ما هم‌اکنون شاهد انتقال از اعتماد به ارزیابان ریسک (بیمه‌گران)[1]، به علم داده[2]‌ و رویکردهای نرخ‌گذاری مبتنی بر الگوریتم هستیم. درحالی‌که بسیاری از بیمه‌گران، ارزیابی ریسک‌های کمتر پیچیده و عمومی‌تر، تمایل نشان می‌دهند، اما، ارزیابان ریسک، هم‌اکنون، اختیار کمتری برای تغییر قیمت و قدرت کمتری برای تعدیل بیمه‌نامه‌ها دارند. در بسیاری از موارد، بیمه‌گران، توانسته‌اند قیمت‌گذاری و ارزیابی ریسک «بدون تماس» را اجرا نموده‌اند و این کار، وظیفه ارزیاب ریسک را کاملاً از بین برده است.

درحالی‌که طی همه‌گیری، خودروهای کمتری در جاده‌ها تردد داشتند، اما بیمه‌گران خودروی آمریکایی از یک فراغت پس از سال‌ها زحمت برای سودآوری، بهره‌مند شدند. اما، این شرایط، برای بیمه‌گرانی که سطح حق بیمه را حفظ کرده‌ بودند و از یک کاهش موقتی در اکسپوژر ریسک[3]، لذت می‌بردند، موقتی بود. به محض این‌که الگوهای رانندگی پساهمه‌گیری، عادی شد، بیمه‌گران خودرو، سرمایه خود را دوباره از دست دادند. پس از برداشتن محدودیت‌های کرونایی در سال ۲۰۲۱، بخش بیمه خودرو، زیان بیمه‌گریِ^[4] ۳.۳ میلیارد دلاری در سال ۲۰۲۲ را ثبت نمود.

بیمه بازرگانی،‌ در سیر تحول دیجیتالی خویش، نسبت به بازار بیمه رشته‌های اشخاص، عقب مانده است. این درحالی‌است‌که می‌‌توانست با تورم «اجتماعی»[5] و اقتصادی مبارزه کند و درعین‌حال با اثرات باقی‌‌مانده از برافکن‌های زنجیره عرضه که طی سال‌های ۲۰۲۱ و ۲۰۲۲ اتفاق افتاد، کنار بیاید.

بخش بیمه بازرگانی خودرو، یک نسبت ترکیبی[6] بالای ۱۰۰ درصد، طی ۱۱ سال گذشته، تجربه کرده است و برخی بیمه‌گران کلاً از صنعت رخت بربسته و رفته‌اند. اما همچنان رهبران بازارکه در پی خودکارسازی قیمت هستند و قابلیت‌های بخش‌بندی[7] آنها بروزشده است، به سودآوری خود ادامه می‌دهند.

ما باید گفتگو درباره نوین‌سازی طرح‌های نرخ‌گذاری خود را وسیع‌تر نماییم تا از این‌که کل بخش قادر باشد به سمت سودآوری حرکت کند و از این منفعت‌ها سود ببرد، مطمئن شویم.

در فضای اقتصادی نامطمئن جهان، بکارگیریِ ابزارهای لازم برای داده‌های نسل آینده به منظور ادغام قیمت‌گذاری منضبط، دستیابی به دقت در نرخ‌‌گذاری و اجرای بیمه‌گری هدفمند، می‌تواند به کسب و کارها و سیاست‌های روزآمد دربرابر روندهای زیان ناشی از تغییر مسیر ناگهانی بازار[8] کمک نماید.

کنش نه واکنش

صنعت بیمه، طی سال ۲۰۲۳، به‌ویژه بخش بیمه بازرگانی، به جبران مافات پرداخت و به سرعت شروع به خودکارسازی نمود. به‌طوری‌که هم‌اکنون، ما شاهد انتقال از اعتماد به بیمه‌گران، به علم داده‌ و رویکردهای نرخ‌گذاری مبتنی بر الگوریتم هستیم. درحالی‌که بسیاری از بیمه‌گران، ارزیابی ریسک‌های کمتر پیچیده و عمومی‌تر، تمایل نشان می‌دهند، اما، ارزیابان ریسک، هم‌اکنون، اختیار کمتری برای تغییر قیمت و قدرت کمتری برای تعدیل بیمه‌نامه‌ها دارند. در بسیاری از موارد، بیمه‌گران قیمت‌گذاری و ارزیابی ریسک بدون تماس را اجرایی کرده‌اند و مشارکت ارزیاب ریسک را به کلی از میان برداشته‌‌اند.

در بلندمدت، استفاده از رویکردهای قیمت‌گذاری مبتنی بر علم داده در مقابل رویکردهای قیمت‌گذاری دستی، دقت در ‌نرخ‌گذاری را بهبود خواهد بخشید و کسب و کارها را کاراتر خواهد نمود و عدالت را افزایش خواهد داد.

به طور سنتی، بیم‌سنج‌های بخش بیمه و مالکین خطوط محصولات، حدسی مبتنی بر دانش و تجربه نسبت به جایی که روندهای تورم و خسارت می‌روند، ارائه می‌دهند و این فرضیات را در نرخ‌گذاری خود می‌گنجانند و به نهادهای ناظر درباره میزان حق‌بیمه‌ای که آنها نیاز دارند، اعلام می‌نمایند. اما، محدودیت‌های این رویکرد با متأثر شدن بیش از حد بیمه نسبت به افزایش تورم طی چندسال گذشته، آشکار شد.

تورم به رقمی بیش از ۲۰ درصد بر پایه سال- به – سال[9] برای قطعات و تجهیزات یدکی افزایش یافت. این درحالی‌است‌که هزینه واقعی تعویض قطعات کامل یک وسیله نقلیه ورای نرخی بود که بیمه‌گران در بیمه‌نامه‌ها درج کرده بودند. این امر با نقطه انسداد زنجیره عرضه[10] هم‌زمان روی داد، یعنی جایی‌که وسایل نقلیه جدید و لوازم یدکی به دلیل کمبود نیمه‌رساناها، تجهیزات و دیگر قطعات، موجود نبودند. با کسب تأییدیه برای افزایش نرخ‌ها از طرف مراجع تنظیم‌مقرارتی، که ۱۲ تا ۱۸ ماه به طول انجامید، بیمه‌گران خودرو نمی‌توانستند با سرعت کافی، واکنش از خود نشان دهند و بنابراین، خسارات، سریع‌تر تجمیع شد و رشته‌های بازرگانی به صورت ویژه‌ و خاص، ضربه خوردند.

دیجیتال‌سازی بیمه

به صورت تاریخی، وظیفه ارزشیابی بیشتر ریسک‌ها بر عهده ارزیابان ریسک بیمه بازرگانی است، چراکه داده‌های قابل‌‌توسعه[11] برای استفاده در نرخ‌گذاری، محدود هستند و در توان سامانه‌های سنتی، برای پردازش داده‌های پیچیده، ضعف‌هایی وجود دارد. اما هم‌اکنون، خودکارسازی ارزیابی ریسک از طریق خودکارسازی رباتیک فرایند (RPA)[12]، هوش مصنوعی و یادگیری ماشین، به بیمه‌گران کمک می‌نماید، تا گستره داده‌های موجود را توسعه بخشند، بینش‌های جدید از داده‌های موجود کسب کنند و سطح خود را در نرخ‌گذاری پیشرفته، بالا ببرند.

به منظور تعیین قیمت بیمه‌نامه خودروی بازرگانی، یک رویکرد مبتنی بر داده، اکسپوژرهای گوناگون را ارزیابی و می‌سنجد و این امر به ارزشیابی جزئی‌تر ریسک می‌انجامد. این رویکرد شامل ارزیابی رفتار و سوابق رانندگان و وسایل نقلیه و نیز عوامل پیشگویانه مانند مدیریت مالی مالکان[13] و رانندگان می‌شود. فرایندهای خودکارسازی‌شده، نقش مهمی در جمع‌آوری تمامی داده‌های مرتبط درباره پروفایل ریسک کسب و کارها، بازی می‌کنند.

تلفیق این نقاط داده پوشش – زیان[14]، توان بیمه‌گران را برای خودکارسازی بررسی و انتخاب بهتر ریسک، تقویت می‌نماید. اما، هنگامی‌که به پوشش مسئولیت می‌رسیم، عوامل اضافی وارد صحنه می‌شوند و چالش‌های عدیده‌ای را در صنعت رقم می‌زنند. اما باز هم، یک رویکرد مبتنی بر داده می‌تواند در کاهش ریسک‌های مرتبط با تورم اجتماعی، بی‌نهایت ارزشمند باشد.

کاهش تورم اجتماعی

تورم اجتماعی را می‌توان به عنوان افزایش هزینه‌های تعهدات[15] به دلیل تسویه‌های قانونی صورت‌پذیرفته و درحال‌پرداخت ورای آنچه نسبت به تورم معمولی انتظار می‌رفت،‌ تعریف نمود. پرداخت‌ مطالبات بیمه ثالث خودرو بازرگانی با رقمی معادل ۳۰ میلیارد دلار بین سال‌های ۲۰۱۲ تا ۲۰۲۱ که بخشی از آن، به دلیل تورم اجتماعی، بود، به حد انفجار رسید. مؤسسه اطلاعات بیمه[16]، دو مورد از عمده‌ترین عوامل این افزایش چشمگیر را سوءاستفاده از نظام حقوقی و رویه قضایی طرف ثالث اعلام کرد که طی آن، متخصصین مالی مانند صندوق‌های پوشش ریسک[17] از طرف‌های زیان‌دیده برای پیگیری دعاوی به منظور دریافت خسارت بسیار بیشتر، حمایت می‌نمودند.

این شرایط که بخشی از آن به فرهنگ دعاوی در آمریکا برمی‌گردد، خروج عمده‌ای از حالتی است که در آن، شرکت بیمه به طرف زیان‌دیده، رقمی را اعلام می‌کرد و آنها معمولاً می‌پذیرفتند. علاوه بر ریسک پیچیده، بازار نیروی کار رانندگان بازرگانی از زمان همه‌گیری، رشد پیدا کرده است و رانندگان جوان، به طور فزاینده‌ای مسئول افزایش تخلفات و نرخ تصادفات بوده‌اند. به همین دلیل است که ارزشیابی کامل میزان مشارکت رانندگان در ریسک، تبدیل به موضوع مهمی در نرخ دقیق‌تر و صدور بیمه‌نامه،‌ محسوب می‌شود. نوسازی برنامه نرخ‌گذاری، از داده‌ها برای ارزیابی بهتر اکسپوژر تعهدات[18]، حداکثر بهره‌برداری را می‌برد.

به تحول مبتنی بر داده بپیوندید

بادهای مخالف علیه صنعت در حال وزیدن هستند و باید اذعان کرد که بسیار مشکل‌ساز خواهند بود. اما رهبران بازار، هر ساله، پول تولید می‌کنند، چراکه آنها در راهکارها و محصولات مناسب، سرمایه‌گذاری می‌نمایند. در عوض، بسیاری از شرکت‌ها، در حال تلاش برای ثبت نسبت‌های ترکیبی پایین‌تر از ۱۰۰ درصد در نتیجه گژگزینی[19] رقبا هستند. اما همچنان، ابزارهای خودکارسازی برای ایجاد فضای برد-برد از طریق نوسازی قابلیت‌های ارزیابی ریسک و قیمت‌گذاری، در دسترس است. بیمه‌گران بازرگانی کوچک و متوسط می‌توانند کسب و کار خود را از طریق استقبال از فرصت تحول دیجیتال برای آینده، تضمین نمایند.