Повышение лояльности клиентов страховой компании средствами углубленного анализа данных

Проваленов С.В.
выпускник группы ITM-28
Школы IT-менеджмента
РАНХиГС при Президенте РФ

К настоящему времени компаниями в страховой отрасли собрано огромное количество данных о своих клиентах. Это бесценная информация о поведении клиентов, их деятельности и предпочтениях. 

Одной из главных проблем всех страховых компаний являются убытки, причиненные мошенниками и организованным сговором. В крупных страховых компаниях, сотрудники отделов безопасности анализируют и выявляют постоянно растущее количество мошеннических сделок, что приводит к огромным расходам.

Страховые компании могут снизить уровень мошенничества, отыскивая определенные стереотипы в заявлениях о выплате страхового возмещения, характеризующих взаимоотношения между юристами, врачами и заявителями. Путем выявления сочетаний факторов, связанных с оплаченными заявлениями, страховщики могут уменьшить свои потери по обязательствам.

Несмотря на положительный опыт использования инструментов datamining зарубежными компаниями, в Российских компаниях такая работа с данными не получила пока широкого распространения. Поэтому актуальной видится следующая цель работы: исследование возможностей технологии DataMining в страховых компаниях для повышения оперативности разрешения страховых споров за счет автоматизированного выявления тех страховых случаев, которые могут быть урегулированы в короткие сроки в упрощенном порядке.

В данной работе более подробно рассмотрены: понятие DataMining, отличия от других методов анализа данных, задачи DataMining, методы, технологии, программные средства анализа данных и процесс извлечения знаний из баз данных. А также разобраны на конкретном примере данные страховой компании BNPParibasCardif, имеющей 4 крупных направления бизнеса в России: корпоративные и инвестиционные банковские услуги,услуги операционного лизинга, страхование и потребительское кредитование в точках продаж.Для построения предсказательной модели, используетсямежиндустриальный стандартный протокол глубинного анализа данных.

На примере выборки из договоров страхования выполнены следующие этапы работы:

1. Постановка бизнес-задачи

2. Понимание имеющихся данных

3. Подготовка данных

4. Создание модели

5. Оценивание модели

6. Внедрение модели

В работе использованыследующие методы глубинного анализа даных: наивный Байесовский классификатор и RandomForest.

Согласно результатам эксперимента с помощью глубинного анализа данных и специализированной среды разработки были выявлены закономерности между некоторыми входными параметрами и возможностью рассмотреть страховой случай в упрощенном порядке с определенным процентом точности.

С помощью найденных знаний удалось построить модель для рассмотрения заявок по страховым случаям в ускоренном режиме.

По условию работы после применения модели время рассмотрения страхового случая можно снизить с двух недель до нескольких часов, что означает достижение цели работы.

Рассмотренный пример позволил наглядно продемонстрировать применимость и потенциал методов datamining в страховом бизнесе.

Дипломная работа может быть полезна любой страховой компании, независимо от масштабов ее деятельности.