Data science biedt kansen aan de zakelijke verzekeringsmarkt
Data science en artificial intelligence (AI) nemen in het particuliere domein een vlucht binnen de Nederlandse verzekeringsmarkt. Op basis van een ronde die IG&H heeft gemaakt langs zes Nederlandse verzekeraars leren we dat er flink wordt geïnvesteerd in mensen en middelen. Maar aan de zakelijke kant is het opvallend stil. Werkt het daar niet? Is het te ingewikkeld?
De afgelopen jaren is data science echt uit de startblokken gekomen in de verzekeringsmarkt. Met name aan de voorkant, met toepassingen in commercial pricing, het bepalen van next-best-actions en het personaliseren van de online user experience.
Er is geïnvesteerd om de data op orde te brengen, deze te ontsluiten, cases te definiëren, te testen en op te schalen. En er is vooral veel geleerd en geëxperimenteerd: hoe kom je tot de juiste (lees: schaalbare) user cases? Wat werkt wel, wat niet, hoe trekken we talent aan, hoe organiseren we ons voor succes?
De focus lag hierbij sterk op het particuliere domein en niet op de zakelijke markt. Daar zijn ook wel verklaringen voor: er zijn in de particuliere markt grote aantallen klanten en interacties, de data zijn beter op orde te krijgen en er zijn meer directe kanalen.
Om te starten lijkt dit dan ook een logische keuze. Maar daarmee is onbedoeld wel een grote onbalans ontstaan. Een rondgang langs de grote allround verzekeraars in Nederland leert dat gemiddeld 70% tot 80% van alle data science inspanningen worden besteed in het particuliere domein en daarbinnen ook nog heel sterk op schade.
Als we kijken waar het volume en rendement zich bevinden is dat regelmatig een spiegelbeeld: 60% tot 65% van het volume en 80% van het rendement komt juist uit de zakelijke hoek.
Dogma’s om te doorbreken
Verzekeraars en adviseurs zien deze onbalans meer en meer, maar dit leidt nog niet tot een grote verschuiving. Hiervoor moeten eerst een aantal dogma’s worden doorbroken. De vijf belangrijkste belemmeringen:
Zakelijk verzekeren is people business. Data zijn ondergeschikt.
“Niemand kent de klant of de adviseur beter dan onze gedreven accountmanagers.”
Inschatten en beoordelen is het domein van specialisten.
“Ervaring en intuïtie kunnen niet in AI-modellen worden gevat.”
Geen Data Science mogelijk zolang de data niet op orde zijn.
“Big Data en AI hebben (schone) datasets van minimaal tienduizenden observaties en honderden variabelen nodig. Die hebben we niet binnen zakelijk.”
Geen schaalbare use cases.
“Onze diversiteit van klanten en producten is te groot.”
AI is een black box.
“De computer zegt nee, krijg ik niet uitgelegd aan mijn klanten of de Risk & Compliance afdeling.”
In de praktijk lijken toch veel menselijke inschattingen en beoordelingen met data science technieken versterkt of vervangen te kunnen worden. Ook de meer tactische of strategische beslissingen, zoals differentiatie in bediening en portfolio-sturing, lijken beter te worden van een data gedreven en door modellen geïnformeerde aanpak.
Data science methodieken en werkwijze hebben ook niet stilgestaan en kunnen ondanks een mindere databeschikbaarheid, of lagere volumes, vaak toch succesvol zijn. Bovendien is het een mythe dat AI-modellen per definitie een black box zijn. De werking en de uitkomsten van veel verschillende algoritmes zijn transparant en begrijpelijk te maken.
Een voorbeeld van hoe het kan werken in de praktijk. Een marktleider in zakelijke kredietverschaffing wilde het kredietproces meer efficiënt, wendbaar en consistent maken. Ook zag deze partij de noodzaak om klaar te zijn voor de strijd met nieuwe fintech concurrenten. Met gebruikmaking van AI is er een beslismodel geïmplementeerd dat handmatige specialistbeoordelingen in het risk review proces met meer dan 80% heeft gereduceerd. Het model heeft geleerd van voorbeelden van experts om in te schatten of een handmatige risk review nodig is. Bij een lage score wordt de case nu niet langer door specialisten beoordeeld.
Door middel van pragmatische workarounds bleek het gebrek aan databeschikbaarheid overkomelijk. Bovendien kunnen specialisten en managers nu met een interactief dashboard alle inzichten en overzichten oproepen die ze nodig hebben. Dit model alleen speelt al 6 fte’s aan specialistische capaciteit vrij die op new business en op de klanten met de meest complexe risico’s kan worden ingezet. De terugverdientijd van dit allereerste project is twee jaar.
Tijd voor een omwenteling
Het lijkt dus tijd voor een radicale omwenteling en opschaling van de inspanningen op data science in de zakelijke markt. De resultaten zijn positief en data science kan ook in het zakelijk domein een belangrijke rol in de concurrentiestrijd spelen. Hier valt nog serieus veel te winnen en de kruisbestuiving met geleerde lessen uit het particulier domein zullen partijen helpen om snel meters te maken in de komende jaren.
Een artikel van Mando Rotman, Manager bij IG&H, en Jan-Pieter van der Helm, Director bij IG&H.
