoti likumā noteiktajā kārtībā.
Cenu ietekmē arī vadītāja dzīvesvieta
Liela daļa mākslīgā intelekta analizēto datu ir saistīti ar atrašanās vietu, līdz ar to autovadītājiem, kuriem ir vienādi automobiļi, bet viņi dzīvo atšķirīgās vietās, arī KASKO polises cena var atšķirties. Piemēram, mēs esam secinājuši, ka biežāk negadījumi notiek vadītāja dzīvesvietas tuvumā, nevis tālu prom, tāpēc, aprēķinot cenu, tiek ņemti vērā dažādi riska faktori tieši dzīvesvietas apkārtnē. Tiek analizēta, piemēram, noteiktā rādiusā ap šo vietu notikušo negadījumu statistika – automobiļu bojājumi, autovadītāju un pasažieru ievainojumi un to smaguma pakāpe, satiksmes intensitāte, kā arī diennakts laiks un laikapstākļi, kādos notiek negadījumi. Turklāt dati rāda arī to, ka vietās, kur bieži notiek negadījumi, tie ne vienmēr ir smagi un ar lieliem zaudējumiem, tāpēc nevar vērtēt tikai negadījumu skaitu, bet jāņem vērā arī citi faktori, un tas ietekmē polises cenu.
Tāpat mākslīgais intelekts ņem vērā arī to, vai dzīvesvietas tiešā tuvumā atrodas skolas vai bērnudārzi – ja tā ir, tad tiek pieņemts, ka autovadītājs visdrīzāk neizmantos auto, lai vestu bērnus uz izglītības iestādi, līdz ar to risks ir zemāks.
To, cik drošā vai riskantā apkaimē dzīvojam, ikviens var noskaidrot Balcia mobilajā lietotnē – ievadot savu adresi, varam gūt ieskatu par ceļu satiksmes risku 3 km rādiusā ap savu mājokli. Lietotnē ir iespējams apskatīt to, kā mainījies negadījumu skaits pa gadiem, kā arī statistiku, piemēram, par to, kādos diennakts laikos, cik smagi, ar kādiem transportlīdzekļiem notikuši šie negadījumi.
Ieguvums gan klientiem, gan uzņēmumam
Pēc tam, kad uzsākām izmantot šādu mākslīgajā intelektā balstītu risku un cenu aprēķina pieeju katram auto apdrošināšanas pieprasījumam, 45 dienu garumā veicām cenu salīdzinājumu un izvērtēšanu un secinājām, ka mākslīgā intelekta tehnoloģiju iesaiste ļāva samazināt KASKO cenas 60 % mūsu klientu, bet vienlaikus dažiem risks izrādījās augstāks un pieauga arī KASKO cena. Personalizētas cenas veicināja arī polišu pārdošanu – mums izdevās pārdot par 28 % vairāk polišu un palielināt kopējos ieņēmumus par 23 %. Turklāt šis risinājums ļāva padarīt cenu aprēķina procesu efektīvāku, ietaupot mūsu darbiniekiem aptuveni 200 darba stundu gadā, kā arī deva iespēju veidot precīzāk mērķētas mārketinga aktivitātes atbilstoši klientu atrašanās vietai.
Rezultāti apstiprināja, ka šī pieeja ir win-win – tā ir izdevīga gan klientiem, kas iegūst personalizētākas cenas, gan arī mums kā uzņēmumam, jo esam droši, ka klients iegūst atbilstošu vērtību par samaksāto polises prēmiju. Domāju, ka daudzi uzņēmumi varētu tikai iegūt, meklējot iespējas, kā izmantot šķietami neierastus datus, kuru analīze ar mākslīgā intelekta rīkiem var pavērt jaunas iespējas.