داده‌های بیمه‌ای نامرغوب، پیامدهای پرهزینه‌ای در پی دارد. راه‌کارها شامل خودکارسازی[1]، استانداردسازی[2]، ادغام[3]، نوین‌سازی[4] و بررسی کیفی[5] منظم می‌شود.

صنعت بیمه به داشتن داده‌ افتخار می‌کند. از گذشته، بیمه‌گران به مجموعه وسیعی از داده‌ها و منابع داده‌ها دسترسی داشته‌اند، از مدل‌های حوادث گرفته تا خطرات باسابقه[6]، اطلاعات آب و هوایی بلادرنگ[7] و اطلاعات بیمه‌نامه‌های فعلی تا داده‌های موجود دولتی مانند اسناد مجرمانه، ورشکستی‌ها و اسناد سلب حق مالکیت[8]. اما دسترسی داشتن به داده‌ها به معنای آن نیست که شما به بینش‌های ارزشمندی،‌ دسترسی دارید. برای این‌که داده‌ها، مفید واقع شوند، شما باید ابتدا مطمئن شوید، داده‌هایی که دارید، همان داده‌هایی است که می‌خواهید یا خیر. به عبارت دیگر، از پاک، دقیق و معتبر بودن آنها، باید اطمینان حاصل نمایید. پس از آن، می‌توانید این داده‌ها را به اطلاعات و اطلاعات را به عمل، تبدیل نمایید. داده‌های خوب به تصمیم‌های بهتر منتهی می‌شود و داده‌های نامرغوب، براساس جدیدترین پژوهش دانشکده مدیریت اسلون ام.آی.تی[9]، ۲۰ درصد از عواید بیمه‌گران را از بین می‌برد.

هزینه‌های پنهان داده‌های نامرغوب

براساس پژوهش اسلون ام.آی.تی، هزینه‌های داده‌های نامرغوب، سریع افزایش می‌یابد. در واقع، کیفیت نامناسب داده‌ها می‌تواند بین ۱۵ تا ۲۵ درصد از کل عواید را به خود اختصاص دهد. کیفیت نامرغوب داده‌ها، هزینه‌های مربوط به اجرای مجدد یک رویه به دلیل خطا در داده‌ها‌، تلاش برای اصلاح آنها و از دست رفتن فزاینده عواید را در پی خواهد داشت. برخلاف این موضوع، بر اساس بررسی گروه سیریوس[10]، کیفیت داده‌ها می‌تواند به ۷۰ درصد افزایش در عواید، منتهی شود. با ابزارهای مناسب، بیمه‌گران می‌توانند کوهی از داده‌هایی که دارند را به معدن طلای فرصت‌ها،‌ تبدیل نمایند.

اما باید ابتدا، پرسید، کیفیت داده‌ها چیست؟

براساس بررسی شرکت آی.بی.ام[11]، کیفیت داده‌ها، به معنای سنجش چگونگی تحقق مطلوب معیارهای دقت، تمامیت، اعتبار و انسجام در یک مجموعه از داده‌ها است که برای حاکمیت داده‌های درون یک سازمان، حیاتی است.

داده‌های مرغوب به سازمان‌ها کمک می‌کند تا تصمیم‌های بهتری اتخاذ نمایند. اگر مشکلاتی همچون داده‌های مشابه[12]، داده‌های مفقودی[13] و داده‌های پرت[14] به طور مناسبی لحاظ نشوند،‌ بیمه‌گران با ریسکی مواجه خواهند شد که نتایجی، کمتر از حد مطلوب در پی خواهد داشت.

آیا داده‌هایی که دارید همان داده‌هایی است که می‌خواهید؟

در صنعت بیمه، دقت در داده‌ها، یعنی همه چیز. کارایی رویه‌های خسارات، بستگی به توان ارزیاب خسارت در تأیید یک مطالبه دارد که برپایه داده‌های دقیق بنیان شده باشد. اساسِ خودکارسازی رویه مدیریت مطالبات نیز داده‌های دقیق چه به شکل داده‌های ساختاریافته سامانه‌ها و داده‌های ساختارنیافته پرونده‌ها است، تا بتوان مجموعه اقدامات مناسب برای هر مطالبه را تعیین نمود. سامانه خودکارسازی[15] به صورت مستمر، تصمیم‌های خود را به عنوان اطلاعات جدید اضافه‌شده، مجدداً ارزیابی می‌نماید. تلاش برای ادامه این رویه با داده‌های غیرمنسجم یا «کثیف»[16] می‌تواند به تصمیم‌های غلط و تجربه ضعیف مشتری، منجر شود.

بیمه‌گران همواره با کیفیت نامرغوب داده‌ها، دست و پنجه نرم می‌کنند. چراکه مقادیر معتنابهی از داده‌های ساختارنیافته وجود دارد که در سامانه‌های مختلف و ناهمگون ذخیره شده‌اند. بسیاری از این سامانه‌ها، رایج هستند و برخی نیز ابزارهای بیم‌سنجی مبتنی بر میزکار[17]، هستند. مشکل در افزودن ابزارهای جدید به سامانه‌‌های فعلی است که سبب ایجاد ساختارهای فناوری اطلاعات چندلایه و زائد می‌شود.

مضرات داده‌های نامرغوب

· بیمه‌گران (ارزیابان ریسک) بیمه به داده‌های دقیق برای ارزیابی ریسک نیاز دارند که بتواند بر حق بیمه‌ها، شرایط بیمه‌نامه و سودآوری اثر مثبت بگذارد.

· کیفیت نامرغوب داده‌ها، هزینه‌های مربوط به اجرای مجدد یک رویه به دلیل خطا در داده‌ها‌، تلاش برای اصلاح آنها و از دست رفتن فزاینده عواید را در پی خواهد داشت. در مباحثه اخیر سال کاردوزو[18]، معاون ارشد تجزیه و تحلیل داده و هوش مصنوعی شرکت اوز[19]، طی ویبناری با عنوان «چگونه اژدهایِ داده خود را بکشید» به مباحث مربوط به مدیریت داده پرداخت.

· داده‌های غیردقیق به تصمیم‌هایی کمتر از حد مطلوب، ختم می‌شوند. برای نمونه، هنگام ارزیابی ریسک و قیمت‌گذاری بیمه اموال، بیمه‌گران اغلب از بیمه‌شده یا نماینده وی، جزئیات مربوط به ساختمان، شغل، حفاظت و درمعرض‌قرارگیری (اکسپوژر) (COPE)[20] را دریافت می‌نمایند. این جزئیات، بیمه‌گر را قادر می‌سازد تا زیان بالقوه مرتبط با اموال را ارزشیابی نماید و برهمان اساس، قیمت‌ اعلام کند. اما، بیمه‌شده ممکن است همواره اطلاعات دقیقی ارائه ننماید که این موضوع سبب قیمت‌گذاری پایین در بیمه‌نامه و زیان‌های فزاینده می‌شود.

· فقدان اطمینان در داده‌ها، راهبران بیمه را از تصمیم‌گیری صحیح باز می‌دارد و گاهی اوقات منجر به عدم‌تطابق مقرراتی می‌شود.

· بیمه‌گران باید با مقررات سختگیرانه مربوط به دقت در داده‌ها، کامل و متناسب بودن آنها، مطابقت داشته باشند؛ هر نوع ناکامی در انجام این امر، ممکن است به جریمه و مجازات ختم شود.

· بسیاری از بیمه‌گران با داده‌های ارزیابی ریسک غیردقیق، دست و پنجه نرم می‌کنند و این امر، درخواست برای داده‌های بیشتر از نمایندگان و مشتریان را ضروری می‌نماید و به زمان طولانی‌تر چرخه بیمه‌گر (ارزیابی ریسک)[21] و کاستی در تجارت، منجر می‌شود.

چگونه باید از افتادن در دام کلان‌داده‌های نامرغوب، پیشگیری نمود؟

۱. وظایف شغلی تکراری را خودکار نمایید.

پردازش و جمع‌‌آوری داده‌ها، یک مشغله تکراری و خسته‌کننده است و در معرض خطای انسانی قرار دارد. این خطاها می‌تواند شامل دستورالعمل‌هایی شود که به صورت نادرست فهمیده شده، خطاهای تایپی، ایمیل‌ها و نام‌های ناهم‌خوان، ثبت‌های تکراری و یا تنها ازقلم‌افتادن برخی داده‌های ورودی. این خطاها و مقادیر چشمگیری از داده‌های نادرست و ناقص می‌تواند طی زمان، جمع شود و به یک عدم‌انسجام عمده مبدل گردد. از طریق خودکارسازی هوشمند، بیمه‌گران قادر هستند تا خطاها را کاهش دهند، از هزینه‌ها بکاهند و تجربه بهتری برای مشتریان رقم بزنند و درعین‌حال، زمان کارمند را برای کارهای ارزشمند، آزاد بگذارند.

برای این‌که بیشتر درباره خلق راهکار و نقشه‌راه صحیح خودکارسازی در کسب و کار، بیاموزید، وبینار انجمن ملی شرکت‌های بیمه تعاونی (NAMIC) را تماشا نمایید.

2. رویه‌ها را استاندارد نمایید.

به جای پروتکل‌های استاندارد جمع‌آوری داده‌ها، گروه‌های مختلف، ممکن است از روش‌های متفاوتی، برای داده‌های مشابه، استفاده نمایند. این عدم‌انسجام می‌تواند در زمان ترکیب یا مقایسه داده‌ها، سبب ایجاد اختلاف ‌گردد.

۳. داده‌ها و سامانه‌های خود را ادغام نمایید.

بیمه‌گران در مناطق مختلفی از جهان، خدمت می‌کنند. واحدهای کسب و کار محلی و برون‌مرزی، با اثرگذاری وسیع در سطح جهان، معمولاً دارای سامانه‌های گوناگونی برای مدیریت داده‌های بیمه‌نامه و مطالبات، اطلاعات مالی و داده‌های بازاریابی و فروش هستند. اما اگر این داده‌ها در یک بن‌سازه واحد، ادغام نشده باشند، می‌تواند طی زمان، مانع تصمیم‌گیری شوند.

در اینجا، می‌توانید داستان کامل یک بیمه‌گر اموال و حوادث جهانی را که منابع داده‌ خود را با خودکارسازی هوشمند ادغام کرده و از مزایای یک بن‌سازه استانداردشده بهره‌مند شده است، را مطالعه نمایید.

۴. سامانه‌های فعلی را نوین سازید.

سامانه‌های فعلی، توان مدیریت انواع داده‌ها و حجم‌های بزرگ داده‌های جدید‌تر یا تسهیم داده‌ها در تمامی اداره‌ها نیستند و این امر به تأخیر و فرصت‌های ازدست‌رفته منجر می‌شود. بیایید رویه تأیید استاندارد بیمه را با یک الگوی دیجتال، مقایسه کنیم. در الگوی دیجیتال، مشتریان اجازه دارند تا مطالبه خود را از هرمکانی ثبت کنند و عکس و جزئیات زیان را از طریق تلفن همراه هوشمند، بارگزاری کنند. در این الگو، رویه‌های بیمه‌گری می‌تواند مطالبه را تقریباً فوری، تأیید نماید. این الگو، سریع‌تر و کاراتر است و تجربه‌ای بی‌نقص برای بیمه‌گزار، ارائه می‌نماید. علاوه بر این، سامانه‌های قدیمی ممکن است فاقد حفاظ امنیتی یا اعتبارسنجی برای راهکارهای نوین‌تر باشند.

۵. کیفیت داده‌ را وارسی نمایید.

بیمه‌گران باید، بررسی دوره‌ای انجام دهند و پایگاه‌های داده‌ها را به منظور حفظ کیفیت داده‌ها، پاک‌سازی نمایند. اگر این وارسی‌ها به صورت منظم اجرا نشود، عدم‌انسجام می‌تواند ادامه پیدا کند و وخیم‌تر شود و کیفیت داده‌ها، بسیار نامرغوب‌تر شود.

داده‌های نامرغوب در تمامی اشکال خود، بیش از تصور، برای صنعت بیمه هزینه به همراه دارد، از اثرات مالی و بهره‌وری مشخص گرفته تا اثرات بر تجربیات مشتریان. درحالی‌که سرمایه‌گذاری در ادغام جامع داده‌ها ممکن است هزینه‌بر باشد، اما آنچه بیمه‌گران واقعاً نمی‌توانند از پس هزینه آن برآیند، داده‌های نامرغوب است.