人工智能如何改变保险业6个用例

　　▲点击上方蓝字关注我们
　　人工智能和机器学习为人工智能优先的保险公司提供了超越竞争对手的竞争优势。本文主要概述了人工智能在保险领域的最新进展及其实际应用。
　　对于大多数保险公司来说，2020 年是艰难的时期。全球疫情造成超过 550 亿美元的损失，这一数字仅次于卡特里娜飓风的影响。然而，今年再次强调了技术，尤其是云计算和人工智能 (AI) 对该行业的重要性。
　　以下是相关数据：    超过 76% 的保险业高管表示，创新的风险从未如此之高；  到 2021 年，超过 40% 的 CIO 计划增加在 AI 用例和试点项目上的支出；  Willis Towers Watson 2019 年对人寿保险公司的一项调查指出，超过一半的受访者预计将在 2020 年不久或之后使用预测分析进行承保。
　　这以上数据中，对人工智能（以及机器学习、深度学习、预测分析和大数据分析等综合技术）的投资在决策者议程中排名特别靠前。我们有充分的理由相信，他们显然得到了回报。
　　据麦肯锡的最终估计，跨功能和用例的人工智能投资可以为保险业带来高达 1.1 万亿美元的潜在年度价值。那么，这些数十亿美元的巨额资金对保险公司来说是什么？我们来看一下： 简化索赔处理
　　智能自动化为重复性、标准化和需要注意的工作流程带来最佳投资回报。索赔管理就是一个很好的例子——理赔管理流程主要是纸质的，很少实现端到端的数字化，这可能会消耗高达 50-80% 的保费收入。
　　由于主要是人工处理，索赔处理也容易出错和效率低下，这进一步推高了保险公司的运营成本。正如麦肯锡在 2019 年初所说，大型保险公司尚未完全解决服务交付成本问题：
　　在 2021 年，许多保险公司制定了借助新兴技术实现更高运营效率的计划，包括：AI（机器学习和深度学习）、RPA（机器人过程自动化）；IOT（物联网）。
　　特别是连接性的数据获取——汽车中的远程信息处理和车载计算机、智能家居助理、健身追踪器、医疗保健可穿戴设备和其他类型的物联网设备，现在都允许保险公司自动从客户那里收集更全面的数据。然后，他们可以将其注入到他们所承保和理赔的管理任务中，以使其更快、更不可知、更不容易出错。
　　更多的数据意味着更好的决策和降低的风险，然而与此同时，更大的数据量需要更先进（和安全）的方法来处理它，这就是人工智能算法脱颖而出的地方。机器学习算法可以有效地扫描所有传入的数据，代替保险代理人对其进行解释，并为最终用户提供更快的结算。
　　最大的好处是，有了足够的训练数据，机器学习和深度学习算法可以随着时间的推移自我改进，而无需显式编程，这意味着您的团队可以获得更准确和更复杂的见解。
　　索赔管理中一些流行的 AI 用例包括：  初始索赔路由；
　　索赔分类；
　　欺诈性索赔检测；
　　理赔管理审计。
　　Fukoku Mutual Life 利用人工智能处理索赔数据
　　日本的一家人寿保险公司 Fukoku Mutual Life 整合了一个人工智能支持的应用程序来处理医疗索赔。Fukoku Mutual Life 利用人工智能处理索赔数据，基于 Watson IBM，该应用程序可以自动访问与病例相关的所有医疗文件，挖掘它们以获取相关信息，并根据收集到的所有见解自动计算准确的支出，付款被转发给批准并发布它的人工代理。采用此方法后，员工的工作效率提高了 30%，支付准确率也发生了积极变化。
　　Fukou Mutural Life 并不是一个奇怪的案例——每年都有越来越多的保险公司考虑为其理赔流程实施人工智能解决方案。
　　Lemonade 使用人工智能聊天机器人与大型保险公司竞争
　　Lemonade 是一家 InsureTech 初创公司，在 2020 年 IPO 期间估值 39 亿美元，是人工智能在保险领域的又一个强有力的例子。这家初创公司依靠大量大数据分析和机器学习模型来支持一系列端到端的保险任务。
　　这样做使他们能够在价格、客户获取速度以及整体客户体验和客户参与度方面削弱更大的参与者。完全数字化和面无表情的简单保险购买流程使 Lemonade 成为年轻消费者的顶级保险公司。
　　Jim 能够顺利处理全理赔流程的理赔体验机器人
　　人工智能理赔体验机器人 Jim 可以顺利处理整个理赔流程。2019 年，Jim 处理了 20,000 起索赔和其他客户查询，并在无人参与的情况下支付了超过 250 万美元。
　　人工智能解决方案（如支持人工智能的机器人）的实施可以很好地跨越各种业务线——聊天机器人可以帮助改善客户服务、收集和分析个人数据或处理索赔。同时，可以减少业务运营中的工作流程并降低成本。   加速索赔裁决
　　保险提供商和客户都希望缩短周期时间，人工智能计划通过接管一些繁重且通常非常危险的检查任务来提高这一速度。为什么会牵扯到这点呢？
　　在美国，财产保险费率调整人员受伤的频率是建筑工人的 4 倍！很疯狂吧？人工智能系统与数据收集的支持硬件相结合，可以使证据收集和评估会议更加安全和快捷。
　　物业理算员使用配备计算机视觉技术的无人机，以便更有效地评估屋顶损坏情况，并向业主提供维修成本估算。他们还可以对受自然灾害影响的工业设备（例如油管）、田地和农作物进行检查，或者对区域和资产进行早期观察。
　　基于人工智能的理赔管理系统可以有效地处理——由卫星收集的地理空间数据 (GIS) 数据，由无人机拍摄的高清视频或图像，物联网数据集，包括温度、压力、物体位置等，所有这些数据源都可以提供现场资产的完整画面。
　　此外，使用 ML/DL 算法可以更准确地评估此类数据集，而不仅仅是用人眼评判。让我们看看在汽车保险领域使用人工智能和机器学习来掌握这一流程的公司。
　　Tokio Marine 实施高级图像识别以估算维修成本
　　汽车保险公司 Tokio Marine 最近部署了一个基于人工智能的计算机视觉系统，用于检查和评估受损车辆。日本的车祸理赔平均周期为 2-3 周。
　　Tokio Marine 预计将依靠 AI 对根据损坏图像生成的维修、油漆和混合操作进行估计来显着缩短处理时间。Allstate、MetLife 和 Esurance 等其他保险公司也接受车辆照片作为索赔提交流程的一部分。
　　然而，并非所有人都在利用图像识别来加快评估过程，并通过证明更快、更准确的结算来提高客户满意度。  使用 OCR 进行快速文档数字化
　　OCR 代表光学字符识别——一种识别手写数字和文本的技术支持过程。由于传统保险公司仍然在很大程度上依赖纸质表格和打印文件，OCR 可以成为提高运营效率的主要游戏规则改变者。
　　无需手动重新输入信息，保险代理人可以使用自动化系统，准确地捕获和核对纸质表格中的数据，并通过其他来源的输入来增强它。当与计算机视觉配合使用时，OCR 技术可以准确地渲染每个像素并将其转换为相应的数字输入。然后根据数据库中的其他条目验证提交。这种增加的自动化状态可以为单个流程节省高达 80% 的成本。
　　此外，还可以部署 OCR 应用程序来改进新客户的入职和 KYC 流程。所有必要的数据都可以在几秒钟内而不是几天内从身份证照片中提取并添加到客户资料中。通过这种方式，保险公司可以通过门户网站和移动应用程序（类似于 Lemonade）以数字方式吸引客户，并大大降低入职成本，同时提高速度和客户满意度因素。
　　鉴于大流行为保险公司增加了新的业绩溢价，简化的客户获取不是您想要略过的领域。
　　安永《2021 年保险业展望》报告称：  69% 的客户现在更喜欢在线购买汽车保险；
　　61% 还想在线购买健康保险；
　　58% 考虑在线购买人寿保险。
　　数字不会说谎，认真对待这些数字的公司是那些保持领先地位的公司。
　　AXA CZ/SK 利用深度学习改善数据生态系统
　　AXA CZ/SK 最近运行了一个基于深度学习的平台的 POC 试点，用于从传入的非结构化扫描文档中提取数据。AI 应用程序自动分类所有传入的文档，提取手写字段值，并以 96% 的准确率提交数据以供进一步分析。
　　如果成功扩展，这样的 OCR 系统可以为生产代理节省数百小时的时间，并带来可观的运营节省。  更快更准确的承保
　　在承保过程中，基于规则的评估和风险引擎不再足以提供准确的估计。特别是随着保险场景变得更加复杂（例如，共享资产的基于使用的保险定价）和欺诈级别更加复杂。诚然，所有行业的互联互通使数字化成熟的保险公司能够设计出更好的评估方法。计算机视觉技术与物联网数据相结合，可以帮助保险公司在承保时仔细记录资产状态，并保持近乎实时的调整。
　　例如，通过将 GIS 数据流连接到您的分析系统，您的公司不仅可以消除现场财产检查，还可以随着时间的推移监控财产状况以调整保单价格。
　　更复杂的场景可用于评估工业基础设施的损坏和操作事故。例如下图中，石油和天然气行业现在每天产生数 TB 的运营数据：
　　保险公司可以将上述数据连接到预测分析系统，以预测退化程度、执行自动缺陷检查、预测潜在故障率和其他运营风险，并相应地调整保费。
　　例如：一家全球再保险公司使用历史和地理空间数据以及来自数字化文档的输入构建了一种机器学习算法，用于有效预测该地区发生洪水的可能性。
　　这样的设置使他们能够：  以 83% 的准确率对潜在市场进行建模；
　　将承保的处理时间缩短 10 倍；
　　案件受理率提高 25%。保险欺诈检测和预防
　　美国保险公司每年因欺诈者损失超过 400 亿美元——这还不包括健康保险欺诈。欺诈性索赔确实是一场瘟疫。这些数字显然是惊人的，但可以理解，因为大多数人仍然依赖过时的基于规则的系统，无法检测到精心设计的欺诈计划。
　　人工智能驱动的欺诈检测系统解决了早期应用程序的缺点，并通过向人类分析师提供有价值的情报来帮助增强他们的判断力。本质上，机器学习和深度学习系统能够很好地识别重复出现的模式。这种能力使此类算法成为捕获系统内或单个客户之间异常行为的有力竞争者。
　　例如，对员工的计算机和网络使用数据进行预训练的算法可以监控他们在工作日的行为。一旦检测到与标准工作方式存在一定程度的偏差（例如多个未经授权的访问请求），此类安全系统就可以标记用户并提醒安全团队进行进一步调查。
　　Anadolu Sigorta 用于欺诈检测的保险人工智能
　　人工智能欺诈检测应用程序可用于在客户入职阶段运行快速、自动的背景调查，以便仔细计算与个人或企业相关的风险。
　　土耳其保险公司 Anadolu Sigorta 最近测试了 Friss 的预测性欺诈检测系统。该公司最初花费两周多的时间手动审查每个提交的索赔是否存在欺诈迹象。鉴于他们每月处理超过 25,000 到 30,000 个，处理成本相当高。
　　切换到预测系统后，保险公司获得了实时识别欺诈的能力。他们在短短一年内实现了 210% 的投资回报率，并将超过 570 万美元的欺诈检测和预防成本归功于新的人工智能系统。  以有竞争力的司机保费赢得保险客户
　　联网汽车现在生产、存储和传输数 TB 的有价值数据，保险公司可以利用这些数据提供更具竞争力的价格或根据消费者需求转向新的商业模式：
　　一些新兴的汽车保险人工智能用例包括：  索赔的预测成本分析：利用机器学习技术和数据科学来估计每个不同客户群的平均索赔成本。分别调整保费，更好地管理您的现金流。  驾驶员表现监控：通过分析来自联网汽车系统（车载和外部摄像头、远程信息处理和 ADAS 系统）的行为数据，您可以了解更多关于个别驾驶员行为的信息，并通过个性化的费率和产品线取悦他们。  实时事故支持：保险公司可以通过接收对碰撞数据的自动访问并提供快速的半自动响应，为驾驶员提供卓越的服务水平。例如，人工智能聊天机器人可以提示驾驶员采取最佳恢复措施，在需要时自动通知医疗团队或呼叫两辆卡车服务。
　　这种实时连接对于挽救生命尤其重要。根据经合组织的说法，如果紧急医疗服务能够获得有关受伤类型和严重程度的实时信息，则可以避免 44% 的车祸死亡。ADAS 系统不仅可以减少造成伤害的碰撞机会，还可以帮助驾驶员养成更安全的驾驶习惯。
　　最近的一项研究指出，ADAS 系统可以减少：  人身伤害责任索赔率 4-25%；
　　交通事故财产损失责任理赔率 7-22%。
　　蚂蚁金服：面向新一代保险公司的人工智能技术
　　中国所谓的＂超级应用程序＂之一——一家提供互联数字产品和服务生态系统的公司，从社交网络到银行服务，使用更多的数据点来创建非常详细的客户档案。人工智能算法为每个客户分配汽车保险积分，类似于信用评分。除了驾驶经验、年龄、车型等常规因素外，该系统还考虑＂生活方式因素＂，为客户构建全面的风险概况。
　　其中包括投保人的信用记录、消费习惯、职业等。使用输入，应用程序分配自定义分数并提供超个性化的保险定价、服务和整体客户体验。  保险业人工智能的未来
　　疫情过后，保险业承受着巨大压力。人工智能 (AI) 和其他相关技术都不是所有潜在压力源的＂灵丹妙药＂解决方案。然而，这篇文章中描述的人工智能保险用例在提高运营效率、控制成本以及使保险公司能够转向数字优先的客户体验和技术增强的产品线方面具有巨大的潜力。
　　图片来源于网络
　　公众号、知乎、头条、百家号 ID【觉醒元宇宙AI】
　　投稿、申请转载、合作、AI课程推广，请联系我们