At kaste sig ud i Machine Learning kan synes en overvældende opgave, hvis data er ufuldstændige, investeringsafkastet forventes med det samme og forretningsetik ikke er til diskussion. Tidlige eksperimenter og en langsigtet strategi kan dog bidrage til konkurrencefordele og hjælpe beslutningstagere med at omdanne data til forretningskritiske løsninger.
I denne artikel vil du lære om følgende:
- Hvorfor langsigtet succes med Machine Learning kræver tidlige og målrettede eksperimenter.
- Hvordan nye teknologier giver bedre data som grundlag for beslutninger.
- Hvordan Machine Learning adskiller sig fra nuværende forsikringsberegningsmodeller.
- Hvordan du kommer du i gang og høster frugten af dine data.
Her er et eksempel til at illustrere min pointe:
Ifølge en rapport fra Teradata gør 80% af virksomhederne, der investerer i Marchine Learning eller forskellige grene af AI, det for at forbedre kundeoplevelsen, minimere omkostninger eller styre risici. For forsikringsselskaber bidrager to grundlæggende drivere ved vedtagelsen af ny teknologi:
Ofte betyder introduktionen af Machine Learning en stigning i omkostninger, en åbenbar mangel på resultater og masser af frustrationer. At indstille forventningerne rigtigt fra starten er afgørende for senere succes.
Langsigtet succes kræver tidlig Machine Learning
Som oftest vil brugen af Machine Learning ikke give øjeblikkelige afkast. Faktisk er tidlig implementering af Machine Learning forbundet med en stigning i omkostningerne og kræver en langsigtet strategi for at gøre dem til fortjeneste. Dette skyldes kravene til datakvalitet og teknologiens udforskende natur.
“Ifølge en BCG-analyse oplever mere end halvdelen af de virksomheder, der investerer i Machine Learning, ikke return of investment.”
– Tobias Lund-Eskerod, Delivery Director, Monstarlab
“Hvis data ikke er repræsentative, har dine modeller slået fejl. I de tidlige stadier finder du ofte ufuldstændige datasæt, som enten skal være komplette, eller det problem, du prøver at løse, skal ændres” siger “
– Tobias Lund-Eskerod, Delivery Director hos Monstarlab og fortsætter:
”Når teknologien anvendes, vil uventede fund meget sandsynligt vise sig. Disse fund kan have stor indflydelse på det tildelte budget til projektet, hvilket gør det vanskeligt at overbevise alle om dets potentiale. ”
Men håndtering af de økonomiske omkostninger ved Machine Learning synes at være lige så vigtig som den potentielle fortjeneste, når man spørger it-beslutningstagere. Ifølge Teradata forventer virksomheder, der har vedtaget Machine Learning teknologien, et betydeligt investeringsafkast i fremtiden:
Forventet investeringsafkast for hver dollar, der investeres i AI-teknologier
Da ledere forventer en tredobling af ROI på 10 år, er behovet for en langsigtet strategi med kontinuerlige investeringer, flere tests og evalueringer afgørende. Alligevel har erhvervsledere svært ved at forpligte sig fuldt ud til teknologien på grund af den succesrige forretningsmodel inden for forsikring med høje margener og stabilitet i årtier. Demystificering af Machine Learning er afgørende for tidligere og mere omfattende adoption.
Styrk beslutningstagerne ved hjælp af gennemsigtighed
Uddannelse af forudsigelige modeller til at behandle manuelle opgaver og finde mønstre i strukturerede, semistrukturerede og ustrukturerede datasæt for at skabe bedre forretningsbeslutninger er betagende for alle forsikringsselskaber. Men virkeligheden er, at selvom de har masser af kundedata, er nogle forsigtige med det potentielle resultat, når de anvender Machine Learning teknologi.
”Selve kernen i et forsikringsselskab er at vurdere risici baseret på personlige oplysninger og oprette matchende politikker. Og fordi vi alle er individer, rummer Machine Learning potentialet i at behandle os alle forskelligt fra hinanden, hvilket åbner op for diskrimination,” siger Tobias Lund-Eskerod.
En vigtig del af ethvert forsikringsselskab er at opdele hele deres kundebase i mindre grupper. Machine Learning rummer imidlertid potentialet til at nedbryde i så små grupper, at individer kan vurderes ud fra uhensigtsmæssige kriterier såsom race, køn, seksuel orientering osv.
Men selv med denne integrerede risiko er teknologien stadig baseret på data og matematiske metoder, siger Tobias Lund-Eskerod. Data, som forsikringsselskaberne vælger, renser og forbedrer, samt matematiske metoder som regression, klassificering og klyngedannelse. Hvordan forsikringsselskaber beslutter at fortolke resultatet, er helt op til virksomhedslederne. Teknologien i sig selv har ikke magten til at diskriminere, stille spørgsmål eller løse problemer. Den har dog potentialet til at minimere omkostninger, øge overskuddet og især udføre en mere præcis beregning af Customer Life Value med minimal menneskelig indgriben og vejledning.
Anvendelse af Machine Learning forbedrer Customer Life Value-beregninger
Machine learning er kun så god som de anvendte data. Men da visse forsikringsselskaber ifølge en Accenture-undersøgelse kun bruger 10-15% af deres samlede kundeoplysninger, misser forsikringsselskaberne muligheden for at bruge deres indsigt til at beregne præcise CLV’er for deres kunder, og dermed skabe værdi for både kunden og selskabet.
En almindelig praksis for forsikringsselskaber er at bruge alder, bopæl, eksterne sociodemografiske parametre som input til prisfastsættelse og CLV-bestemmelse. Disse parametre bruges ofte i en GLM eller multiple lineær regressionsmodel, hvor hvert input får en faktor, som har indflydelse på CLV. For eksempel vil en ung kunde i et stille kvarter få en højere forventet CLV end en ung kunde i et kvarter plaget af kriminalitet.
Men forestil dig, at sammenhængen var anderledes. At den unge kunde i det plagede kvarter trods den multiple lineære regressionsmodels indikationer ikke anmelder en forsikringsskade. Ved at bruge Machine Learnings algoritmer, kan vi fodre algoritmen med masser af historiske data om kunder samlet over tid af forsikringsselskabet, statistiske databaser og offentlige organisationer. Præsenteret med alle disse data kan Machine Learnings modeller identificere underliggende mønstre og opdage de parametre, der virkelig betyder noget for beregning af en mere præcis CLV. Det vigtigste parameter for den unge kunde i det urolige kvarter er måske ikke placeringen, men snarere uddannelse, civilstand eller antallet af forsikringspolicer – eller alle disse parametre i kombination.
Kompleksiteten og den store mængde data i anvendelse er mere end de fleste regressionsmodeller kan dække. Det er her nye teknologier som Machine Learning og dyb læring viser sin rette vægt ved at skabe en mere nøjagtig vurdering og forudsigelse af kunderne.
Sådan kommer du i gang med Machine Learning
Selvom forsikringsselskaber har oplevet rentable margener og en bæredygtig forretningsmodel i mange årtier, tror et flertal af forretningsledere, at de skal indarbejde nye teknologier for at forblive relevante for deres kunder.
En almindelig praksis for forsikringsselskaber er at bruge alder, bopæl, eksterne sociodemografiske parametre som input til prisfastsættelse og CLV-bestemmelse. Disse parametre bruges ofte i en GLM eller multiple lineær regressionsmodel, hvor hver input får en faktor, som har indflydelse på CLV. For eksempel svarer en ung kunde i et stille kvarter til en højere forventet CLV end en ung kunde i et kvarter, der statistisk er tilbøjelig til tyveri.
”Ifølge en undersøgelse fra 2018 mener 82% af virksomhedsledere i forsikringssektoren, at de skal være innovative for at opretholde en konkurrencemæssig fordel. Alligevel tilføjer 77% af dem, at teknologien udvikler sig hurtigere, end hvad deres virksomhed kan tilpasse sig,” siger Tobias Lund-Eskerod.
Med andre ord er det vigtigt at blive fortrolig med Machine Learning nu for at være på forkant i et digitalt landskab i rivende udvikling. Beslutningstagere i forsikringsselskaber kan starte Machine Learning-rejsen ved at stille sig selv disse tre spørgsmål:
