Prediktivna analitika u osiguranju Danijel Bara, Član Uprave Jadransko osiguranje d.d. SADRŽAJ Analitika i prediktivna analitika Definicije Usporedba Opis prediktivne analitike Upotreba prediktivne analitike Prediktivna analitika u osiguranju Koristi od prediktivne analitike Životni ciklus prediktivne analitike Proces uvođenja prediktivne analitike Definicija analitike (deskriptivna) “…primjena računalne tehnologije, operacijskih istraživanja i statistike s ciljem rješavanja problema u poslovanju i industriji. Provodi se u okviru informacijskog sustava.” Upotreba analitike je kao vožnja automobilom ali s gledanjem prometa kroz retrovizor, na taj način ne gledajući što se događa ispred i zbog toga u opasnosti od sudara Definicija prediktivne analitike “.…prediktivni modeli iskorištavaju uzorke pronađene u povijesnim i transakcijskim podacima za identifikaciju rizika i poslovnih prilika. Uočavaju odnose među mnogim čimbenicima kako bi se time omogućila procjena rizika ili potencijal povezan s određenim skupom uvjeta, pritom olakšavajući donošenje odluka” “Svako rješenje koje podržava identifikaciju smislenih obrazaca i korelacija između varijabli u složenim, strukturiranim i nestrukturiranim, povijesnim i potencijalnim budućim skupovima podataka za potrebe predviđanja budućih događaja i procjenu atraktivnosti različitih načina djelovanja” Upotreba prediktivne analitike je poput vožnje automobila i promatranja prometa kroz vjetrobran, predviđajući promet te radeći korekcije putanje kako bi se izbjegle prometne gužve i stiglo na cilj brže i sigurnije Usporedba analitike i prediktivne analitike Analitika razumijevanje postojećih podataka (retrospektiva) prvi korak prema prediktivnoj analitici cilj - razumijevanja trendova kroz usporedbu Prediktivna analitika napredna analitika koja „misli unaprijed” stjecanje uvida iz matematičkog modeliranja poboljšavanje razumijevanja, interpretiranja i prosuđivanja rezultata kvalitetnije donošenja odluka Usporedba analitike i prediktivne analitike Atribut Analitika Prediktivna analitika Svrha Razumijevanje prošlosti Proučavanje trendova Poticaj za diskusiju Stjecanje uvida Donošenje odluka Poduzimanje akcije Pogled Povijesni i trenutni Orijentiran budućnosti Tip metrike Zaostajući indikatori Vodeći indikatori Upotrijebljeni podaci Sirovi i kompajlirani Informacije Tip podataka Strukturirani Strukturirani i nestrukturirani Korisnici Srednji i viši menadžment Analitičari, krajnji korisnici C razina i viši menadžment, stratezi, analitičari, menadžeri Koristi Dobivanje i razumijevanje podataka Poboljšavanje produktivnosti Dobivanje informacija i uvida Poboljšavanje procesa Kvalitetnije odlučivanje Razvoj analitike Sofisticiranost opterećenja / Vrijednost Poduzimanje akcije! Kako možemo napraviti da se dogodi? Faza V Aktivacija Što će se dogoditi? Faza IV Operacionalizacija Zašto se dogodilo? Faza III Predikcija Faza II Analiza Što se dogodilo? Faza I Izvještavanje Predefinirani batch i upiti Izvor: Gartner Ad-hoc upiti, dashboard, scorecard Analitičko modeliranje, prediktivna analitika Kontinuirano poboljšanje i vremenski osjetljivi upiti Automatsko odlučivanje / realtime prediktivna analitika Skalabilnost/ Zrelost analitike Vrijednost Biti proaktivan: Više kompleksnosti => više vrijednosti Zrelost analitike + Big data eksplozija + alati Kako možemo napraviti da se dogodi? Što će se dogoditi? Zašto se dogodilo? Što se dogodilo? Deskriptivna analitika Prediktivna analitika Dijagnostička analitika cija a rm vid o u f i In dn a n N ak Izvor: Gartner Preskriptivna analitika za imi cija t Op nje a đ dvi e r P d Uvi Kompleksnost Što sve koristimo u prediktivnoj analitici? Prediktivna analitika - prednosti Poboljšavanje poslovnih procesa Automatiziranje i optimizacija direktnog odlučivanja Kvalitetnije i brže donošenje odluka Realizacija poslovnih ciljeva Bolje upravljaju trenutnim izazovima Povećavanje vjerojatnosti budućeg uspješnog poslovanja Gartnerov Hype Cycle za nadolazeće tehnologije - 2013 Izvor: Gartner Upotreba prediktivne analitike Upotreba prediktivne analitike Prediktivna analitika poboljšava brojne osiguravateljne procese Pribava Marketing Automatizirana pribava / selekcija rizika Optimizacije kampanje Proces definiranja cijene police Segmentacija osiguranika Aktivno upravljanje portfeljom rizika 1:1 marketing Automatizirana preporuka popusta/bonusa Tržišna analiza novog proizvoda Automatski proces obnove Prediktivni marketing Detekcije prevare u procesu pribave Inteligenti cross sell Upravljanje apetitom za rizik Optimiziranje ponuda dostavljenih pribavi Automatski nadzor policirane premije Štete Prodaja & Usluge Detekcija prevare Optimizacija terenske prodaje Brzo praćenje šteta Modeliranje i optimizacija provizioniranja Automatsko dodjeljivanje šteta (kompetencije) Cross-sell, up-sell, optimizacija ponuda Ubrzano otkrivanje ozbiljnih šteta Inteligentno usmjeravanje poziva Predviđanje kompleksnosti Inteligentno preporučivanje Optimizacija procesa obrade štete Ponude za osiguranike Predviđanje pričuva Optimizacija povratnih informacija Povećanje učinkovitosti agenta /brokera Upotreba prediktivne analitike u osiguranju 100% 4% 90% 13% 80% 9% 70% 39% 21% Rijetko 60% Povremeno 50% 12% 40% 32% Često 17% 14% 18% 30% 20% 14% 11% 42% 18% 14% 9% 7% 9% 20% 10% 9% 0% Cijena/procjena Izvor: Ventana Research Pribava Marketing Štete Pričuve Uvijek Upotreba prediktivne analitike u osiguranju Po poslovnim područjima 49% 49% Privatno vozilo 49% Kućevlasnici 37% 37% Službeno vozilo Buduće 32% Trenutno 37% Komercijalno vlasnIštvo 30% 24% 25% Poslovni vlasnici polica 0% 5% 10% 15% 20% Izvor: Ventana Research 25% 30% 35% 40% 45% 50% Koristi od prediktivne analitike Izvor: Ventana Research Koristi od analitike Sklonost Sklonost primjeni primjeni Intuicije Analitike Top izvođači primjenjuju Analitiku pet puta više nego slabiji izvođači 22,1 Financijski menadžment i budžetiranje Operacije i produkcija Strategija i razvoj poslovanja Prodaja i marketing Općeniti prosjek Istraživanje i razvoj proizvoda Korisnički servisi Top izvođači Upravljanje rizikom Slabiji izvođači Upravljanje iskustvima korisnika Upravljanje brendom i tržištem Planiranje i alokacija radne snage Opće upravljanje 0 Izvor: MIT Sloan Management Review 2 4 6 8 10 Prepreke korištenja prediktivne analitike Nedostatak know-how i tehničke stručnosti 21% Troškovi 21% 16% Kultura 15% Upravljanje promjenama koje se pojavljuju 7% Nemaju prepreka 6% Modeli ne rade dobar prediktivan posao 3% Regulatorna odobrenja 0% Izvor: Ventana Research 5% 10% 15% 20% 25% Životni ciklus prediktivne analitike POSLOVNI ANALITIČAR MENADŽER Stručnjak u području Donositelj odluka Ocjenjuje procese i ROI OCJENA/ NADZOR REZULTATA IDENTIFIKACIJA/ FORMULACIJA PROBLEMA PRIPREMA PODATAKA RAZVOJ MODELA IT SISTEM / MENADŽMENT Validacija modela Razvoj modela Nadgledanje modela Pripremanje podataka Izvor: SaS Istraživanje podataka Vizualizacija podataka Kreiranje izvještaja ISTRAŽIVANJE PODATAKA VALIDACIJA MODELA TRANSFORMIRANJE & SELEKCIJA IZGRADNJA MODELA RUDAR PODATAKA/ STATISTIČAR Istraživačka analiza Deskriptivna segmentacija Prediktivno modeliranje Proces uvođenja prediktivne analitike CRISP-DM model Razumijevanje poslovanja Razumijevanje podataka Priprema podataka Podaci Razvoj Modeliranje “Puštanje rudarenja podataka u rad” Izvor: www.crisp-dm.org Ocjenjivanje Data monetizacija Prilike data monetizacije Big Data može ojačati ključne poslovne organizacijske inicijative i podržati nove prilike data monetizacije Big Data voditelji 1 2 3 Strukturirani podaci: detaljniji transakcijski podaci (npr. POS, CDR, RFID, kreditne kartice) Nestrukturirani podaci: razni interni (email komentari kupaca) i eksterni (social media, mobilni) podaci Strojno generirani podaci: očitavanja i logovi sa senzora, sprava za mjerenje, povezanih vozila, pametnih uređaja, itd. Utjecaji na monetizaciju podataka Omogućuje veću zrnatost, detaljnije odlučivanje (lokalizacija, sezone, multimenzionalnost) Omogućuje potpunije odlučivanje (nove metrike, dimenzije i dimenzionalni atributi) Omogućuje nove, vremenski operativno odlučivanje (prediktivno održavanje, mrežna optimizacija) 4 Brzina podataka: niska latencija (Real time) pristupu podataka Omogućuje frekventnije, vremenski uvjetovano odlučivanje (sat u odnosu na tjedan, ažuriranje analitičkog modela na zahtjev) 5 Prediktivna analitika: uzročnost, predskazivači, instrumentacija, eksperimantacija Akcijsko, prediktivno odlučivanje (optimizacija, preporuka, predviđanje, bodovanje, prognoza) Primjer bodovanja u programu šteta Model strojnog učenja Tekst za obuku, dokumenti, fotografije, itd. Labele Novi tekst, dokument, fotografija, itd. Vektori značajki Algoritam strojnog učenja Prediktivni model Očekivane labele Hvala na pažnji!
© Copyright 2024 Paperzz