Sigortada veri madenciliği dönemi

Sigorta şirketlerinin de dahil olduğu çoğu şirket ellerindeki verinin analizi tamamen yapılmadan gerçekleştiremeyecekleri iş modelleri izliyorlar. Buna ek olarak, dış kaynaklı veriler, şirketlerin sahip olduğu verilerin milyonlarca katı büyüklüğünde. Sosyal medya ve video altı yorumları gibi kaynaklardan gelen bu veriler genel olarak yapılandırılmamış bir biçimde duruyor. Zorlu görev, bu veri yığınını ayıklayıp, yapılandırarak kullanılabilir hale getirmek. Bu ‘görüntü/video madenciliği’ ve ‘içerik analitikleri’ -linguistik arama yaparak internet forumları, sosyal medya platformları ve şirketlerin kendi veritabanları arasında empirik bağlatıları tespit eden bir metot- gibi yöntemler kullanılarak gerçekleştiriliyor. Müşteri ihtiyaçları bu şekilde öğrenilebiliyor. Sonuçlar da hedeflenmiş satış ve hizmet faaliyetlerinde kullanılabiliyor.

GELECEĞİN ANAHTARI: ANALİZ
Big Data ancak verinin analiz edilmesi ve çeşitli kaynakların birleştirilmesi sonucunda fayda sağlayabiliyor. Şu an verilerin ancak küçük bir kısmı kullanılabilse de bazı sektörlerde büyük başarılar sağlanmış durumda:  posta sektöründe gönderme verileri analizi sonucunda -bu da haftada 300 milyon veri kaydına denk geliyor- envanter yönetimi optimize edilerek milyonlarca dolar tasarruf ediliyor. Bankalar ve kredi kartı şirketleri de suçlu davranışlarını izleyerek düzmece işlemleri tespit ediyor ve müşterilerine fayda sağlıyorlar. Kitap ya da benzeri ürünlerin önerileri konusunda verinin şeffaflığı müşteriler tarafından hoş karşılansa da bilgilerinin kullanılması konusunda müşteriler daha mesafeli duruyor. ABD’de neredeyse tüm Facebook profillerinde açık bilgiler bulunsa da Almanya’da bu seviye yüzde 50’lerde.
Kişisel bilgilerin kullanılması konusundaki görüşler ülkeden ülkeye değişiyor ve tüm dünyada potansiyel analizler için yasal çerçevelerin hazırlanması tartışılıyor. Müşterilerin nasıl ya da ne boyutta hazır olduklarını iPhone sağlık takibi gibi sistemler geliştikçe göreceğiz.

VERİYİ OKUMAK İÇİN İŞ ANALİTİĞİ
Bu muazzam miktardaki veri yığını bir şirkete ancak doğru şekilde analiz edildiği ve bu bilgiden hareketle doğru aksiyonlar alındığı takdirde değer yaratır. Burada hedef, daha önceden bilinmeyen davranış kalıplarını fark edip, poliçe sahiplerini daha küçük ve homojen gruplara ayırarak riskleri ek verilerin de yardımıyla daha isabetli bir şekilde değerlendirmektir. Veri analizindeki ilerlemeler aynı zamanda çok daha büyük verilerin analiz edilmesini sağlayacak ve daha önceden sigortalanamayacağı düşünülen riskleri de sigortalanabilir hale getirecek ve yeni iş kolları yaratacaktır. Analitiklerin potansiyel kullanım alanları gerçekten de çok fazla.
Gerekli bilgiler dev veri yığınlarından ancak iş analitiklerinin yardımı ile filtrelenebildiği için modern veri analiz metotları büyük önem arz ediyor. Bu yeni istatistiki modeller veri boyutlarını azaltarak, yeni parametrelerin yüzlerce parça bilgiyi kullanarak oluşturulmasını sağlıyor. Bunun dışında, gerçekleşen olaylar üzerinde modern metotlar ya da nöral ağlar kullanılarak bu olayların ileride yaşanma olasılığı hesaplanabiliyor. ‘Öngörücü modellemeler’ ve ‘öngörücü analitikler’ kullanılarak elde edilen öngörüler sayesinde belirli süreçlerde gerçek zamanlı fırsatlar yaratılabiliyor. Bu da daha sonra en iyi satış kanalının tahmini ve yeni üründen gelecek kârın hesaplanması ile müşteriler için en doğru ürünler oluşturulmasını sağlıyor. Optimum prosedürler müşteri bazında hesaplanıyor.
Yeni analitik modellerinin kullanılması belli bir know-how gerektiriyor. Ancak gerekli istatistik becerilerine sahip çalışan sayısı hem az hem de uzmanlara talep çok yüksek. Dünyada bu konuda eğitim veren üniversitelerin sayısının artması ile uzman açığının kapanması bekleniyor.

YANGIN VE KAZA SİGORTASINDA BIG DATA’NIN YERİ
Yangın ve kaza sigortasında Big Data’nın web bazlı tedarik zinciri analizlerinin de dahil olduğu pek çok kullanımı bulunuyor. Örnek olarak, tarım üretim modellemesi yapılırken ülkenin jeoreferans bölgelerine özel bilgiler hava ve uydu verileriyle birleştirilerek zirai bilgi bazlı risk senaryoları oluşturuluyor. Gelecekte müşterilerin kişisel sürüş stillerinin de yeni oto sigortası poliçelerinde büyük etkisi olması bekleniyor.
İstatistiksel metotların küresel veri akışını sistematik olarak izlemesi aynı zamanda potansiyel kayıpların zamanında fark edilmesini de sağlayabilir. Bu bilgi şirketin kendi portfolyosu ile karşılaştırılıp, erken uyarı sistemi oluşturularak, olaylar meydana gelmeden kayıpların azaltılması için erken çalışmalar yapılabilir.

SAĞLIK SİGORTASINDA BIG DATA’NIN YERİ
Big Data pek çok iş kolunda uzun bir süredir kilit bir rol oynuyor. Satışlar ve pazar tedbirleri optimize edilirken, dışarıdaki veriler şirketin müşteri ilişkileri yönetimi veritabanı ile eşleştiriliyor. İleri istatistiksel modellerin kullanımı ile yeni müşteriler kazanmak ve prim erozyonu ile baş etmek için yeni satış kampanyaları yaratılıyor. Örneklerin de gösterdiği gibi hasar yönetimi, sağlık hizmetleri yönetimi, risk hesaplaması, ürün geliştirme ve süreç optimizasyonu konusunda pek çok kullanım alanı bulunuyor.

Hasar yönetimi: Sahtekârlık ve kötüye kullanımı saptamak
Uzun süredir otomatik işlemlerin ve sahtekârlık olaylarının saptanmasının finansal riskleri ve fırsatları tartışılıyor. Karar-bazlı tıbbi değerlendirme sistemlerinin gelişimi, gerçek zamanlı ve otomatik olarak tazminat işlemlerinin gerçekleştirilmesini sağlayarak değerlendirme maliyetini azaltacaktır. Ancak karar-bazlı sistemler yüksek seviyede bakım gerektirmekle birlikte yüksek miktarda verinin  ancak küçük bir bölümünün sistematik davranışlarını algılayabilmektedir.
2011 yılında Munich Re karar-bazlı işlemlerin analitik prosedürlerle güçlendirilerek tıbbi sigorta alanlarında kullanılması için çalışmalara başladı. Geliştirilen sisteme göre her tazminat isteğine sahtekarlık ve kötüye kullanma yüzdesi (skoru) atanıyor. Skora göre eğer tazminat isteğinin detaylı araştırılması gerekiyorsa talep daha yakından incelenmesi için sahtekarlık departmanına bildiriliyor. Bunun gibi modeller oto sigortalarında da kullanılıyor.

Hastalık yönetim programları:
Hasta seçimini iyileştirmek ve başarıyı değerlendirmek
Diyabet, sırt ağrısı, kronik kalp yetmezliği gibi hastalıklar için özel olarak hazırlanan sağlık hizmeti ve hastalık yönetim programları (DMPler) sayısı her geçen gün artıyor. DMPler’in hedefi hastaların gerekli görülen ve kaliteli hizmet almasını sağlamak ve  sigorta şirketlerinin masraflarını azaltmak. Aynı zamanda, iş analitikleri sayesinde gerçek zamanlı ağırlık ve kan basıncı gibi veriler değerlendirilerek hastalar doğru sağlık programlarına yönlendiriliyor. Bu da ekonomik etkilerin beyaz gürültü olamadan saptanabilmesine imkan tanıyor.

Ürün geliştirme: Big Data ile kütlesel kişiselleştirme
Ürün geliştirme süreçlerinde de harici ve dahili verilerin kullanımı özelleştirilmiş ürünlerin yaratılmasında önemli bir rol oynuyor. Sosyal medyanın içerik analitikleri ile doğru bir şekilde kullanımı -yapılandırılmamış yazıların analizi ve çekirdek verinin filtrelenmesi- sigorta şirketlerinin tüketici tercihleri hakkında olan bilgisini artırıyor. Hiçbir maliyeti olmayan bu veriler istatistik benzerlik kurallarının oluşmasını sağlıyor. Poliçe sahipleri homojen gruplara bölünüyor. Sonrasında ise her grup için tercih edilen sigorta ürünleri ve satış kanalları belirlenerek mükemmel tekliflerin yolu açılıyor.

Süreç optimizasyonu: İyileştirilmiş tazminat talepleri ve yeni iş süreçleri
İş analitikleri underwriting ve hasar yönetiminde optimizasyon fırsatı sunuyor. Geçmiş dönemde niteliksel olarak kullanılan Six Sigma gibi teknikler aynı zamanda daha karışık istatistiki modelleme teknikleriyle iş süreçlerine niceliksel olarak katkıda bulunabiliyor. Underwriting ve hasar yönetimi süreçleri yüksek miktarda işgücü istediği için, iş analitikleri özellikle bu alanlarda büyük kazanımlar sağlayabiliyor.

İş analitikleri: Veri-koruması şikayetleri ve ayrımcılık
İstatistiki prosedürler büyük veri yığınlarının otomatik olarak filtrelenmesini ve değerlendirilmesini sağlıyor. Bunlar yapılırken ise veri koruma yasaları göz önünde bulunduruluyor ve gruplar arasında ayrımcılık yapılmıyor. Özellikle kredi dağıtımı konusunda ayrımcılık olmaması skor bazlı sistemler için düzenlenen yönetmeklikler hükümetler tarafından tekrar gözden geçiriliyor.

Sonuç:
Veri seviyesindeki muazzam artış sigorta şirketleri için büyük bir rekabet avantajı oluşturabilir.  Fiyatlandırma, underwriting, hasar yönetimi ve müşteri hizmetleri gibi süreçlerin hepsi optimize edilebilir. Big Data ile iş/öngörü analitiklerinin başarılı bir şekilde harmanlanması, risklerin belirlenmesini ve tahmin edilmesini, müşteri davranışlarının ve isteklerinin daha net bir şekilde anlaşılmasını sağlayarak kişiye özgü ürünlerin oluşturulabilmesinin önünü açacak.  Bu nedenle her sigorta şirketinin boyutlarına göre Big Data stratejilerini şimdiden belirlemeleri rekabette kalabilmeleri için hayati önem taşıyor.

BAŞDÖNDÜREN HIZ
İnternet, insanlar ve bilgisayarlar tarafından devamlı olarak daha fazla veri ile beslenerek çok hızlı bir şekilde büyüyor. 2015 yılına kadar internet toplam 0.1 zettabyte* (ZB) veri barındırırken 2015 yılında 8 ZB veriye ulaşması ve 2020’ye kadar 40 ZB seviyelerine gelmesi bekleniyor. Bu uçsuz bucaksız veri yığını Big Data’yı oluşturuyor.

*Byte<Kilobyte<Megabyte<Gigabyte<Terabyte<Petabyte<Exabyte<Zettabyte1 Zettabyte = 1.180.591.620.717.411.303.424 Byte

Veri analizindeki ilerlemeler aynı zamanda çok daha büyük verilerin analiz edilmesini sağlayacak. Bu durum daha önceden sigortalanamayacağı düşünülen riskleri de sigortalanabilir hale getirecek ve yeni iş kolları yaratacak.

“Dijital satışta uzman olan bir çok şirketin, dijital iş kolları yaratma konusunda aciz olduğunu gözlemliyoruz.”
Mark P. McDonald – Dijital Avantaj’ın yazarı