Atidot - Wahrsagerei für die Versicherungsbranche

In der Welt von InsurTech gibt es Distribution-Player und Data-Player. Wenn ich mir die Data Player anschaue, sehe ich, dass sie im Wesentlichen zwei Dinge tun.

Erstens ermöglichen und nutzen sie neue Datenquellen wie Telematik, Wearables und Social Listening.

Zweitens verarbeiten sie Daten auf völlig neue Weise, indem sie Datenwissenschaft, maschinelles Lernen, künstliche Intelligenz und Hochleistungsrechnen anwenden.

Das Ergebnis ist, dass die InsurTechs für Versicherer neue Möglichkeiten für die Entwicklung neuer Produkte für neue Kunden schaffen. verbessertes Underwriting und Risikomanagement; und eine radikal verbesserte Kundenbindung durch den Schadenprozess.

Deshalb, meiner bescheidenen Meinung nach, Technologiegetriebene Innovationen in der Versicherungsbranche werden datengetrieben sein.

Diese Woche habe ich ein Isreali-Startup namens Atidot. Atidot ist eine Cloud-basierte Predictive Analytics-Plattform für versicherungsmathematisches und Risikomanagement - auch bekannt als die nächste Generation der Datenmodellierung und Risikobewertung!

Ich habe kürzlich mit CEO Dror Katzav und seinem Mitbegründer Barak Bercovitz Skyped gemacht. Beide haben einen Hintergrund im israelischen Militär, wo sie in der Technologischen Abteilung der Intelligence Corp. waren. Beide haben einen Hintergrund in Cybersicherheit, Datenwissenschaft und Softwareentwicklung.

Dies sind zwei sehr intelligente Cookies!

Und sie haben sich auf die Welt der Versicherungen und ganz speziell auf Daten konzentriert. Ihr Ziel war es, die Art und Weise zu ändern, in der Daten geschnitten und gewürfelt werden, um mehrere Einblicke aus sehr unterschiedlichen Perspektiven zu erhalten.

Das Ergebnis ist Atidot, was auf Hebräisch angemessenerweise „Wahrsagerei“ bedeutet.

Was ist das Problem?

Dror erklärte es mir; „Versicherer (oder besser gesagt Aktuare) tun mit den Daten, die sie haben, nicht alles, was sie können. Dafür gibt es mehrere Gründe.

„Erstens verpassen sie den Punkt, die Versicherer betrachten Daten aus einer statistischen Perspektive und verpassen die Erkenntnisse und Perspektiven, die aus verschiedenen Blickwinkeln gesehen werden können.

„Als nächstes sind sie nicht mehr zweckmäßig. Die traditionellen Modellierungswerkzeuge, die heute noch verwendet werden, sind umständlich, schwer neu zu modellieren und hängen stark vom manuellen Aufwand ab. Da jetzt neue Datenquellen verfügbar sind, sind diese Tools einfach nicht ausreichend, um sie zu verarbeiten.

„Und drittens sind sie zu langsam. Die Häufigkeit der Aktualisierung der Modelle ist zu lang und wird in Wochen und Monaten gemessen. Dies liegt daran, dass viele der aktuellen Tools in Bezug auf Umfang und Flexibilität begrenzt sind. nicht in der Lage, die riesigen Datenmengen zu bewältigen, die ihnen jetzt zur Verfügung stehen. “

Wie geht es heute?

Heute denken Versicherer über wichtige Fragen nach, die sie potenziellen Versicherungsnehmern stellen können. Rauchen Sie? Trinken Sie? hast du Diabetes? Was ist dein Geschlecht? Wo bist du?

Und aus diesen Antworten ordnen sie die Antworten des Kunden einer statistischen Tabelle zu. Dieser lineare Modellierungsansatz bietet eine Risikobewertung für ein bestimmtes Ergebnis, z. B. die Sterblichkeitsrate für ein Life-Produkt.

In der Datenwissenschaft folgt der Ansatz jedoch keinem linearen Modell. Es ist anders und vielfältig. Durch seitliches Denken werden Daten modelliert, um unterschiedliche Korrelationen des Risikos mit Schlüsselvariablen aufzuzeigen.

Das macht Atidot.

Es werden mehrere Ansätze gleichzeitig angewendet, um einen viel größeren Datensatz zu verarbeiten. Dies schließt vorhandene Daten ein, die zuvor ignoriert wurden, z. B. den Tag des Monats, an dem das Gehalt gezahlt wird, oder die Häufigkeit von Geldautomatenabhebungen. bis hin zu neuen Datenquellen wie Fahrverhalten oder Aktivitätsniveau.

Und obwohl es für Versicherer noch sehr neu ist, beispielsweise ein erhöhtes Aktivitätsniveau mit Sterblichkeitsraten in Verbindung zu bringen, gibt es genügend Anhaltspunkte dafür, dass es nur eine Frage der Zeit ist, bis sie dies tun. Sie müssen sich nur die Anzahl der Wettbewerbe ansehen Kaggle um das zu sehen!

Und das bringt den Kern des Problems des Versicherers auf den Punkt.

Weil herkömmliche Modelle ganz einfach nicht in der Lage sind, mit diesen neuen Datenquellen umzugehen. Sie haben auch nicht den Muskel, um es zu verarbeiten.

Ich habe zuvor einige brillante InsurTechs im Datenraum behandelt, insbesondere Quantenvorlage, Analyse Re und FitSense. Letztere sind eine Datenaggregationsplattform, die Versicherern eine neue Datenquelle bietet, um das Lebensrisiko unterschiedlich zu zeichnen.

Ihre Plattform sammelt Daten von allen wichtigen Fitness- und Aktivitäts-Tracking-Geräten. Die Daten werden dann normalisiert (um Unterschiede in der Art und Weise, wie sie die Aktivität verfolgen, auszusortieren) und präsentieren dem Underwriter eine gemeinsame Bewertung, um Aktivitätsmuster und -niveaus anzugeben (genau wie) Wunelli Aktivieren einer Fahrerverhaltensbewertung aus Telematikdaten).

Die Herausforderung für Versicherer besteht jedoch darin, zu wissen, was mit diesen Daten zu tun ist und wie damit umzugehen ist.

Dror hat das für mich in einen Zusammenhang gebracht, „Lassen Sie mich ein Beispiel von einem südafrikanischen Life-Unternehmen geben, das zwei Lebensprodukte gebaut hat - versehentliche Behinderung und schwere Infektionskrankheit. Um unsere Plattform zu testen, haben wir ihre traditionelle Methode neben unserer ausgeführt.

„Wir haben festgestellt, dass sie viele Daten über ihre Kunden hatten, die sie nicht nutzten oder nutzten. Und selbst wenn sie es versuchten, hatten die Aktuare nicht die Möglichkeit, diese Daten zu gruppieren und in ihren Modellen richtig zu bewerten.

„Atidot konnte die Daten mithilfe unserer Technologie unterschiedlich gruppieren und ihnen zeigen, wie sie die Genauigkeit ihrer Prognosetabellen erheblich verbessern können.

„Wir haben ihnen gezeigt, wie sie Daten anders betrachten können.“

Das klang alles großartig, also drückte ich Dror auf Beispiele, um dies zu veranschaulichen, und wir begannen, über ein Datenelement zu sprechen, das für eine Bewertung des Lebensrisikos irrelevant schien - den Tag, an dem die Prämie gesammelt wird.

Dror zeigte mir eine Stichprobe von Daten eines Live-Piloten, den sie für ein US Life-Unternehmen mit einer Stichprobe von 50,000 Kunden durchgeführt hatten.

Es zeigte sich, dass Kunden, die ihre Prämien am 14. des Monats bezahlten, einen um 20% niedrigeren Wert hatten Lebenszeitwert als diejenigen, die am 1. bezahlt haben.

Durch die gleichzeitige Ausführung mehrerer Datenmodelle und die Auswahl des besten Modells zum besseren Verständnis der Kunden hat Atidot eine Beziehung zwischen Daten hergestellt, die der Aktuar zuvor nicht hatte. Sie hätten auch nicht intuitiv daran gedacht oder wären durch einen linearen Modellierungsansatz dazu gekommen.

Reicht dies aus, um die Art und Weise zu ändern, wie Versicherer das Risiko bewerten? Oder die Risikoauswahlkriterien für einen Versicherer ändern?

Um dies zu beantworten, wandte ich mich an Alberto Chierici für Hilfe. Alberto ist Mitbegründer von Sicherer und ein versicherungsmathematischer Berater bei Deloitte. Er sagte mir, „Ein Problem, das die Versicherer überwinden müssen, ist die Kommunikation mit dem Kunden und den Aufsichtsbehörden. In einigen Staaten ist es beispielsweise obligatorisch, den Verbrauchern mitzuteilen, warum und wie Bewertungsfaktoren (Geschlecht, Alter, Postleitzahl) bei der Preisgestaltung verwendet werden.

„Viele Versicherer zögern daher, eine auf maschinellem Lernen basierende Risikobewertung und Preisgestaltung einzuführen. Denken Sie an das Beispiel, das Sie für Personen angeführt haben, die am 1. des Monats zahlen, im Vergleich zu Personen, die am 14. zahlen - wie erklären Sie das den Kunden? “ Alberto hat mich auf diese Diskussion am hingewiesen Kaggle, um den Punkt zu veranschaulichen.

Eines ist klar: Der InsurTech-Puck geht in diese Richtung.

Mit mehreren neuen Erkenntnissen und einem viel höheren Grad an Personalisierung und Kontextualisierung der Kunden führt die Atidot-Plattform den Aktuar auf einen Weg, auf dem er beginnt, seine Modelle anders zu betrachten.

Anstelle eines linearen Ansatzes zur Risikobewertung ermöglicht Atidot einen lateralen.

Der Autor, Rick Huckstepist der Herausgeber von InsurTech Weekly. Rick ist ein Unternehmer mit Interesse an InsurTech-Startups und ein strategischer Berater für Organisationen mit einem Geschäfts- oder Investitionsinteresse an InsurTech.