اقتصادناب_مک کینزی برآورد کرده است که پتانسیل موجود جهت خودکارسازی، چیزی در حدود ۴۳ درصد از زمان کارمندان مالی و بیمه‌ای را در بر می‌گیرد. در میان بیمه‌های غیر از بیمه عمر، فقط کلاهبرداری بیمه‌ای چیزی در حدود ۱۰ درصد از حق بیمه را به خود اختصاص می‌دهد.
به گزارش اقتصادناب از بیمه داری نوین تجزیه‌وتحلیل دادهها از زمان ظهور نظریه احتمالات و علم آمار به عنوان رشته‌هایی از ریاضیات در قرن هفدهم، نقشی اساسی را در بیمه بازی کرده است. این پیشرفت‌های علمی به بیمه امکان داد تا از شرط‌بندی‌های ابتکاری بر اوضاع آینده دنیا، به صنعتی مبتنی بر محاسبه و تصمیم‌گیریِ منطقی تکامل پیدا کند.
در این تحول، کلیسا با گردآوری داده‌های ضروری جهت انجام تجزیه‌وتحلیل آماری نقشی محوری را ایفا کرد. در قرن شانزدهم به کشیشان کلیسا دستور داده شد تا سوابق مربوط به غسل تعمید، ازدواج‌ها و بعدها سوابق وفات‌ها و خاکسپاری‌ها را نزد خویش نگهداری کنند. در سال ۱۶۹۳، داده‌هایی از این دست، ادموند هالی (Edmond Halley)، منجم، ژئوفیزیکدان، ریاضیدان، هواشناس و فیزیکدان انگلیسی را قادر ساخت تا نخستین جدول مستمری را براساس داده‌های مربوط به مرگ‌ومیر که از فرآیندی واقعی به دست می‌آمد، تولید کند که به جهشی عمده به سوی بیمه عمر منتج شد.
داده‌های گردآوری‌شدهی افراد، همچون جداول مرگ‌ومیر و آمارهای مربوط به تصادفات، برای بیمه‌گران دارای اهمیت هستند چراکه از این دادهها جهت تخمین ریسک‌ها به ازای جمعیت یا برای کسر بزرگی از جمعیت بهره می‌گیرند. علاوه بر این، بیمه‌گران برای دسته‌بندی مشتریان در قالب طبقات متفاوت ریسک، عمدتا بر داده‌هایی که مستقیما از بیمه‌گذاران به دست می‌آورند، تکیه دارند. برای نمونه، بیمه‌گران در بیمهِ اتومبیلِ شخصی، برای دسته‌بندی افراد به طبقات متفاوت ریسک که نرخ حق بیمه فردِ متعلق به یک طبقه ریسکی خاص را تعیین می‌کند، اغلب بر اطلاعاتی نظیر نوع خودرو، سن فرد و سابقه خسارت تکیه دارند.
بیمه‌گران طی دو دهه گذشته بیشتر و بیشتر به استفاده از داده‌های منابع ثالث مبادرت ورزیده‌اند. برای نمونه، وقتی شواهد تجربی نشان داد که افراد با امتیاز اعتباری بالاتر، احتمالا رانندگانی با کارنامه ایمن‌تری خواهند بود، بیمه‌گران اقدام به اِعمال امتیاز اعتباری در تحلیل خود برای بیمه خودروی شخصی کردند.
با این وجود، نقش دادهها در اساس همانند سابق باقی مانده است. به طور مثال می‌توان به نقش دادهها جهت درک ریسک‌ها و محافظت از بیمه‌گذاران با پرداخت غرامت بابت خسارات وارده اشاره کرد.
امروزه، پیشرفت‌ها در زمینه تجزیه‌وتحلیل بیگ‌دیتا، هوش مصنوعی و اینترنت اشیاء نوید تحول اساسی در نقش و کاربرد دادهها در مدل کسب‌وکار بیمه ای را می‌دهد. این فناوری‌ها هسته یک زیرساخت دیجیتال و به‌هم‌‌پیوسته را برای جامعه دیجیتال که مرتبا حجم عظیمی از داده‌های آنی را تولید می‌کند، تشکیل میدهند. سیستم‌های مبتنی بر هوش مصنوعی و الگوریتم‌های خودآموز از حجم عظیمی از داده‌های آنی و چرخه‌های بازخوردی جهت بهینه سازی مداوم خود استفاده می‌کنند.
این پیشرفت به‌وسیله ظهور دو منبع جدید از دادهها که به پس‌زمینه بیمه مرتبط هستند، تغذیه میشود. منبع نخست مشتمل بر داده‌هایی است که به صورت خودکار به واسطه رفتار آنلاین تولید و ذخیره‌سازی میشود. این دادهها شامل داده‌های خصوصی که از طریق پلتفرم رسانه‌های اجتماعی، داده‌های مربوط به خریدهای آنلاین که به واسطه تجارت الکترونیک تولید میشود و نیز داده‌های تولیدی به واسطه سوابق مربوط به جستجوهای اشخاص و مرور اینترنت، میشود.
داده‌های شخصی مربوط به رفتارهای آنلاینِ افراد می‌تواند اطلاعاتی درباره عادات و سبک زندگی آنها و داده‌های تکمیلی یا داده‌های جایگزین که سنتا توسط شرکت‌های بیمه مورد استفاده قرار می‌گیرد را آشکار سازد. گردآوری چنین داده‌هایی به شکلی چشمگیر در برنامه شرکت‌های بزرگ فناوری و تجارت الکترونیک همچون علیبابا، آلفابت (گوگل)، آمازون، اپل، بایدو، فیسبوک، مایکروسافت یا تِنسِنت قرار دارد. گوگل حدود ۹۰ درصد از سهم بازار جستجو را در اختیار دارد. در مقابل، فیسبوک دارای نرخ نفوذ ۸۹ درصدی در میان کاربران اینترنتی است. آلفابت، آمازون، اپل، فیسبوک و مایکروسافت -حداقل تا اندازه‌ای براساس ارزش داده‌های مربوط به مشتریان خود به عنوان یک دارایی- در میان شرکت‌هایی با بیشترین میزان مجموع سرمایه در بازار، در سطح جهان قرار دارند.
منبع تازه دیگر از دادهها، از حسگرهای تعبیه‌شده در وسایل و دیگر کالاهای مشتری در اینترنت اشیاء همانند حسگرهای تعبیه‌شده در خودروها (تلماتیک) یا ابزارهای پوشیدنی، داده‌های مربوط به خانه‌های هوشمند یا پهپادها به دست می‌آید. این دادهها عموما پراکنده و مختص به هدفی خاص در زندگی واقعی -افراد- هستند.
ظهور تجزیه‌وتحلیل بیگ‌دیتا و هوش مصنوعی مسابقه‌ای را -هم از جانب استارت‌آپهای بیمه‌ای و هم بیمه‌گرانِ شناخته‌شده- در زمینه تولید و توسعه برنامه‌های جدید، در کل زنجیره ارزشِ بیمه به راه انداخته است. به طور کلی برنامه‌های جدید عموما بر یکی از حوزه‌های ذیل تمرکز یافته‌اند:
الف) مدل‌های توزیعی جدید: برنامه‌های جدید، تعامل با مشتری را به وسیله ابزارهای دستیار دیجیتال، بیمه‌گران دیجیتال، چتباتها، راهنماهای رباتی و استفاده از بیگ‌دیتا و هوش مصنوعی جهت تقسیم‌بندی بهینه‌تر مشتریان، بازاریابی هدفمند و قیمت‌گذاری انعطاف‌پذیر، دچار تحول اساسی ساخته‌اند.
ب) خودکارسازی فرآیند: هدف چنین برنامه‌هایی خودکارسازی یا بهبود کارآمدی فرآیندهای داخلی -یک شرکت- به وسیله بیگ‌دیتا و هوش مصنوعی است. پردازش بی‌واسطه، امکان خودکارسازی بخش‌هایی از زنجیره ارزش یا حتی کل زنجیره ارزش شامل بیمه‌گری، مدیریت خسارات، مدیریت ریسک‌ها، مدیریت مالی و سرمایه‌ای و همچنین گزارش‌دهی و تطبیق با مقررات را مهیا میسازد.
ج) برنامه‌های جدید: برنامه‌های داده‌ای جدید امکان تولید محصولات تازه و مدل‌های جایگزین کسب‌وکار، شامل بیمه همتا به همتا (Peer-to-Peer)، بیمه براساس تقاضا، بیمه به نسبت میزان استفاده و همچنین محصولات بیمه‌ای پوشش‌دهنده انواع تازه ریسک‌ها را فراهم می‌سازند.
با این وجود، پتانسیل حقیقی فناوری‌های نو با ترکیب عناصر متفاوت در قالب یک زیرساخت دیجیتالِ یکپارچه نمایان میشود. گردآوری مداوم و تجزیه‌وتحلیل داده‌های رفتاری، ارزیابی ریسک براساس فرد و شکلی پویا و همچنین تشکیل یک چرخه بازخوردِ پیوسته را بدون دخالت انسانی یا با دخالت محدود، ممکن می‌کند. چنین شیوه‌ای از نظارت دیجیتال نه‌تنها -کیفیت- ارزیابی را بهبود می‌بخشد، بلکه می‌تواند دانستنی‌هایی آنی درخصوص رفتار مخاطره‌آمیز بیمه‌گذار و مشوق‌های فردی برای کاهش ریسک را به وی ارائه دهد.
علاوه بر این، ترکیب منابع داده‌ای جدید راه را برای پیاده‌سازی سیستم‌های پیشرفته مدیریت ریسک که از تجزیه‌وتحلیل پیشگویانه به عنوان روشی جهت مداخله زودهنگام و پیشگیری از خطر بهره می‌گیرند، هموار می‌کند.
هم‌اکنون نیز چنین بازترکیب‌های قدرتمندی از مدل‌های جدید کسب‌وکار یا اجرا میشود یا اینکه افق اجرای آن به‌وضوح نمایان است. این ترکیب‌ها شامل مفاهیم همتا به همتای واقعی (مانند Bought by Many) و بیمه‌گران کاملا دیجیتال (همانند Oscar، InShared، Haven Live و یا Sherpa) است. درنهایت، این شرکت‌ها نقش بیمه را از پوشش ریسک صرف به پیش‌بینی و پیشگیری بهبود میدهند.
این مدل‌های جدید کسب‌وکار، پتانسیل تولید فواید قابل‌توجه اقتصادی و اجتماعی را در خود دارند:
کاهش ریسک و پیشگیری از خسارات
در بسیاری موارد، تنظیم بهتر حق بیمه‌ها و ریسک، فواید آشکار اقتصادی و اجتماعی دارد. این مساله باعث میشود حقبیمه بتواند بر ریسک اثر بگذارد و باعث تشدید کاهش ریسک شود. نظارت دیجیتال با برقراری یک چرخه بازخوردی برای بیمه‌گذاران به آنها کمک می‌کند تا با تغییر رفتار خود ریسک را کاهش دهند. گذشته از این، داده‌های بهبودیافته، استقرار سیستم‌های پیشرفته ی مدیریت ریسک و هشدار زودهنگام را تسهیل می‌کند که سبب دخالت به‌موقع به منظور کاستن از خسارات و درنتیجه مزایای بیشتر برای بیمه‌گذار میشود.
کاهش هزینه‌ها
یک خصیصه کلیدی بازارهای بیمه حضور دو نوع ناهمخوانی اطلاعاتی است: مخاطرات اخلاقی و انتخاب‌های نامناسب. این دو گونه نمایانگر نوعی ناکارآمدی بازار است و به این امر اشاره دارد که بیمه‌گر باید منابعی قابل‌توجه را جهت ارزیابی ریسک شرکای قراردادی خود و اعتبارسنجی اطلاعات ارائه‌شده توسط بیمه‌گذاران تخصیص دهند. در حقیقت بخش قابل‌توجهی از حق بیمه‌ها جهت رسیدگی به خسارات، جذب مشتری و امور مدیریتی هزینه میشود.
بر این اساس، بخش قابل‌توجهی از زمان کارمندان بر پردازش اطلاعات می‌گذرد. بنابراین پتانسیلی چشمگیر برای خودکارسازی فرآیند پردازش دادهها وجود دارد. مک کینزی برآورد کرده است که پتانسیل موجود جهت خودکارسازی، چیزی در حدود ۴۳ درصد از زمان کارمندان مالی و بیمه‌ای را در بر می‌گیرد. در میان بیمه‌های غیر از بیمه عمر، فقط کلاهبرداری بیمه‌ای چیزی در حدود ۱۰ درصد از حق بیمه را به خود اختصاص می‌دهد.
بنابراین، خودکارسازی فرآیندها، این پتانسیل را در خود دارد تا کارآمدی بازار را به شکل چشمگیری افزایش داده و با کاستن از ناهمخوانی‌های اطلاعاتی، هزینه‌ها را کاهش دهد. در فضای بازار رقابتی، این امر درنهایت در قالب حق بیمه‌های پایینتر، بهبود وضع توان تهیه و نیز اثرگذاری در کم کردن شکاف پوشش منعکس میشود. علاوه بر این، برآورد مناسب‌تر از عملیات توزیعی از طریق بیگ‌دیتا و هوش مصنوعی و در سطح پرتفوی، به بیمه‌گران امکان کاهش حق بیمه‌ها به‌واسطه کاستن از بار ریسک را می‌دهد.
محصولات جدید و بهبودیافته
داده‌ای که متشکل از جزئیات بیشتری باشد بیمه‌گران را قادر میسازد تا محصولاتی را ارائه دهند که در تناسب با نیازهای بیمه‌شده باشد. این مناسب‌سازی می‌تواند شامل بیمه بر مبنای تقاضا و محصولات پیشنهادی از گونه پرداخت به نسبت میزان استفاده، باشد. این شیوه بیمه‌گری براساس استفاده سبب میشود که مشتریان هزینه بیمه را براساس ریسکِ حقیقتا موجود پرداخت کنند؛ (پرداخت هزینه در ازای مواقع رانندگی در مقابل زمانی که خودروی آنها صرفا در پارکینگ خانه قرار دارد).
همچنین شناخت بهتر ریسک‌ها، تهیه انواع جدید پوشش بیمه را تسهیل کرده و امکان بیمه شدن ریسک‌های موجود و ریسک‌های نوظهور (برای نمونه، ریسک سایبری) را افزایش می‌دهد. علاوه بر این، استفاده بهینه‌تر از دادهها می‌تواند بیمه‌گران را قادر به تهیه و ارائه محصولات بیمه‌ای برای ریسک‌های سطح بالا سازد؛ ریسک‌هایی که تاکنون امکان بیمه آنها وجود نداشت. برای نمونه، بیمارانی که از امراضی رنج می‌برند که تاکنون پوشش بیمه شامل آن دسته‌ها نمی‌شد، می‌توانند داده‌های مرتبط با وضعیت فیزیکی خود را به اشتراک گذاشته و از محصولات شخصی‌سازی‌شده مربوط به درمان بهره‌مند شوند.
به عنوان جمع‌بندی، مزایای اقتصادی و اجتماعیِ استفاده بهینه‌تر از دادهها در شرایطی برای کسب‌وکارها در بیشترین شکل ممکن خود خواهد بود که:
- هزینه مخاطرات اخلاقی و انتخاب‌های نامناسب بالا باشد.
- پتانسیل بالایی برای کاهش ریسک به واسطه تخفیف و پیشگیری موجود باشد، و/یا اینکه
- میزان بالایی از کم بیمه گی در میان باشد.
