Η αξιοποίηση των big data στην υπηρεσία του ασφαλιστικού κλάδου

Γράφει ο Σωτήριος Μπερσίμης, αναπληρωτής καθηγητής και πρόεδρος του τμήματος στατιστικής και ασφαλιστικής επιστήμης Πανεπιστημίου Πειραιώς

Σήμερα ο όγκος των δεδομένων, που έχουν στη διάθεσή τους οι εταιρείες του ασφαλιστικού κλάδου, αυξάνεται με ιλιγγιώδεις ρυθμούς εξαιτίας κυρίως, του μετασχηματισμού του τρόπου με τον οποίο επικοινωνούν με τους πελάτες. Ο όγκος των δεδομένων που έχουν στη διάθεσή τους οι επιχειρήσεις τόσο από εσωτερικά πληροφοριακά συστήματα όσο και εξωτερικά κανάλια, όπως τα μέσα κοινωνικής δικτύωσης κ.α., οδήγησε στη δημιουργία γιγάντιων «δεξαμενών» δεδομένων, των Big Data. Η ανάληψη στρατηγικών αποφάσεων με αξιοποίηση δομημένων, αλλά και αδόμητων πηγών δεδομένων, προερχόμενων από παραδοσιακές ή μη πηγές ,σε πραγματικό χρόνο, αποτελεί τη μεγάλη πρόκληση της εποχής μας στον επιχειρηματικό και όχι μόνον τομέα, γιατί προσδίδει τεράστιο συγκριτικό πλεονέκτημα και συμβάλλει στην ανάπτυξη ενός ανταγωνιστικού και καινοτόμου εταιρικού μοντέλου.

Το εξελισσόμενο ανταγωνιστικό επιχειρηματικό περιβάλλον, δημιουργεί διαρκώς νέες προκλήσεις. Οι προκλήσεις αυτές, όπως η αποτελεσματική διαχείριση κινδύνων και η ανίχνευση της απάτης, ο σχεδιασμός εξατομικευμένων ασφαλιστικών προϊόντων, η απόκτηση νέων και η διατήρηση των υπαρχόντων πελατών, η ενίσχυση των πωλήσεων, κ.α. είναι βέλτιστα αντιμετωπίσιμες μόνο εάν οι αποφάσεις στηρίζονται στην εμπεριστατωμένη γνώση που προκύπτει μέσα από την σε βάθος ανάλυση των big data. Η ύπαρξη των Big Data και η αξιοποίησή τους για τη λήψη επιχειρηματικών αποφάσεων είναι δύο διαφορετικά πράγματα. Η αξιοποίηση των διαθέσιμων δεδομένων και η εξαγωγή γνώσης από αυτά, απαιτεί ιδιαίτερη τεχνογνωσία λόγω της πολυπλοκότητας και της ποικιλίας τους, καθώς οι παραδοσιακές μέθοδοι επεξεργασίας και ανάλυσης δεν επαρκούν για την ανάδειξη της εμπεριεχόμενης γνώσης. Για την αξιοποίηση των big data σήμερα απαιτείται εξειδικευμένη τεχνογνωσία στην αναλυτική των δεδομένων (data analytics) και στην στατιστική μηχανική μάθηση (statistical machine learning). Παράλληλα, για την αξιοποίηση των big data απαιτούνται υποδομές, όπως κατάλληλο λογισμικό. Λογισμικό διαχείρισης, επεξεργασίας και ανάλυσης δεδομένων, φιλικό προς τον επιχειρησιακό χρήστη και παράλληλα ευέλικτο στην ενσωμάτωσή του στο ευρύτερο συστημικό περιβάλλον του εκάστοτε οργανισμού. Οι λειτουργίες του ασφαλιστικού κλάδου, όπου η σε βάθος ανάλυση των δεδομένων δημιουργεί συγκριτικό πλεονέκτημα, είναι πάρα πολλές.

Η αξιοποίηση των Big data analytics ως εργαλείο απόκτησης νέων πελατών

Τα περισσότερα ασφαλιστικά προϊόντα είναι τυποποιημένα και δεν διαφέρουν ιδιαίτερα από εταιρεία σε εταιρεία. Διαθέτοντας παρόμοια προϊόντα, είναι πρόκληση για τις εταιρείες του κλάδου να μπορέσουν να αναπτύξουν στρατηγικές προσέλκυσης νέων πελατών με ταυτόχρονη διατήρηση των υπαρχόντων. Η αποτελεσματική διαχείριση της συγκεκριμένης πρόκλησης μπορεί να επιτευχθεί με την αξιοποίηση των big data, με χρήση της αναλυτικής των δεδομένων και της στατιστικής μηχανικής μάθησης, Broker s Time BROKER’S TIME 18 η οποία αποκαλύπτει τα κρίσιμα στοιχεία ενός στρατηγικού σχεδίου στους έμπειρους managers. Δεδομένα από πολλαπλές πηγές, όπως αρχεία των εταιρειών, χαρακτηριστικά πελατών, στοιχεία από έρευνες, δεδομένα από κοινωνικά δίκτυα, δεδομένα σε χαρτί, εικόνες, κ.α. αναλύονται συνδυαστικά και δημιουργούν προφίλ πελατών και μοντέλα συμπεριφορών. Τα παραγόμενα μοντέλα μετασχηματίζουν τα δεδομένα σε γνώση, συμβάλλοντας στην ανάπτυξη στρατηγικών, δημιουργώντας τις προϋποθέσεις για την βέλτιστη τοποθέτηση των διαθέσιμων πόρων, συμβάλλοντας στη μεγιστοποίηση του ROI, στην ανάπτυξη βέλτιστων πρακτικών marketing, κ.α. Τα αναφερόμενα δεν αποτελούν «θεωρητική» άποψη, αφού στοιχειοθετούνται, μεταξύ των άλλων, από δημοσιευμένη μελέτη της McKinsey, από την οποία προκύπτει ότι οι επιχειρήσεις που λαμβάνουν αποφάσεις βασιζόμενες στην εντατική αξιοποίηση των δεδομένων πελατών είναι: 23 φορές πιο πιθανό να αποκτήσουν πελάτες, 6 φορές πιο πιθανό να διατηρήσουν τους πελάτες τους, 19 φορές πιο πιθανό να είναι επικερδείς σε σχέση με τους ανταγωνιστές τους, που δεν χρησιμοποιούν αντίστοιχα εργαλεία.

Η αξιοποίηση των Big data analytics ως εργαλείο για το σχεδιασμό προϊόντων και υπηρεσιών

Σήμερα περισσότερο από ποτέ τα προϊόντα και οι υπηρεσίες χρειάζεται να είναι σχεδιασμένα, έτσι ώστε να ανταποκρίνονται στις απαιτήσεις των πελατών και να τους ικανοποιούν. Η χρήση της αναλυτικής των δεδομένων και της μηχανικής μάθησης εντοπίζει μοτίβα συμπεριφορών, στοιχεία ικανοποίησης ή δυσαρέσκειας από τη χρήση υπηρεσιών, προτεραιοποιεί τις ανάγκες και τις προσδοκίες, ενώ δημιουργεί μοντέλα συμπεριφορών σε συνάρτηση με το προφίλ των πελατών. Με αυτόν τον τρόπο η γνώση που αναδύεται βοηθά τα στελέχη, που ασχολούνται με το σχεδιασμό προϊόντων και υπηρεσιών, να δημιουργούν και να βελτιώνουν ή να τροποποιούν προϊόντα και υπηρεσίες, για να είναι πιο κοντά στις προσδοκίες του πελάτη. Επιπλέον, η γνώση αυτή βοηθά στην καλύτερη τμηματοποίηση της αγοράς και στο σχεδιασμό εξειδικευμένων προϊόντων ή ακόμη και στην ανίχνευση μελλοντικών τάσεων της ζήτησης προϊόντων και υπηρεσιών.

Big data analytics – ένας πυλώνας καινοτομίας και ανάπτυξης

Επιπλέον, η αξιοποίηση των Big data analytics, δημιουργεί καινοτομία και συγκριτικό πλεονέκτημα σε όλο το φάσμα των λειτουργιών του ασφαλιστικού κλάδου, όπως είναι το underwriting, η ανάπτυξη δυνατότητας δυναμικής τιμολόγησης (dynamic pricing), η βελτιστοποίηση της διαδικασίας διαχείρισης απαιτήσεων (claims management), η μέτρηση της αξίας των πελατών (customer value management), ο εντοπισμός και η αποτροπή της ασφαλιστικής απάτης και σπατάλης (fraud detection), κ.ά. Διεθνείς ασφαλιστικοί κολοσσοί έχουν αντιληφθεί την αξία των Big Data, έχουν διερευνήσει τους τρόπους βέλτιστης αξιοποίησής τους και έχουν προχωρήσει στην εφαρμογή αυτών. Στη χώρα μας οι λύσεις που έχουν αναπτυχθεί βρίσκονται ακόμη σε πρώιμο στάδιο και συνεπώς υπάρχει πολύς χώρος για καινοτομία στο άμεσο και απώτερο μέλλον.

Πηγή: brokers time

Share on facebook
Share on twitter
Share on linkedin
Share on email
Share on print

Ετικέτες

[adrotate banner="18"]
[adrotate banner="5"]
[adrotate banner="6"]

Πρόσφατα Άρθρα

Follow Us

[et_bloom_inline optin_id="optin_3"]