Gian Luigi Chiesa is data scientist bij FRISS en ziet hoe verzekeraars veel data ongebruikt laten in de strijd tegen fraude. Aan de hand van een concreet voorbeeld legt hij uit hoe verzekeringsmaatschappijen met behulp van predictive modeling hun eigen data kunnen aanwenden om risico’s eerder te herkennen en fraude te identificeren.
“De enorme groei van data in de afgelopen jaren… geeft ongekende mogelijkheden om nieuwe en diepere inzichten te vergaren in complexe problemen.
Traditionele methoden zoals business intelligence, eenvoudige statistische modellen en ‘slice en dice’ werden 30 tot 40 jaar geleden ontwikkeld.
Veel verzekeraars gebruiken echter nog uitsluitend deze ouderwetse methoden, waarmee het niet mogelijk is om diepe vragen in je data te beantwoorden.
Machine learning voor verzekeraars
Een hoop moderne hulpmiddelen zijn tegenwoordig beschikbaar, zoals: machine learning, deep learning en netwerkanalyse. Het gebruik ervan geeft vaak verbluffende uitkomsten.
Een van de krachtigste en meest invloedrijke organisaties in de entertainmentbranche draait al voor een groot deel op zulke methoden. Ik heb het nu over Netflix.
Een paar jaar geleden realiseerde Netflix zich dat het een probleem moest oplossen waarbij een gebruiker verdwaalde in de gigantische hoeveelheid beschikbare content.
Om hiermee om te gaan bouwde Netflix enorme netwerken die gebruikers automatisch koppelden aan shows. De kracht van deze methodologie spreekt voor zich.
Het bedrijf schat dat ongeveer 75% van alle kijkersactiviteit voortvloeit uit deze aanbevelingen. Maar wat betekent dit voor de verzekeringswereld?
Wel, mensen zijn op een natuurlijke wijze verbonden via hun claims. En zoals Netflix gebruikers en shows koppelt, kunnen wij verzekerden en claims met elkaar verbinden.
Netwerkanalyse
We kunnen daarbij onderwerpen definiëren… zoals personen, bedrijven en aliassen, of objecten… zoals voertuigen, adressen en locaties, of zelfs gebeurtenissen… zoals het indienen van een claim, een ongeluk hebben, een polis aanvragen.
Het is een logische stap om een netwerk te bouwen gebaseerd op deze relaties.
En in zulke netwerken kunnen we op zoek gaan naar interessante patronen. Waar het netwerk van Netflix een gebruiker kan aanwijzen als potentiële Fight Club-fan, kan ons netwerk iemand aanwijzen als potentiële fraudeur.
Deze voorspellende profielen kunnen de waarde van je portfolio aanzienlijk verhogen. Door deze methoden bijvoorbeeld al tijdens een polisaanvraag toe te passen kan je bepalen hoe je omgaat met mensen op basis van hun voorspelde gedrag.
100% Straight-Through-Processing
In de toekomst kan de ontwikkeling van deze middelen leiden tot eerlijkere verzekeringen, met minder ruimte voor fraude en wellicht zelfs 100% Straight-Through-Processing van claims en polisaanvragen.
Als je dergelijke technieken omarmt zal je niet teleurgesteld worden.”
