پیشرفت سریع فنآوری، همه صنایع را تحت تاثیر قرار داده است. هوش مصنوعی و یادگیری ماشین، آیندهی کسب و کارها را متحول کردهاند. امروزه این تکنولوژیها در صنعت بیمه هم مورد استفاده قرار گرفتهاند و شرکتهای بیمه از هوش مصنوعی و یادگیری ماشین برای بهبود فعالیتهای خود و مکانیزه کردن فرایندهایشان بهره میبرند تا بتوانند خدمات بهتری را به مشتریان ارائه دهند. با گسترش روز افزون این فنآوریها، انتظار میرود صنعت بیمه نیز از آنها در راستای ارائه کارآمدتر، دقیقتر، امنتر و منعطفتر محصولات و خدمات بیمهای استفاده نماید.
هوش مصنوعی یکی از مفاهیم پرکاربرد در عصر فنآوری اطلاعات است و امروزه در بسیاری از صنایع از جمله بهداشت و درمان، بانکها، خدمات مالی و تجاری و آموزش مورد کاربرد قرار میگیرد. در سالهای اخیر، صنعت بیمه نیز به اهمیت این فنآوری پی برده و شروع به استفاده از آن کرده است. اگر چه در مقایسه با برخی از صنایع که پیشتر به آنها اشاره شد، عملکرد کندتری داشته است.
با توجه به اهمیت به کارگیری دانش و فناوریهای روز در صنعت بیمه، در این مقاله به تاثیرات استفاده از هوش مصنوعی بر روی قیمتگذاری حق بیمه پرداخته شده و آینده هوش مصنوعی در این صنعت مورد بررسی قرار گرفته است.
صنعت بیمه، طی قرنها در برابر تغییرات، مقاومت کرده است، اما این موضوع نیز در حال تغییر میباشد و همانند سایر بخشها، صنعت بیمه هم دستخوش تحول دیجیتالی شده است. اکثر شرکتهای بیمه، نه همه آنها، پیشرفت قابلملاحظهای در پیادهسازی هوش مصنوعی کردهاند. با استفاده شرکتهای بیمه از قابلیتهای هوش مصنوعی از جمله یادگیری ماشین، مدلسازی داده و تحلیلهای پیشبینیکننده در سراسر زنجیره ارزش خود، در نهایت هوش مصنوعی به یکی از بزرگترین تحولات صنعت بیمه طی دهه آینده تبدیل خواهد شد. دستاندرکاران زیادی در صنعت بیمه از کاربردهای مختلف هوش مصنوعی به عنوان نمونه مدیریت ریسک، کشف تقلب و محصولات سفارشی [محصولات پیشنهادی] بهره میبرند. در این مقاله به تغییر چشمگیر در [فرایند] قیمتگذاری و ارائه خدمات در آینده نزدیک پرداخته شده است.
تحقیق حاضر، تاثیر هوش مصنوعی بر روی قیمتگذاری بیمه و کل صنعت را بررسی میکند و عمیقاً به پیچیدگیهای پیادهسازی مدلهای قیمتگذاری مبتنی بر هوش مصنوعی و آینده هوش مصنوعی در قیمتگذاری بیمه میپردازد.
هوش مصنوعی چیست؟
هوش مصنوعی به زبان ساده، به این معنی است که رایانه بتواند همانند انسان یاد بگیرد، فکر کند و رفتار کند. از نقطهنظر تجاری به این معنی است که عملیاتها سریعتر و دقیقتر انجام گردند. هوش مصنوعی، با مکانیزه کردن فرایندهای پرمشغله باعث کاهش هزینههای تولید و صرفهجویی در زمان میگردد. شرکتهای بیمه با بهکارگیری هوش مصنوعی در جهت پیشبینی رفتار مشتری، بهینهسازی قیمت، ارائه محصول و شناخت اولویتهای خریداران، درک بهتری از مشتریان پیدا خواهند کرد.
هوش مصنوعی شامل چندین فنآوری است که عبارتند از:
- یادگیری ماشین: یادگیری ماشین شامل شناسایی الگوها در مجموعه دادهها و سپس پیشبینی خروجی است. شرکتهای بیمه میتوانند از قابلیتهای یادگیری ماشین برای توسعه راهبردهای معاملات کمّی خود استفاده کنند.
- شبکههای عصبی: شبکههای عصبی دارای الگوریتمهایی برای تقلید ذهن انسان و تشخیص الگوها در دادهها هستند. شبکههای عصبی میتوانند الگوها را در مجموعه دادههای پیچیده، شناسایی، دستهبندی و تحلیل کنند.
- یادگیری عمیق: یک برنامه یادگیری ماشین است که به وسیله آن، مدلها میتوانند دادهها را تحلیل و نتایج معناداری را از آنها استخراج کنند. همچنین میتوانند مسائل را بدون آموزش و یا بدون چارچوب یا دستورالعملهای واضح و ازپیشتعیینشده، حل کنند. به عبارت بهتر، مدلهای یادگیری عمیق از طریق خودشان آموزش میبینند.
- پردازش زبان طبیعی: این فنآوریها به رایانهها کمک میکنند تا درخواستها و دستورها را درک و تفسیر کنند و به آنها به صورت متنی یا کلامی پاسخ دهند. شرکتهای بیمه از پردازش زبان طبیعی در رباتهای سخنگو برای سادهسازی خدمات مشتری استفاده میکنند.
هوش مصنوعی در صنعت بیمه
اگرچه این مفهوم به نظر خیلی آیندهنگرایانه میآید، اما استفاده از هوش مصنوعی در زندگی روزمره ما ریشه دوانده است. به عنوان مثال، وقتی شما مشغول استفاده از خدمات پخش [صدا یا تصویر] مورد علاقه خودتان هستید، پیشنهاداتی بر مبنای علایق خود دریافت میکنید و این همان هوش مصنوعی است. هوش مصنوعی در سایر صنایع نیز کاربرد دارد همچون خدمات مالی، سلامت، آموزش و غیره.
طی چند سال گذشته، دستاندرکاران زیادی در صنعت بیمه، شروع به پیادهسازی هوش مصنوعی و فنآوریهای مبتنی بر آن در فرایندهای تجاری خود کردهاند. اما، شرکتهای بیمه تا حدودی نسبت به پیادهسازی قابلیتهای هوش مصنوعی کُند عمل کردهاند. در حقیقت، بیشتر شرکتهای بیمه، پس از شروع کوید-19 که باعث افزایش میزان تماسها، فوریتهای پزشکی، تعاملات تجاری و خسارات مرگ و میرشده بود، شروع به توسعه قابلیتهای هوش مصنوعی کردند. این اختلالات نشان داد که هوش مصنوعی میتواند در بهبود مشارکت مشتری، توزیع حمایتی، پرداخت سریعتر خسارتها و شناسایی تقلب سودمند باشد.
در گزارش اخیر شرکت خدمات حرفهای پرایس واترهاس کوپرز (PwC) پیشبینی شده است که تاثیر اولیه هوش مصنوعی در صنعت بیمه با مکانیزه کردن فرایندهای صدور و خسارت و بهبود کارایی عمومی کسب و کار مرتبط خواهد بود.
به عنوان یک بخش چندوجهی، صنعت بیمه موظف است، در طول زمان تاثیرات گستردهتری را تجربه کند به خصوص در شناسایی، ارزیابی و صدور ریسکهای نوظهور و منابع درآمدی جدید که این امر منجر به ارائه محصولات بیشتر میگردد.
قبل از آنکه به آینده هوش مصنوعی بر روی قیمتگذاری بیمه و تاثیر آن بر روی صنعت بیمه پرداخته شود، در اینجا ابتدا به بررسی روش سنتی قیمتگذاری حق بیمه نگاهی شده است.
روشهای سنتی قیمتگذاری حق بیمه
در گذشتههای نه چندان دور، حق بیمهها بر اساس مدل قیمتگذاری به همراه هزینهگذاریتعیین میشدند. این مدل یک مدل ارزیابی اکچوئرال از حق بیمه ریسک با درصد اضافی برای پوشش هزینههای مستقیم و غیر مستقیم از جمله حاشیه سود است.
مدل قیمتگذاری به همراه هزینهگذاری، همچنان مدل مرسوم در بیمه اموال و خسارات است، بهویژه در بخشهای بیمهی خودرو و خانه. به هر حال، شرکتهای بیمه بزرگ به دلیل معایب این مدل بخصوص در مواردی مانند آمادگی برای آینده، هزینه و رضایت مشتری، با این مدل بیگانه شدهاند.
بعضی از چالشهای مرسوم در خصوص مدل قیمتگذاری سنتی حق بیمه عبارتند از:
- تقاضای مصرفکننده برای خدمات سفارشی: 66 درصد مشتریان در ایالات متحده میگویند که مواجه شدن با محتوایی که سفارشی نشده است، احتمالاً مانع خرید آنها میشود. این احساس در مورد حق بیمهها نیز صدق میکند، جایی که مشتریان عموماً نسبت به محصولات سفارشی رغبت بیشتری نشان میدهند. یکی از مهمترین چالشهای ارائه شده توسط مدلهای قیمتگذاری سنتی بیمه این است که برای گروهها ساخته شدهاند، نه افراد. تغییر وضعیت و گذار به خدماتهای سفارشی نه تنها به تغییر در فرآیند، بلکه به تجزیه سیلوهای داده و پیادهسازی فنآوریهای پیشرفته مانند هوش مصنوعی و یادگیری ماشین نیاز دارد.
وبسایتهای مقایسه قیمت و ویژگیها: یکی از بزرگترین تهدیدها برای مدلهای قیمتگذاری سنتی بیمه، وبسایتهایی هستند که به مشتریان در مقایسه قیمت بیمهنامهها، ارزش و مزایا کمک میکنند. با داشتن تمام این اطلاعات، بدیهی است که مشتریان، کمترین پیشنهاد را با بالاترین مزایا انتخاب کنند. این بدان معناست که هر شرکت بیمهای که هنوز به مدلهای قیمتگذاری سنتی متکی باشد، ممکن است تجارت بزرگی را از دست بدهد.
- تازهواردان بیمه: استارتآپهای جدید بیمه هیچ نوع مشکل سنتی برای مقابله با آن ندارند. آنها محصولاتی را ارائه میدهند که با فنآوریهای پیشرفته پشتیبانی میشوند و آنها را قادر میسازند تا قیمتگذاری پویا و خدمات سفارشی ارائه دهند. این شرکتهای دارای قدرت دیجیتال پیشتر توجه نسل زد و بسیاری از نسل هزاره را به خود جلب کردهاند و از آنجایی که نسل زد به زودی بیشترین درصد مشتریان بیمه را به خود اختصاص خواهد داد، هرگز زمان بهتری برای جلب توجه آنها وجود نداشته است.
قیمتگذاری پویای بیمه که توسط هوش مصنوعی ارائه میشود، بیمهنامههای ارزانتری را برای مشتریان کمریسک ایجاد میکند و بیمهگذاران پرریسک که مدلهای حق بیمه متفاوتی دارند، نیز وضعیت بهتری خواهند داشت، زیرا حق بیمه آنها هم بر اساس عوامل مختلف و رفتارهای کاربر محاسبه میشود .به عنوان مثال رانندگانی که به میزان کمتری رانندگی میکنند، حق بیمه اتومبیلشان نسبت به رانندگانی که به میزان بیشتری رانندگی میکنند، کمتر خواهد بود. علاوه بر این، حق بیمه خودرو برای رانندگانی که مکرراً رانندگی میکنند بر اساس عواملی مانند رفتار رانندگی و رعایت محدودیتهای سرعت متفاوت خواهد بود.
آینده هوش مصنوعی در صنعت بیمه
مجمع جهانی اقتصاد (WEF) پیشبینی میکند که بیش از 42 میلیارد دستگاه متصل به اینترنت اشیا (IoT) مانند تلفنهای هوشمند، ماشینها، دستیاران خانگی، ساعتهای هوشمند و ردیابهای تناسب اندام تا سال 2025 در سطح جهانی مورد استفاده قرار خواهند گرفت. حجم فزایندهی دادههای مشتریان از دستگاههای متصل به اینترنت اشیا میتواند به هوش مصنوعی کمک کند تا با ترکیب دادهها و آزمونهای آزمایشگاهی، دادههای خسارت، آزمونهای بیومتریک و دادههای سلامت، پروفایل ریسک مشتریان را ارزیابی کند. مدلهای یادگیری عمیق میتوانند به شرکتهای بیمه کمک کنند تا پروفایل ریسک مشتریان خود را ارزیابی کرده و خدمات سفارشی را با قیمتهای بهینه ارائه دهند. در نهایت، مشتریان پرریسکتر باید هزینه بیشتری بپردازند و مشتریانی که ریسک کمتری دارند، از تخفیف در قیمتدهی برخوردار خواهند شد. این امر در نهایت منجر به سودآوری بالاتر و حتی گسترش بازار خواهد شد.
هوش مصنوعی چگونه می تواند به بیمه گران کمک کند تا سودآوری خود را افزایش دهند؟
بازار کنونی با ریسکهای فراوان و نرخهای بهره بسیار پایین مسدود شده است و این امر باعث میشود که شرکتهای بیمه بر روی نتایج فنی به منظور بهبود سودآوری تمرکز کنند. به این ترتیب، نیاز بیشتری به ارزیابی بهتر ریسک و فرآیند قیمتگذاری وجود دارد.
شرکتهای بیمه میتوانند از طریق حجم وسیعی از دادههای ساختاریافته و بدونساختار که اکنون در دسترس آنهاست، به این اهداف دست یابند. وقتی این دادهها به الگوریتمهای یادگیری ماشین داده و از طریق محاسبات ابری[23] قدرتمند پردازش میشوند، صدور و قیمتگذاری به سطح جدیدی از پیچیدگی خواهد رسید و در نهایت باعث بهبود سودآوری در عین کاهش ریسک میگردد.
عواملی که هنگام پیادهسازی یک مدل قیمتگذاری خودکار باید در نظر گرفت
پیشتر، تعداد زیادی از بیمهگران برای تعیین حق بیمه از مدلهای هوش مصنوعی استفاده میکردند. در خط مقدم این روند، بیمهگران خودرو هستند که از فنآوری اینترنت اشیا برای نوآوری در محصولات و خدمات خود استفاده میکنند. با این اوصاف، چند مرحله حیاتی وجود دارد که بیمهگران باید هنگام اجرای یک مدل قیمتگذاری خودکار، باید در نظر بگیرند که عبارتند از:
- سرمایهگذاری در زیرساخت داده چندمنظوره
اثربخشی هوش مصنوعی کاملاً به توانایی آن در استفاده از تمام دادههای مرتبط است. بنابراین، شرکتهای بیمه باید در زیرساخت دادهای سرمایهگذاری کنند که بتواند منابع داده داخلی و خارجی را یکپارچه کنند. منابع داده میتوانند به شکل سیستم مدیریت ارتباط با مشتری (CRM)[25]، پلتفرمهای خودکارسازی، دادههای مالی، پلتفرمهای مدیریت محتوا و موارد دیگر باشد. علاوه بر جمعآوری و یکپارچهسازی دادهها، دادهها باید پاکسازی شوند، تا بتوان پیشبینیهای دقیق بر مبنای مجموعه دادههای بزرگ، انجام داد.
- سرمایهگذاری در الگوریتمهای خودآموز
هنگامی که زیرساخت داده ایجاد شد، گام بعدی سرمایهگذاری بر روی الگوریتمهای خودآموز است. متأسفانه، هیچ رویکرد یکسانی برای یافتن مدل قیمتگذاری مناسب مبتنی بر هوش مصنوعی وجود ندارد. در عوض، شرکتهای بیمه باید مدلهای قیمتگذاری را بر اساس اهداف از پیش تعیین شده انتخاب کنند. این مدلها میتوانند از مدلهای ماتریسی ساده تا مدلهای مبتنی بر شبیهسازی پیچیده و متغیر باشند.
- افزایش دقت مدلهای خودآموز
هر نقل قول، دادههای مهمی را ایجاد میکند، حتی اگر نتیجه منفی داشته باشد. به منظور بهبود دقت مدلهای خودآموز، بیمهگران باید زیرساختی ایجاد کنند که دادهها را قادر میسازد به مدلهای خودآموز بازخورد ارائه دهند.
سایر کاربردهای هوش مصنوعی در صنعت بیمه
کشف تقلب
شرکتهای بیمه به دلیل مطالبات تقلبی، سالانه 40 میلیارد ضرر میکنند. علاوه بر این، 30 درصد از مشتریان اعتراف کردهاند که حداقل یک بار به بیمهگر خودروی خود دروغ گفتهاند تا تحت پوشش قرار بگیرند. تجزیه و تحلیل متن مبتنی بر هوش مصنوعی و ابزارهای تجزیه و تحلیل پیشبینیکننده ممکن است بر اساس دادههای جمعآوریشده از داستان فرد مطالبهکننده و مطابق با قوانین تجاری، خسارتهای جعلی را شناسایی کنند. همچنین، بیمهگران میتوانند از تجزیه و تحلیل صوتی برای تعیین اینکه آیا مشتری هنگام ارائه خسارت دروغ میگوید بهره ببرند.
خدمات شخصیسازی شده
طبق تحقیقات اخیر شرکت خدمات حرفهای اکسنچور،۸۰ درصد از مشتریان بیمه نیاز به شرایط سفارشیسازی بیشتری دارند و حتی حاضرند اطلاعات شخصی خود را برای دریافت آن فاش کنند. هوش مصنوعی میتواند شرکتهای بیمه را قادر سازد تا مشتریان خود را بهتر درک کنند و محصولات شخصیسازیشده و سفارشیسازی شدهای را ارائه دهند، تا به مشتریان این امکان را دهند که فقط برای پوشش مورد نیاز خود، حق بیمه پرداخت کنند.
پردازش درخواست و صدور بیمه
پردازش درخواست [بیمه] معمولاً شامل استخراج اطلاعات از انبوهی از اسناد است. این فرآیند اغلب خستهکننده، وقتگیر و در صورت انجام بهصورت دستی، مستعد خطا است. با این حال، با فنآوریهای ضبط اسناد مبتنی بر هوش مصنوعی، شرکتهای بیمه میتوانند به طور خودکار دادههای مربوطه را از اسناد مربوط به درخواست [بیمه] استخراج کرده و روند درخواست را تسریع کنند. نتیجه این که فرآیند درخواست و بیمهگری [ارزیابی ریسک] سریعتر خواهد بود و این امر در نهایت منجر به بهبود رضایت مشتری میگردد.
رسیدگی به درخواستهای تجدیدنظر
تا سال 2025، بیش از 50 درصد از خسارتهای بیمه، عمدتاً به لطف فنآوریهای هوش مصنوعی و یادگیری ماشین، خودکار خواهند شد. پس از پردازش، برخی از مطالبات ممکن است نیاز به درخواست برای تجدیدنظر داشته باشند که میتوان از طریق فنآوریهای هوش مصنوعی مانند خودکارسازی رباتیک فرایند (RPA) و فنآوری نویسهخوان نوری (OCR) مکانیزه شوند.
آینده هوش مصنوعی در صنعت بیمه: قیمتگذاری بیمه
همانطور که قبلاً ذکر شد، هوش مصنوعی این قابلیت را دارد که صنعت بیمه را متحول کند. برای شروع، تجربه مشتری از ماهیت خستهکننده و بوروکراتیک به خدمات سریعتر، مقرونبهصرفهتر و خدمت مبتنی بر تقاضا تبدیل خواهد شد.
در نهایت، محصولات سفارشی و ارزانتر، مشتریان بیشتری را جذب خواهند کرد. با گذشت زمان، همانطور که بیمهگران از فنآوری مبتنی بر هوش مصنوعی برای حجم عظیمی از دادههای در اختیار خود استفاده میکنند، ما شاهد خدمات بیمهای منعطفتری خواهیم بود، از جمله حق بیمههایی که به طور خودکار در پاسخ به سلامت مشتری و حوادث تنظیم میشوند و همچنین پرداخت هزینهها بر مبنای میزان استفاده از خدمات و مبتنی بر تقاضا.
به زودی، با استفاده بیمهگران از فنآوری مبتنی بر هوش مصنوعی، صنعت بیمه سفارشیسازیتر خواهد شد، زیرا بیمهگران نیازهای مشتریانشان را بهتر درک خواهند کرد. علاوه بر این، شرکتهای بیمه به دلیل جریانهای کاری سریعتر و کاهش وابستگی به منابع انسانی، از صرفهجویی در هزینهها برخوردار خواهند شد. همچنین آنها، جریانهای درآمدی جدیدی را تجربه خواهند کرد، زیرا تجزیه و تحلیلهای مبتنی بر داده، فرصتهای تجاری و فروش متقابل جدیدی را باز میکند.
ضمناً راهکارهای هوش مصنوعی تعامل مشتریان با شرکتهای بیمه را آسانتر میکنند، که این امر ممکن است احتمال خرید بیمه توسط افراد بیشتری را افزایش دهد.
نظرات نهایی در مورد آینده هوش مصنوعی در صنعت بیمه
از آنجایی که جهان، داده محورتر شده است، همه صنایع، اشکال مختلفی از خودکارسازی را در راستای بهبود فرایندهایشان، سودآوری و افزایش رضایت و حفظ مشتری، اتخاذ کردهاند.
جای تعجب نیست که صنعت بیمه بهعنوان یکی از قدیمیترین صنایع در جهان، بهویژه درزمینه قیمتگذاری و ارائه خدمات وارد حوزه هوش مصنوعی شده است. هرچه شرکتهای بیمه بیشتر پذیرای خدمات خودکار باشند، صنعت بیمه شاهد تغییرات عمدهای در جهت خدمات مقرون بهصرفهتر و سفارشیشدهتر خواهد بود.
مترجم: شبنم محمدحسنی، کارشناس ارشد مهندسی نرم افزار، بیمه مرکزی ج.ا. ایران
Dataset[4] (مجموعه داده ها) : به مجموعه ای از دادههای آماری یا رایانهای مربوط به یک پایگاه داده اطلاق میشود که با هدف یکپارچهسازی دادهها، محتویات آن را در قالب یک جدول پایگاه داده یا یک ماتریس دادهای، تنظیم و مرتب مینمایند.
الگوریتم: در ریاضیات و علوم کامپیوتر، به مجموعهای از مراحل و فرایندهای متوالی برای حل یک مسئله و یا انجام محاسبات، الگوریتم گفته میشود. به عبارت دیگر، الگوریتمها فهرست دقیقی از دستورالعملها هستند که با ترتیب خاصی اجرا شده و خروجی مورد نظر را به دست میآورند.
Natural language processing
Robotic Process Automation : با استفاده از این فنآوری رباتها، فرایندها را مدیریت میکنند و به کمک آن میتوان وظایف تکراری با حجم زیاد اما کمارزش را بصورت خودکار انجام داد.
Optical Character Reader : این فنآوری امکان تبدیل خودکار متون موجود در تصاویر اسناد را به متنهای قابل جستجو و ویرایش توسط رایانهها فراهم میکند.