راهکار صنعت بیمه هوشمند
صنعت بیمه با داده‌های کلان، محصولات متنوع و قوانین متغیری روبه‌رو است که تصمیم‌گیری‌های مدیریتی و عملیات را به یک چالش بزرگ بدل کرده است. هوشمندسازی زیرساخت اطلاعاتی، یکی از ملزومات موفقیت شرکت‌های بیمه در آینده محسوب می‌شود. در این راستا، استفاده از فناوری‌ها و راهکارهای نرم‌افزاری هوشمند برای تبدیل داده‌های موجود به اطلاعات ارزشمند و تفسیرپذیر از اهمیت ویژه‌ای برخوردار است [1].
راهکارهای هوشمند پوشش‌دهنده مجموعه وسیعی از مسائل مرتبط با صنعت بیمه هستند؛ از جمله:
-
مسائل مرتبط با تخلفات بیمه‌ای [2], [3]
-
مسائل مرتبط با شناسایی، جذب، حفظ و توسعه مشتریان [4]
-
مسائل مرتبط با ریسک، قیمت‌گذاری و اقتصاد بیمه [5]
-
مسائل مرتبط با کیفیت زیرساخت‌های نرم‌افزاری بیمه [6]
طرح پیشنهادی برای هوشمندسازی کنترل‌های داخلی بیمه
نگارش: 1.0
تشخیص تخلفات و ادعاهای نادرست
تشخیص تخلفات و ادعاهای نادرست یکی از مهم‌ترین چالش‌های پیش‌روی شرکت‌های بیمه است. برای مثال، در اروپا در سال 2017 میزان مطالبات بیمه‌ای جعلی بالغ بر 13 میلیارد یورو گزارش شده است [2]. فرایند دستی کنترل مطالبات و موارد مشکوک، علاوه بر زمان‌بر و پرهزینه بودن، از دقت کافی جهت شناسایی الگوهای پنهان نیز برخوردار نیست.
راهکار پیشنهادی بر بکارگیری روش‌های هوشمند و خودکار مبتنی بر الگوریتم‌های یادگیری ماشین [7], [8] و یادگیری ژرف [9], [10] تأکید دارد. این الگوریتم‌ها می‌توانند به‌طور همزمان قواعد لازم برای شناسایی کنترل‌های داخلی بیمه و برخورد با مطالبات مشکوک را استخراج کرده و از سرعت و دقت بالاتری نسبت به پردازش دستی برخوردار باشند.
چالش‌ها و راهکارهای نوین
یکی از اصلی‌ترین چالش‌های اجرای راهکارهای مبتنی بر یادگیری ماشین، تهیه یک مجموعه داده باکیفیت و بزرگ است. به عنوان مثال، اطلاعات مرتبط با سابقه مطالبات مشتری، مشخصات بیمه‌شونده، و مبالغ دریافت یا پرداخت، همگی از ویژگی‌های مهم مورد نیاز برای وظایف بیمه‌ای به شمار می‌روند.
در نتیجه، ایجاد و آماده‌سازی یک مجموعه داده مناسب از گام‌های نخستین محسوب می‌شود. علاوه بر آن، انتخاب مدل یادگیری مناسب و بهینه‌سازی اَبَرپارامترهای آن با استفاده از تکنیک‌های انتخاب ویژگی، از دیگر موارد حیاتی در فرایند است.
در نهایت، خط‌لوله یادگیری ماشینی باید به گونه‌ای طراحی شود که قادر به استفاده در طیف وسیعی از وظایف مشابه باشد [1].
وضعیت کنونی و مزایای راهکار پیشنهادی
در حال حاضر، کنترل‌های داخلی شرکت های بیمه ای به‌صورت دستی توسط کارشناسان انجام می‌شود؛ این کار با استناد به تعداد محدودی از داده‌های موجود در پایگاه داده و به‌صورت جداگانه برای هر نمایندگی انجام می‌شود. رویکرد فعلی نه تنها زمان‌بر و پرهزینه است، بلکه در کشف و تحلیل الگوهای پنهان، محدودیت‌های قابل توجهی دارد.
راهکار هوشمند پیشنهادی شامل مراحل زیر است:
-
تعیین نیازمندی‌های سیستم و انواع کنترل‌های مورد نیاز:
- استخراج و مستندسازی نیازمندی‌ها از طریق مصاحبه با کارشناسان.
- تعیین ویژگی‌های سیستم لازم برای راهبرد یادگیری ماشین.
-
مهندسی ویژگی و ایجاد مجموعه داده:
- استخراج داده‌های مورد نیاز از انبار داده‌های بیمه‌ای.
- پیش‌پردازش داده‌ها جهت آماده‌سازی برای مدل‌های یادگیری ماشین.
-
پیش‌پردازش داده‌ها:
- اجرای الگوریتم‌های نرمال‌سازی و استانداردسازی برای بهبود کیفیت داده‌ها.
-
انتخاب، آموزش و آزمون مدل‌های یادگیری ماشین:
- ارزیابی و انتخاب بهترین مدل بر اساس بهینه‌سازی اَبَرپارامترها.
-
پساتحلیل مدل و استخراج قواعد:
- تفسیر مدل‌های انتخابی با استفاده از الگوریتم‌های تحلیل ویژگی‌ها و استخراج قواعد یادگیری شده.
-
استقرار مدل در محیط عملیاتی:
- ایجاد یک واسط کاربری گرافیکی جهت استفاده از مدل برای پیش‌بینی، بازآموزی و بروزرسانی به‌صورت دوره‌ای.
در مراحل اولیه، به جهت حفظ امنیت و حریم خصوصی داده‌ها، از مجموعه داده‌های عمومی یا شبیه‌سازی استفاده خواهد شد. همچنین، امکان ادغام مدل‌های یادگیری ماشین با نرم‌افزارهای دیگر در مراکز بیمه نیز مدنظر قرار گرفته است.
مراجع
-
Hanafy & Ming (2021):
Machine learning approaches for auto insurance big data.
doi: 10.3390/risks9020042 -
Debener, Heinke & Kriebel (2023):
Detecting insurance fraud using supervised and unsupervised machine learning.
doi: 10.1111/jori.12427 -
Urunkar et al. (2022):
Fraud detection and analysis for insurance claim using machine learning.
doi: 10.1109/SPICES52834.2022.9774071 -
S. F. (2018):
Machine-learning techniques for customer retention: A comparative study.
doi: 10.14569/IJACSA.2018.090238 -
Mau, Pletikosa & Wagner (2018):
Forecasting the next likely purchase events of insurance customers.
doi: 10.1108/IJBM-11-2016-0180 -
Jones & Bonsignour (2012):
The economics of software quality.
Available at: Google Books -
Alpaydin (2020):
Introduction to machine learning (4th ed.).
Available at: MIT Press -
Mitchell (1997):
Machine Learning. McGraw-Hill, Inc. -
LeCun, Bengio & Hinton (2015):
Deep learning.
doi: 10.1038/nature14539 -
Goodfellow, Bengio & Courville (2016):
Deep Learning.
Available at: deeplearningbook.org