استفاده از هوش تجاری برای خودکار کردن فرآیندهای کسب و کار در بیمه

چکیده

در این گزارش بررسی خواهیم کرد که چگونه هوش تجاری می‌تواند با استفاده از انواع روش‌های داده‌کاوی برای حل مشکلات مربوط به بخش بیمه مورد استفاده قرار گیرد. مسائلی که شرکت‌های بیمه با آنها مواجه هستند، شامل تعیین الگوهای حفظ مشتری، مانند دسته‌بندی بیمه‌گزاران براساس احتمال تمدید یا فسخ بیمه‌نامه، درک بهتر الگوهای ادعای خسارت، و شناسایی انواع بیمه‌گزارانی که در معرض ریسک بیشتری قرار دارند، می‌باشد. این مسائل بر میزان حق بیمه و سودآوری نیز تاثیر می‌گذارند. این گزارش به بحث پیرامون چگونگی استفاده از ترکیب روش داده‌کاوی و هوش تجاری در چهارچوب‌های جامعی شامل مدیریت ارتباط با مشتری، مدیریت منابع انسانی، مدیریت دعاوی، مدیریت کانال‌ها و مدیریت دارایی‌ها می‌پردازد. نتایج نشان می‌دهد که این چارچوب، فرآیند تصمیم‌گیری را سریع‌تر و اثربخش‌تر می‌سازد.

مقدمه

اواخر قرن هفدهم، عصر رشد تجارت بین‌المللی بود. مسیرهای حمل و نقل جدیدی کشف شد و ملوانان ماجراجو، محصولات جدیدی را از سرزمین‌های بیگانه به سرزمین‌های خود آوردند. سفر آنها در پهنه اقیانوس‌ها با خطرات و ریسک‌های زیادی همراه بود. بنابراین لازم بود که شرایطی برای حفاظت در مقابل خطرات دریاهای آزاد به وجود آید و همین امر موجب ظهور نسل جدیدی از کارآفرینان، یعنی بیمه‌گران دریایی شد.

این اشخاص موافقت کردند که در مقابل دریافت حق بیمه، خسارت‌های وارده را پوشش دهند. کسب و کار آنها وابسته به در دسترس بودن اطلاعات در مورد مسیرهای دریایی، دزدان دریایی، شرایط داخل کشتی، شرایط سیاسی، الگوهای آب و هوایی و سلیقه مصرف‌کننده نسبت به محصولات جدید و ناآشنا بود. برای به دست آوردن اطلاعات مربوط به کسب و کار، تعدادی از بیمه‌گران دریایی اقدام به برگزاری ملاقات‌های دوره‌ای در قهوه‌خانه ادوارد لوید لندن کردند.

آنها در این محل می‌توانستند اطلاعات خود را با دیگر بیمه‌گرها و کاپیتان‌های کشتی‌های تجاری در میان بگذارند. در سال 1771، هفتاد و نه تن از بیمه‌گرانی که در لویدز فعالیت می‌کردند، انجمنی را تشکیل دادند که تبدیل به مشهورترین شرکت بیمه شد: لویدز لندن.

اطلاعات "هوش تجاری" که بیمه‌گرهای دریایی را در لویدز گرد هم آورده بود، برای صنعت بیمه امروز بسیار حیاتی‌تر است. این هوش تقریبا بر همه جوانب زنجیره تامین تاثیر می‌گذارد و پتانسیل آن‌ را دارد که در همه سازمان‌ها ایجاد شود. امروزه اگرچه بیمه‌گر برای به دست آوردن اطلاعات کسب و کار به قهوه‌خانه نمی‌رود اما احتمالا باید مسیر‌های طولانی‌تری را بپیماید.

صنعت بیمه همیشه کاملا به قابلیت و توانایی تبدیل داده‌های خام به دانش یعنی اطلاعات در مورد مشتریان، بازار، رقبا، و محیط کسب و کار وابسته بوده است. در طول سال‌ها، تکنولوژی پردازش داده‌ها، به طور فوق‌العاده‌ای پیشرفت کرده است و ابزارهای مختلف مانند انبار داده‌ها، OLAP و داده‌کاوی، که سنگ بنای محیط هوش تجاری (BI) موثر هستند به طور گسترده‌ای پذیرفته شده و در سراسر صنایع به کار گرفته شده‌اند. با این حال، شرکت‌های بیمه سرعت نسبتا کمی در جهت اتخاذ این ابزارها داشته‌اند، که علت آن در درجه اول، عدم وجود رقابت ناشی از قوانین حمایتی است. اما در حال حاضر، همانطور که به سوی جهانی شدن و آزادسازی و از بین بردن مرزها پیش می‌رویم، شرکت‌ها دیگر نمی‌توانند از کار خود رضایت داشته باشند، چرا که گسترش اینترنت، مقررات‌‌زدایی، ادغام، و همگرایی بیمه با سایر خدمات مالی به سرعت در حال ایجاد تغییر در ساختار اصلی صنعت هستند.

بررسی ادبیات موضوع

هوش تجاری و زنجیره ارزش بیمه

در طول سه دهه گذشته، شرکت‌های بیمه توانایی قابل توجهی برای توسعه محصول به دست آورده‌اند، اما از درک واقعی مشتری عقب مانده‌اند. این امر موجب شده است که اکثر شرکت‌ها به جای توسعه محصولاتی که مورد نیاز مشتریانشان هستند، محصولاتی را توسعه دهند که توانایی ارائه آنها را داشته باشند و از آنها سود ببرند. در طول چند سال گذشته، مقررات‌زدایی و رقابت رو به رشد، شرکت‌های بیمه را وادار کرده است، که از رویکرد سنتی محصول‌محور به سمت رویکرد مشتری‌محور حرکت نمایند.

برای موفقیت در چنین بازاری، شرکت‌های بیمه باید به تحلیل نیازهای مشتری و سازماندهی فرآیندهای کسب و کار خود در زنجیره ارزش بپردازند تا نیازهای منحصربه فرد هر مشتری را برآورده سازند. آنچه در این بحث فرض شده است، این است که شرکت‌های بیمه توانایی تبدیل داده‌های مربوط به مشتریان، نمایندگان، ادعاهای خسارت و بیمه‌نامه‌ها را به اطلاعات اجرایی دارند. ابزارهای هوش تجاری مانند انبار داده‌ها، OLAPو داده‌کاوی به طور قابل توجهی می‌تواند در تمام جنبه‌های زنجیره ارزش برای رسیدن به این هدف کمک کنند. در بحث پیش رو، بر برخی از کاربردهای هوش تجاری در هر بخش از زنجیره ارزش تمرکز می‌کنیم.

اتوماتیک‌سازی فرآیند با استفاده از هوش تجاری

ضرورت نیاز به هوش تجاری در شرکت‌های بیمه کاملا احساس می‌شود. در حال حاضر سعی می‌کنیم حوزه‌های خاصی را مد نظر قرار دهیم که شرکت‌های بیمه می‌توانند برای افزایش سود و دستیابی به حداکثر بازگشت سرمایه‌ (ROI) با استفاده از اجرای چنین هوش تجاری بر آن متمرکز شوند.

مدیریت ارتباط با مشتری

شرکت‌های بیمه به طور معمول دارای یک پایگاه بزرگ مشتری، خطوط متنوع تولید محصول با تعدادی محصول در هر خط، کانال‌های توزیع متعدد، و یک بازار وسیع در پهنه جغرافیایی هستند. جهت تعامل موثر با مشتریان و طراحی محصولات مناسب، شرکت‌های بیمه در استراتژی مدیریت ارتباط با مشتری (CRM) باید به طور کامل از پتانسیل تکنولوژی استفاده کنند. شرکت‌های بیمه باید در هر مرحله از فرآیند CRM به حجم وسیعی از داده نفوذ کنند و از بینش به دست آمده برای توسعه محصولات و خدمات جدید جهت پاسخگویی به نیازهای در حال تغییر مشتریان استفاده کنند.

فرآیند CRM در شرکت‌های بیمه دارای سه مرحله زیر است:

1. شناسایی مشتریان سود‌ده و یا سود‌ده بالقوه برای تعامل در آینده

2.درک نیازها و الگوهای خرید آنها

3.تعامل با آنها برای برآورده ساختن تمامی انتظاراتشان

سودآوری مشتری

علاوه بر به دست آوردن مشتریان جدید، حفظ و افزایش سودآوری مشتریان موجود نیز حیاتی و مهم است. تحقیقات نشان می‌دهد که هزینه حفظ یک مشتری به مراتب کمتر از دستیابی به مشتری جدید است. اولین گام در این مسیر، شناسایی سودآورترین مشتریان است. برای رسیدن به بالاترین سودآوری مشتری، شرکت‌های بیمه باید قادر به تعیین هزینه‌های خدمت به مشتری در طی یک دوره و درآمد حاصل از مشتری در همان دوره باشند. نتایج به دست آمده از تحلیل سودآوری مشتری می‌تواند به دلایل اینکه چرا برخی از مشتریان از دیگر مشتریان سودآوری کمتری دارند، اشاره نماید. به عنوان مثال، ممکن است یک مشتری سودآور نباشد به این دلیل که محصولاتی که توسط او استفاده شده ممکن است با مشخصات ریسک قابل قبول مطابقت نداشته باشد. تحلیل سودآوری مشتری می‌تواند در توسعه محصولات جدید و سفارشی‌سازی محصولات موجود برای یک مشتری یا بخشی از مشتریان تاثیر قابل توجهی داشته باشد.

ارزش دوره عمر مشتری

سودآوری مشتری تنها معیار ارزش مشتری در شرکت بیمه نیست. یک مشتری ممکن است پتانسیل خرید محصولات سودآور در آینده را داشته باشد و نیز می‌تواند به عنوان یک مرجع بسیار عالی برای جذب مشتریان سودآورتر و انجام تبلیغات کلامی، خدمت کند. از این رو ارزش دوره عمر مشتری (LTV) بسیار زیاد است. اغلب ابزارهای داده‌کاوی که برای مدل ارزش دوره عمر مشتری (LTV) استفاده می‌شود، همه عوامل موثر بر ارتباط مشتری با شرکت بیمه را در نظر می‌گیرد.

بخش‌بندی مشتری

بخش‌بندی به طور عمده برای جداسازی مشتریان دارای خصوصیات مشترک به بخش‌های مختلف استفاده می‌شود. این بخش‌ها می‌توانند به عنوان موجودیت‌های مستقل محسوب شوند و نحوه تعامل با آنها در آینده طراحی گردد. تقسیم‌بندی مشتری می‌تواند فعالیت‌های بازاریابی که در حالت عادی به هدر می‌رود را قابل استفاده (هدفمند) نماید. از ابزارهای داده‌کاوی برای بخش‌بندی مشتریان استفاده می‌شود. این ابزارها به طور عمده از الگوریتم‌های خوشه‌بندی، برای بخش‌بندی کل مشتریان به خوشه‌های مختلف که با عوامل جمعیتی و روانشناختی خاصی شناخته شده‌اند، بهره می‌گیرند.

بدنه تحقیق

تحلیل ریزش مشتری

تحقیقات نشان می‌دهد که در تمامی صنایع، دستیابی به مشتریان جدید بسیار گران‌تر از حفظ مشتریان موجود است و بیمه از این قاعده مستثنی نیست. به طور معمول، خرید یک محصول بیمه، تصمیم‌گیری دراز مدتی برای مشتری است و اگر او تصمیم به تغییر شرکت بیمه‌گر بگیرد، احتمال بازگشتش به شرکت قبل، بسیار کم خواهد بود.

از این رو حفظ مشتریان موجود دارای بالاترین اهمیت در مرحله اول تحلیل مشتری است. این امر شامل تحلیل داده‌های به دست آمده در تماس‌های مشتری از طرق مختلف می‌باشد. برای تحلیل ریزش مشتری، داده‌های تماس مشتری با دیگر منابع داده مانند ادعای خسارت و بیمه‌نامه‌ها همراه می‌شود؛ مجموعه داده‌های حاصل، سپس با مشتریانی که برای تحلیل دلایل احتمالی پشت این تصمیم انتخاب شده بودند، ارتباط داده می‌شوند. این نتایج همچنین می‌تواند به منظور بهبود عملکرد ارتباط با مشتری مورد استفاده قرار گیرد.

تحلیل وابستگی

این مورد اغلب به عنوان تحلیل بازار سبد خرید مد نظر قرار می‌گیرد. کالاهای خاصی نسبت به یکدیگر وابستگی نشان می‌دهند، و احتمالا با یکدیگر خریداری می‌شوند. به عنوان مثال، شخصی که در اوایل 30 سالگی بیمه‌نامه‌ عمر خریداری می‌کند ممکن است علاقمند به نوع خاصی از مستمری نیز باشد. درک این وابستگی‌ها گاهی می‌تواند بی‌نهایت دشوار باشد و برای این منظور غالبا ابزارهای داده‌کاوی مورد استفاده قرار می‌گیرد. این ابزارها از تکنیکی به نام «تحلیل ارتباط[2]» برای دستیابی به ترکیب صحیحی از محصولات و خدمات برای مشتری یا بخش مشتری استفاده می‌کنند.

بازار هدف

بازاریابی برای گروه خاصی از مشتریان، پیامد طبیعی تقسیم‌بندی آنان می‌باشد. به محض شناسایی بخش‌های متمایزی از مشتریان، ابزار هوش تجاری برای بررسی کالاهایی که می‌تواند توسط این بخش‌ها خریداری شود مورد استفاده قرار می‌گیرد. به منظور ایجاد مدل‌های پیش‌بینی‌ جهت تصدیق میل خرید یک بخش به سمت محصولات متنوع موجود یا جدید، اغلب از داده‌کاوی استفاده می‌شود. با علم به این مورد، مدیران بازاریابی می‌توانند اقدامات خاصی را با هدف‌گیری بخش‌های مجزا طراحی کنند.

تحلیل سلسله عملیات (شیوه‌ کار برنامه‌ریزی شده)

این مورد به منظور تحلیل کارآیی سلسله عملیات بازاریابی/ تبلیغات به کار می‌رود. تاثیرات اقدامات خاص جهت فروش کالای تبلیغ شده را می‌توان با استفاده از ابزار هوش تجاری ردیابی کرد. غالبا افزایش فروش کالای تبلیغ شده به کاهش فروش کالاهای وابسته‌ی دیگر منجر می‌شود که ابزار هوش تجاری می‌تواند به شناسایی این ارتباطات کمک کند. از داده‌های سلسله عملیاتی که در انبار داده‌ها ذخیره شده است می‌توان در آینده برای پیش‌بینی اثربخشی عملیات مشابه استفاده کرد.

فروش متقاطع

فروش متقاطع، منبع اصلی درآمد برای شرکت‌های بیمه است. به منظور فروش متقاطع موثر، بیمه‌گر می‌تواند با استفاده‌ی اهرم‌گونه از داده‌های موجود در انبار داده‌ها به سرعت به کالاهای جدیدی که می‌تواند مورد نیاز مشتریان موجودش باشد دست یابد. سپس این محصولات را می‌توان در تعامل بعدی به مشتریان عرضه کرد.

مدیریت کانال

به طور سنتی، شرکت‌های بیمه به عوامل و کارگزاران مستقل ‌و فروشندگان بی‌واسطه برای توزیع محصولات خود متکی هستند. این موارد تاکنون هم کانال‌های اصلی توزیع بوده و احتمالا تا آینده‌ای نزدیک هم به قوت خود باقی خواهند ماند. با این وجود، اینترنت نیز به عنوان یک گزینه‌ی معروف توزیع برای انواع خاصی از محصولات بیمه‌ای مانند بیمه‌ی اتومبیل، بیمه‌ی درمان و غیره ظاهر شده است. فروش بعضی از محصولات بیمه ای از طریق اینترنت، به دلیل ماهیت پیچیده‌ی معاملاتی آنها توفیق چندانی نداشتند است. این ترس ناشی از تعارض در کانال توزیع اینترنت، مانع از بهره‌برداری کامل بسیاری از بیمه‌گران از امکانات آن شده است. بسیاری از بیمه‌گران سنتی در حال حاضر از اینترنت صرفا جهت ارائه‌ی اطلاعات درباره‌ی محصولاتشان استفاده می‌کنند. البته، بیمه‌گران به منظور استمرار کسب‌و‌کار خود ناگزیر به ادغام اینترنت با کانال‌های موجودشان خواهند بود. در عین‌حال، آنها مجبورند کارآیی کلی سیستم توزیع خود را با استفاده از کانال‌های سنتیبهبود بخشند. ابزارهای هوش تجاری به بیمه‌گران این امکان را خواهد داد تا در مورد کانال‌های متنوع توزیع، به بینش مناسبی دست یابند و به آنها کمک خواهد کرد تا در مدیریت کانال، به طور هوشمندانه‌ای به مسائل مختلف توجه کنند. برخی از زمینه‌هایی که آنان می‌توانند بر آن متمرکز شوند از این قرارند:

به‌کارگیری نمایندگان و نیروهای فروش

بر‌اساس تحلیل جغرافیایی پایگاه مشتریان شرکت بیمه، بیمه‌گران می‌توانند تعداد مناسبی از نمایندگان و فروشندگان را در مناطق مختلف به کار گیرند. همچنین، این تحلیل باید شامل مشتریان بالقوه برای محصولات جدید و موجود ارائه شده توسط بیمه‌گر باشد.

توسعه‌ی نمایندگی و مدیریت ارتباط

ابزارهای هوش تجاری باید با استفاده‌ی اهرم گونه از داده‌های فروش که در انبار داده‌ها ذخیره هستند، رفتار فروش نمایندگان و فروشندگان را تحلیل کنند. این تحلیل می‌تواند بهترین نمایندگان و فروشندگان را برای اهدای پاداش مناسب شناسایی کند. این تحلیل را می‌توان تعمیم داد تا جنبه‌های ظریف رفتاری مختلف را در برگیرد. این جنبه‌های رفتاری را می‌توان برای طراحی برنامه‌های آموزشی برای نمایندگان به کار برد. به عنوان مثال، نمایندگانی که ممکن است فقط محصولات خاصی را بفروشند و بقیه‌ی محصولات را حذف کنند، می‌‌توانند نیاز به آموزش ویژه‌ی محصولات را مشخص کنند.

توسعه‌ی تجارت الکترونیک

برخی از تحلیل‌ها را می‌توان بر روی داده‌های مشتریان و معاملات که از طریق اینترنت به دست آمده است انجام داد. جهت بخش‌بندی معنادار مشتریانی که بیمه‌نامه‌ها را از طریق اینترنت خریداری می‌کنند، این داده را باید با داده‌های گردآوری شده از کانال‌های سنتی ادغام کرد. بنابراین، «بخش‌بندی الکترونیکی[5]» می‌تواند در طراحی سلسله عملیات به ویژه برای مشتریان آنلاین مفید باشد. منبع دیگری از داده‌های سودمند بالقوه‌وجود دارد که می‌تواند در بهبود عملیات آنلاین تاثیر بسزایی داشته باشد: فایل‌های وب لاگ. تحلیل وب لاگ شامل موارد زیر است:

• جهت‌یابی سایت: تحلیل مسیر معمولی که توسط کاربر در حین جهت‌یابی وب‌سایت دنبال می‌شود. جهت‌یابی سایت شامل تحلیل برخی از محبوب‌ترین صفحات در وب‌سایت است. این مورد از طریق کاربر پسند‌کردن وب‌سایت به بهینه‌سازی سایت کمک می‌کند.

• تحلیل ارجاع دهنده: تحلیل سایت‌هایی که در تغییر مسیر ترافیک به سمت وب سایت بیمه‌گر بسیار فعال هستند.

• تحلیل خطا: تحلیل خطاهایی که کاربر در حین جهت‌یابی وب‌سایت با آن مواجه می‌شود. این تحلیل به حل مشکلات کمک کرده و تجربه‌ی جستجو را خوشایندتر می‌سازد.

• تحلیل کلمات کلیدی: تحلیل رایج‌ترین کلمات کلیدی که توسط کاربران مختلف در موتورهای جستجوگر برای دستیابی به وب‌سایت بیمه‌گر مورد استفاده قرار می‌گیرد.

اکچوئریال (آمارگری بیمه)

عملکرد اکچوئریال، هسته‌ی اصلی و جوهر هر کسب و کار بیمه‌ای است و شامل فعالیت‌هایی چون برآورد خطر مربوط به سرمایه‌ مورد بیمه می‌باشد. در بیمه‌های عمر و درمان، اکچوئریال شامل محاسبه‌ی احتمال حادثه یا مرگ بر اساس مشخصات جمعیت شناختی، روانشناختی، و محیطی است. وظیفه‌ی یک اکچوئری بسیار پیچیده است و کاربردهای استراتژیکی برای شرکت بیمه به همراه دارد. اغلب مدتی حدود ده سال طول می‌کشد تا اکچوئری مورد تایید صنعت واقع شود. اکچوئری می‌تواند از مدل‌های پیچیده‌ی ریاضی استفاده کند- مدل‌هایی که با استفاده از ابزار داده‌کاوی برای محاسبه حق بیمه‌های آینده و تخصیص بخشی از دفاتر شرکت یه بیمه اتکایی به وجود می‌آیند.

مدل‌سازی خطر

به منظور شناسایی ویژگی‌های خطر بخش‌های مختلفی از مشتریان، اکچوئری‌ها مدل‌های پیش‌بینی کننده‌ای را با استفاده از ابزارهای داده‌کاوی به وجود می‌آورند. این مدل‌ها شامل معیارهای خطر همانند مقدار متوسط ادعای خسارت، فراوانی ادعای خسارت، و نسبت‌های خسارت برای افراد ثروتمندی است که به مصرف مشروبات الکلی و رانندگی ماشین‌های ورزشی تمایل نشان می‌دهند و یک گروه پرخطر را تشکیل می‌دهد. معیارهای متفاوتی از خطر را می‌توان برای بخش‌بندی‌های مختلف مشتریان به کار گرفت، که می‌توانند بعدا برای محاسبه میزان صحیح حق بیمه مورد استفاده قرار گیرند.

بیمه‌ی اتکایی

شرکت‌های بیمه‌ی اتکایی می‌توانند در ازای دریافت قسمتی از حق بیمه، بخشی از خطر بیمه‌گران را بپذیرند. در زمان ادعای خسارت، شرکت بیمه‌ی اتکایی مبلغ ادعای مربوطه را پرداخت خواهد کرد. لازم است اکچوئری‌ها مقدار مناسب بیمه‌ی اتکایی را تعیین نمایند تا بازده سرمایه برای خطر قابل قبول از طرف شرکت بیمه را به حداکثر برسانند. ابزارهای داده‌کاوی، مدل‌های پیش‌بینی را برای دستیابی به سطح بیمه‌ی اتکایی دفاتر کسب و کار مطابق با داده‌های تاریخی ادعا‌ی خسارت‌های موجود در انبار داده‌ها به وجود می‌آورند. بنابراین، مدل‌های پیش‌بینی می‌توانند بیمه‌نامه‌های مناسب را بر اساس تجربه‌ی خسارت بیمه نامه‌های مشابه در گذشته، برای بیمه‌ی اتکایی شناسایی کنند.

تحلیل سودآوری

سودآوری محصولات موجود را می‌توان در امتداد عوامل گوناگونی چون خط تولید، منطقه‌ی جغرافیایی، نمایندگی، بخش مشتری وغیره ردیابی کرد. غالبا این اولین گام در پیش‌بینی قابلیت سوددهی محصولات جدید به حساب می‌آید. اکچوئری‌ها می‌توانند مدل‌های پیش‌بینی پیچیده‌تری را با استفاده از ابزار داده‌کاوی براساس سوددهی تاریخی، جهت برآورد قابلیت بازاریابی محصولات جدید و شناسایی سودآورترین بخش‌های مشتریان در آن محصولات به وجود آورند.

بیمه‌گری و مدیریت بیمه‌نامه‌ها

بیمه‌گران تصمیم می‌گیرند که آیا خطر مورد پذیرش از طریق بیمه کردن مشتری، قابل قبول است یا نه و اگر این‌ خطر قابل قبول باشد، مبلغ مناسب حق بیمه‌ را تعیین می‌کنند. ابزارهای هوش تجاری می‌توانند دعاوی، بیمه نامه‌ها، خسارات و داده‌های دیگر ذخیره شده در انبار داده‌ها را به منظور کمک به بهبود بیمه‌گری و مدیریت بیمه‌نامه‌ها مورد استفاده قرار دهند. برخی از کاربردهای هوش تجاری در اینجا عبارتند از:

تحلیل حق‌بیمه

درآمد حق بیمه، منبع اصلی درآمد برای هر شرکت بیمه‌ای می‌باشد. تحلیل حق بیمه امکان ردیابی عملکرد حق بیمه را از طریق محصول/ خط تولید محصول، منطقه‌ی جغرافیایی، نمایندگی یا نماینده‌ی خاص، و دفاتر شعب فراهم می‌سازد. گزارش‌ها و تحلیل‌های مختلفی را می‌توان از طریق تحلیل و بررسی داده‌ها استخراج نمود.

تحلیل خسارت

برخی محصولات یا خطوط تولید محصول، و درآمد حق بیمه ممکن است از هزینه‌ی سرویس‌دهی به آن‌ها کمتر باشد. این زیان که غالبا از آن به عنوان زیان بیمه‌گری یاد می‌شود ممکن است به دلیل برآورد اولیه‌ی نادرست خطر باشد. لازم است که بیمه‌گران نظارت دائمی بر داده‌های خسارت‌ها داشته باشند تا هزینه‌ی جذب مشتریان جدید و تمدید قرارداد مشتریان قدیمی برای محصولات یا خطوط تولید محصول مورد نظر را تعیین نمایند. بنابراین، این نظارت می‌تواند به ایجاد بهبود در سودآوری برنامه‌های بیمه‌گری و همچنین بهبود وضعیت دفاتر ثبت کسب‌و‌کار کمک کند.

مدیریت دعاوی

اهمیت مدیریت دعاوی نباید در صنعت بیمه نادیده گرفته شود. رسیدگی سریع و موثر به دعاوی، اساس مدیریت روابط خوب با مشتری را تشکیل می‌دهد. علاوه براین، بیمه‌گر باید در برابر طیف رو به افزایش ادعاهای فریبکارانه احتیاط کند. در حال حاضر، تقلب در بیمه امریکا بسیار رایج است. یکی از تحقیقات اخیر توسط شورای پژوهشی بیمه این کشور[7] (IRC) اذعان داشته است که حدود 36% از پاسخ دهندگان به سوالات محققین معتقدند که بالا بردن مبلغ ادعای خسارت به منظور جبران حق بیمه‌ای که طی چند سال پرداخت شده است، جایز می‌باشد.

با توجه به بررسی دیگری که توسط موسسه‌ی اطلاعات بیمه[8] صورت گرفته است، ادعاهای فریبکارانه‌ی P&C فقط در ایالات متحده بالغ بر رقم تکان دهنده‌ی 10% کل ادعاهای خسارت در سال 2006 بوده است. این رقم برای بیمه‌ی درمان تقریبا چهار برابر است. بیشتر این هزینه‌های اضافی ناشی از تقلب، به عنوان حق بیمه ی بالاتر به مشتریان منتقل می‌شود. هزینه‌ی فرصت مدیریت ادعاهای ناکارآمد بسیار بالاست حل و فصل عجولانه‌ی ادعا می‌تواند به افزایش هزینه‌های مرتبط با تقلب بیانجامد، و در عین حال، تشخیص کند تقلب می‌تواند به افزایش چرخه‌ی زمانی کلی ادعاها منجر شود که نارضایتی بیشتر مشتریان را در پی خواهد داشت. شرکت‌های بیمه در سرتاسر دنیا برای راهکارهای «درست» مدیریت ادعاهای خسارت به تکنولوژی چشم دوخته‌اند. تجربه شرکت‌های مختلف حاکی از آن است که بدون قابلیت‌های تحلیلی ماهرانه، چنین راه حلی، رویایی دست‌نیافتنی باقی خواهد ماند.

کاربردهای هوش تجاری در مدیریت دعاوی

تحلیل دعاوی

تحلیل ادعاهای خسارت، شایع‌ترین کاربرد هوش تجاری در صنعت بیمه است. این تحلیل، به‌طور‌کلی شامل تحلیل داده‌های ادعاهای خسارت همراه با دیگر منابع اطلاعاتی مانند بیمه‌گری و بیمه‌نامه‌هاست و در درجه اول برای ارزیابی بازدهی پردازش ادعاهای خسارت مورد استفاده قرار می‌گیرد که تاثیر مستقیمی بر رضایت مشتری دارد. همچنین از این تحلیل برای درک روندهای دقیق کسب‌و‌کار در ادعاهای خسارت استفاده می‌شود که در غیر این صورت تشخیص و پرداخت آنها با مشکل روبرو می‌شود. از ابزارهای OLAP به‌طور معمول برای تحلیل و ورود به سطح پرجزئیات جهت درک بهتر این روندها استفاده می‌شود. به عنوان مثال، شرکت‌های بیمه می‌توانند از این داده‌ها برای تحلیل روندها در الگو‌های خسارت و دعاوی استفاده کنند که به بهینه‌سازی مدیریت ذخایر کمک کرده و منجر به ریسک کمتر و موجودی سرمایه بیشتر برای سرمایه‌گذاری می‌شود. همچنین، این ابزارها می‌تواند از طریق تحلیل پرداخت های بیش از میزان معمول، در کنار عوامل مختلفی همچون منطقه جغرافیایی، نماینده و طرف بیمه‌شده به شرکت بیمه در تشخیص تقلب کمک کند. در بیمه درمان، تحلیل ادعاهای خسارت می‌تواند از طریق تحلیل رفتار پزشکان مختلف، سوء‌استفاده را کاهش دهد. همچنین می‌تواند به تشخیص پزشکانی که به طور مداوم و در غیر از موارد لازم، داروها و آزمایش‌های گران‌قیمت تجویز می‌کنند کمک کند.

کشف تقلب

احتمال تقلب در یک ادعای خسارت را می‌توان به وسیله تحلیل ماهرانه داده‌های دعاوی خسارت همراه با داده‌های داخلی و خارجی دیگر مانند سابقه پرداخت، بیمه‌گری و پایگاه داده‌های جستجوی ادعای خسارت (ISO) تشخیص داد. ابزارهای داده‌کاوی برای توسعه مدل‌هایی که می‌تواند الگوهای موجود در ادعاهای خسارت‌ جعلی را کشف کند مورد استفاده قرار می‌گیرد. ادعای خسارتی که حاوی علائمی از تقلب باشد را می‌توان برای تحقیقات بیشتر قبل از پرداخت واقعی خسارت به واحد تحقیقات ویژه (SIU) فرستاد.

برآورد ادعای خسارت

مقدار واقعی خسارت‌ها را نمی‌توان در زمان عرضه یک محصول جدید مشخص نمود. در چنین مواردی، یک مقدار تخمین زده شده باید به شکل ذخایر نقدی کنار گذاشته شود و چنین سرمایه‌ای نمی‌تواند برای سرمایه‌گذاری‌های بلند‌مدت مورد استفاده قرار گیرد. دقت این تخمین‌ها می‌تواند تاثیر گسترده‌ای بر سودآوری شرکت بیمه داشته باشد. ابزارهای OLAP می‌توانند برای انجام تحلیل روی داده‌های ادعای خسارت‌ها در سراسر مناطق جغرافیایی تحت پوشش و بخش‌بندی مشتریان برای رسیدن به تخمین بهتر ادعای خسارات مورد استفاده قرار‌ گیرد. برای دستیابی به دقت بالاتر، ابزارهای داده‌کاوی نیز می‌توانند برای توسعه مدل‌های برآورد ادعای خسارت مورد استفاده قرار گیرند.

تامین مالی و مدیریت دارایی‌ها

نقش گزارش‌گری مالی در طول دهه گذشته دستخوش تغییرات زیادی شده است. این نقش به هیچ وجه محدود به صورت‌های مالی قانونی نیست و از آن به طور فزاینده‌ای برای کمک به تصمیم‌گیری‌های استراتژیک استفاده می‌شود. بهره حاصل از سرمایه‌گذاری، منبع مهمی از درآمد برای شرکت‌های بیمه بوده است و این درآمد تا حد زیادی به سودآوری کلی صنعت بیمه کمک کرده است؛ در عین حال هزینه‌های بیمه‌گری سودآوری را به شدت پایین آورده است. برای رقابت در این بازار، شرکت‌های بیمه نیاز به افزایش بازگشت سرمایه خود و پایین آوردن هزینه‌های بیمه‌گری دارند. این امر نیازمند دسترسی به داده‌های مالی برای تحلیل است. بسیاری از شرکت‌ها در تلاش برای بهبود گزارش‌گری مالی و تصمیم‌گیری، داده‌های مالی خود را در انبار داده‌های مالی[9] (FDW)، یکپارچه کرده‌اند.

بودجه‌بندی

انبارسازی داده‌ها، تحلیل هزینه‌های بودجه‌بندی شده را در مقابل هزینه‌های واقعی در موارد مختلف مانند عملیات ارتقا، هزینه‌های بیمه‌گری، حق کمیسیون‌ها و غیره تسهیل می‌کند. ابزارهای OLAP می‌توانند امکاناتی را فراهم سازند که به وسیله آن‌ها دلایل صرف هزینه‌های زیاد با جزئیات بیشتر تحلیل گردد. همچنین این ابزارها می‌توانند برای تخصیص بودجه به دوره مالی بعدی مورد استفاده قرار گیرند. مدل‌های هزینه مختلفی مبنی بر فعالیت‌می‌توانند برای کنترل و تخصیص بهتر هزینه، توسعه داده شوند.

مدیریت دارایی بدهی

با استفاده از ابزارهای هوش تجاری، مدل‌های مختلفی را می‌توان برای سنجش میزان قرار گرفتن شرکت بیمه در معرض عوامل مختلف خطر مانند تغییر در ساختار نرخ بهره، نوسانات بازار سهام و غیره توسعه داد. این مدل‌ها می‌توانند برای پیش‌بینی عملکرد پورتفو تحت تاثیر سناریوهای مختلف اقتصادی و همچنین پیش‌بینی نیازهای نقدینگی آینده بیمه‌‌گر مورد استفاده قرار گیرند.

تحلیل نسبت‌های مالی

نسبت‌های مالی مختلفی مانند نسبت بدهی به حقوق صاحبان سهام، نسبت‌های نقدینگی و غیره نیازمند تحلیل در طول یک دوره زمانی هستند. توانایی پیشروی و پیوستن به گزارش‌ها و تحلیل‌های مرتبط، که توسط کلیه فروشندگان ابزارهای OLAP ارائه می‌گردد، تحلیل نسبت را بسیار شهودی‌تر می‌سازد.

تحلیل سودآوری

این تحلیل شامل سود‌آوری هر یک از محصولات، خطوط تولید، فعالیت‌های بیمه‌گری و سرمایه‌گذاری است.یکی از عناصر اصلی تحلیل سودآوری، تحلیل کاملی از هزینه‌های تحمیل شده در طول فعالیت بیمه‌گری می‌باشد که عامل مهمی در پایین آوردن سودآوری شرکت‌های بیمه است.

گزارش‌دهی‌ و تحلیل تحت وب

تصمیم‌گیری سریع، نیازمند دسترسی به داده‌های مالی از طریق یک رابط بصری است. شرکت‌ها به طور فزاینده‌ای در‌صدد هستند که دسترسی تحت وب به اطلاعات مالی، که در یک انبار‌داده مالی ذخیره شده است را برای مدیران فراهم سازند. تقریباً همه ابزارهای استاندارد OLAP، یک سیستم تحت وب دارند که می‌تواند تا حد زیادی جستجوهای سریع و توزیع گزارش را تسهیل کند.

منابع انسانی

انبار داده‌ها می‌توانند به هماهنگی استراتژی منابع انسانی با استراتژی کلی کسب و کار کمک چشمگیری کنند. همچنین انبار داده دیدگاه یکپارچه‌ای از نیروی کار ارائه می‌دهد ودر طراحی برنامه‌های نگهداری، بهبود بهره‌وری و محدود کردن هزینه‌ها کمک می‌کند. برخی از کاربردهای هوش تجاری در منابع انسانی عبارتند از:

گزارش‌ها و تحلیل‌های منابع انسانی

برای حمایت از دیدگاه یکپارچه‌ای از نیروی کار، می‌توان از گزارش و تحلیل بهره گرفت. تحلیل شامل حرکت و عملکرد کارکنان، فرسایش نیروی کار بر اساس بخش‌های مختلف سازمان، عملکرد نیروی کار بر اساس بخش‌های مختلف سازمان، حقوق و دستمزد و کاهش نیروی کار، و دیگر گزارش‌ها و تحلیل‌های سفارشی می‌باشد. داده‌های منابع انسانی می‌توانند با آمار و ارقام‌های معیار (الگو) برای صنعت بیمه، به صورت یکپارچه در آیند تا گزارش‌های مختلفی جهت اندازه‌گیری عملکرد با توجه به معیارهای صنعت بیمه ایجاد شوند.

تخصیص نیروی انسانی

این مورد، دربرگیرنده تخصیص نیروی انسانی بر اساس عرضه محصولات جدید است. با توجه به افزایش نیاز، می‌توان نماینده فروش را در مناطق خاصی که دارای تقاضای زیاد است و یا پیش‌بینی می‌شود که تقاضا در آنها افزایش یابد، مستقر نمود.

پورتال منابع انسانی

لازم است که اطلاعات دقیق کارکنان، نگهداری شود تا توسط کارکنان برای کسب اطلاعات در مورد پاداش،حقوق و مزایا، امکانات بازنشستگی و غیره مورد استفاده قرار گیرد. داده‌های حقوق و دستمزد را می‌توان با داده‌های سایر از برنامه‌های مدیریت منابع انسانی در انبار داده‌ها به صورت یکپارچه درآورد. داده‌ها را می‌توان پس از تولید در سازمان از طریق پورتال منابع انسانی برای مشاهده در دسترس قرار داد.

آموزش و برنامه‌ریزی جانشینی

داده‌های دقیق پیرامون مجموعه مهارت‌های کارکنان را می‌توان در یک پایگاه داده ذخیره کرد. این داده‌ها ممکن است برای طراحی برنامه‌های آموزشی و برنامه‌ریزی جانشینی موثر مورد استفاده قرار گیرند.

مدیریت شرکت

مدیریت ارشد هر یک از شرکت‌های بیمه‌ای نیازهای هوش تجاری مربوط به خود را دارند. بخش مدیریت سیستم‌های اطلاعاتی (MIS) عمدتاً مسئول ارائه همه گزارش‌ها به مدیریت ارشد و همچنین ارائه گزارش‌های قانونی به نهادهای مختلف خارج از سازمان و نیز ارائه سایر اطلاعات مورد نیاز در داخل و خارج از شرکت است. این امر ممکن است شامل ارائه اطلاعات به مشتری در قالب گزارش‌ها و تحلیل‌های متفاوت باشد. یک محیط هوش تجاری که به عنوان اهرمی برای اطلاعات جمع آوری شده در سرتاسر زنجیره ارزش در نظر گرفته می‌شود، احتمالاً تنها راه حل موثر برای مدیریت سیستم‌های اطلاعاتی می‌باشد.

گزارش اجمالی به مدیر ارشد

معیارهای مختلف عملکرد مانند سودآوری خط تولید محصول، ROI در پورتفوی سرمایه‌گذاری، هزینه‌های کلی بیمه‌گری و غیره می‌تواند در گزارش‌های اجمالی به مدیریت ارشد ارائه شود تا فرآیند تصمیم‌گیری تسهیل شود.. این گزارش می‌تواند با الگوهای مورد نظر در صنعت بیمه که توسط سایر محققان تهیه شده است ترکیب شود.

گزارش‌های قانونی

همه شرکت‌های بیمه باید چند گزارش قانونی را به سازمان‌های مختلف در خارج از شرکت، سازمان‌های دولتی و کنسرسیوم‌های تجاری ارائه دهند. این گزارش‌ها را می‌توان به راحتی در محیط هوش تجاری تولید کرد.

خدمات اطلاع‌رسانی مشتریان

داده‌های ادعاهای خسارت گذشته می‌تواند برای مشتریان سازمانی به کارکنان خود در مقابل حوادث، غرامت پرداخت می‌کنند، بسیار حیاتی باشد. این اطلاعات می‌تواند به مشتریان در شناسایی روندهای اصلی ادعای خسارت و اجرای اقدامات اصلاحی مناسب کمک کند. خدمات اطلاع‌رسانی به مشتری نه تنها می‌تواند هزینه‌های مربوط به ادعاهای خسارت‌ را کاهش دهد، بلکه می‌تواند روابط شرکت با مشتریان خود را تقویت کند.

نتیجه گیری

صنعت بیمه با پذیرش محیط هوش تجاری، بر مبنای تکنولوژی‌هایی نظیر انبار داده‌ها ، داده‌کاوی وOLAP به چند بخش مجزا تقسیم شده است. تقریبا تعداد اندکی از شرکت‌های بیمه در مراحل پیشرفته استفاده از هوش تجاری هستند، ولی هنوز بسیاری از شرکت‌ها به مزایای آن بی‌توجه هستند. برخی شرکت‌های بیمه راه‌حل‌های موقت مقیاس‌ناپذیر را پیاده‌سازی کرده‌اند که اغلب نمی‌تواند در حجم روز افزون داده‌ها نفوذ کند. از این رو نیاز به محیط هوش تجاری موثر بر اساس معماری درست بسیار حیاتی می‌باشد. چالش واقعی این است که محیط هوش تجاری به بخشی جدایی ناپذیر از فرآیند تصمیم‌گیری تبدیل شود. بنابراین جمع‌آوری اطلاعات مورد نیاز از تمام گروه‌های کاربری برای موفقیت هر انبار داده بسیار حیاتی است. همچنین، یک انبار داده هرگز نمی‌تواند به همه اطلاعات مورد نیاز پاسخ دهد؛ از این رو تعیین اهداف تجاری مشخص برای راه حل هوش تجاری با حمایت مدیریت ارشد بسیار مهم است.

مراجع

2013,"S Kokin, D Pedyash, AV Belov, T Wang , "The Contribution of Business Intelligence Use and Business Intelligence System Infrastructure Flexibility to Organizational Dynamic Capability.

2012, "H Chen, RHL Chiang, VC Storey , "Business Intelligence and Analytics: From Big Data to Big Impact

2013, "L Xiuli, Z Sujuan, W Xiaolin , "The Research of Using ACCESS to Establish Insurance Integrity Database for Network Survey

2013, "H Ding , "Rate Making Discussion and Computer Implementation in Auto Insurance.

2009, "Mohapatra, S., Tiwari, M.,"Using Business Intelligence for Automating Business Processes in Insurance