Nieuws

Wat kan Experience Data betekenen voor een verzekeringsmaatschappij?

Verzekeringen zorgen ervoor dat inwoners letterlijk een bepaalde mate van zekerheid voelen, over bijvoorbeeld hun gezondheid, hun auto of hun huis. In Nederland werken volgens het CBS zo’n 60.000 mensen in deze verzekeringssector. En daarbij komt: ze hebben enorm veel data. Van al hun klanten hebben ze gegevens over bijvoorbeeld hun woonsituatie, maar ook over de berekende premies van de afgelopen jaren en de eventuele claims die zijn ingediend. Daarbij komt dan nog de informatie over het product waarover de verzekering gaat, de gegevens over de auto, het huis, het huisdier of de medische geschiedenis. Je kunt je voorstellen dat door al deze data de mogelijkheden voor data scientists oneindig zijn.

Verzekeringen zijn vaak grote organisaties en bij grote organisaties kan een verandering van koers dan lastig zijn. Zeker wanneer deze verandering richting data-gedreven werken gaat. Want ook al verzamel je als verzekeraar zoveel data, weet je dan ook het antwoord op de vraag: wat is kunstmatige intelligentie? En hoe kun je die kunstmatige intelligentie toepassen in het dagelijkse leven van een verzekeraar? Wij bij Experience Data hebben eens een lijstje gemaakt met vraagstukken die wij over de jaren heen beantwoord hebben voor verschillende verzekeringsklanten. En dat allemaal door het gebruik van machine learning modellen, big data visualisaties en de nieuwste ontwikkelingen binnen data science. Hieronder lees je deze vragen.

  • Hoe kunnen wij klanten en business partners beter bedienen door inzicht te krijgen in de polis- en schadedata van de verschillende volmachten?
  • Kunnen wij schadelast en fraudezaken voorspellen om onze schadebehandelaar te assisteren en zo het behandelingsproces efficiënter inrichten?
  • Kan een machine learning model ons helpen premies te berekenen waardoor we sneller kunnen inspelen op veranderende marktomstandigheden?
  • Is het mogelijk om op het moment van acceptatie de schadekans, schadehoogte en meest bepalende risicofactoren te voorspellen zodat we acties kunnen ondernemen om risico’s te verlagen?
  • Kunnen wij de mentale gezondheid van zelfstandigen voorspellen om op basis daarvan proactief hulp te verlenen en langdurige arbeidsongeschiktheid te voorkomen?
  • Kunnen jullie ons helpen met het verlagen van de inhuurkosten van experts?
  • Hoe kunnen wij onze bedrijfsdata gebruiken om een beter gedifferentieerde portefeuille op te bouwen?

Een ander voorbeeld is het begrijpen van de informatie door te weten hoe wat wordt aangeduid. Je wilt als data scientist precies weten wat welke variabele betekent en welke verschillende waardes deze kan hebben. Zo kun je ook voorkomen dat je het machine learning model variabelen meegeeft die ethisch niet verantwoord zijn om mee te geven. In sommige taken is bijvoorbeeld etniciteit of geslacht een voorspellende variabele, maar vaak is het ethisch niet verantwoord om deze mee te geven aan het model. Als jij als data scientist niet weet welke kolom het geslacht bevat, dan kun je ook niet aan het model vertellen dat deze kolom niet meegenomen mag worden.

Verzekeraars lopen tegen heel wat drempels aan om deze vragen goed te kunnen beantwoorden. Met de juiste focus en door klein te beginnen, valt er op korte termijn heel veel te winnen. Ben je benieuwd hoe dat gaat? Lees dan eens onze blog over het doorgronden van een proces of over de eerste stappen naar een lerende, data-gedreven organisatie. Ben je niet zo’n lezer en wil je liever een keertje koffiedrinken? Dat kan natuurlijk ook, klik dan hier.

Man die nadenkt over visie op data gedreven werken
Button data gedreven werken voorbeeld in praktijk