30/06/2016


אפשר להבין למה מנהלי חברות הביטוח התעלמו עד היום מהפוטנציאל של ה-Machine learning או בתרגום לעברית למידה חישובית (המכונה גם "למידת מכונות"). בואו נודה על האמת – הרעיון שמחשבים ילמדו את הטעויות של בני האדם ויהפכו ליותר חכמים, יעילים ובעלי יכולת לחזות את העתיד מיוצריהם נראה לפעמים כמו משהו שיצא מסרטי מד"ב של שנות השמונים.

אבל אנחנו כבר מזמן לא שם. יותר ויותר חברות בעולם כבר מנצלות לחלוטין את "המכונות" כדי ליצור מודלים עסקיים חדשים, להפחית סיכונים, לשפר את היעילות ולהשיג יתרונות תחרותיים חדשים. אז מה מעכב את חברות הביטוח?

למידה חישובית, בבסיסה, משתמשת באלגוריתמים שבעזרתם המחשב לומד מתוך דוגמאות בהיסטוריית הנתונים כדי לחזות תוצאות עתידיות. למשל: בנקים משתמשים באלגוריתמים של למידה חישובית כדי לנתר הונאות או פעולות חריגות בכרטיסי אשראי.

מידע זמין ובלתי נגמר

הלמידה החישובית היא נושא חם מאוד היום בענפים שפעילותם מושתתת במידה רבה על הזמינות ההולכת וגדלה של מידע ומחשוב ענן זול בהיקפים אדירים, על כך שעומדות לרשותם כמויות עצומות של מידע בלתי מובנה (כמו קבצי אודיו, וידיאו ותמונות). אלה ארגונים שחותרים כל העת ליעילות תפעולית ולניהול נכון של העלויות.

עבור תעשיית הביטוח, למידה חישובית יכולה להיות לא פחות מ"גיים-צ'יינג'ר". למה? כי לרוב חברות הביטוח יש היום שלושה יעדים מרכזיים: שיפור ההיענות של הלקוחות, שיפור מבנה העלויות ושיפור התחרותיות. למידה חישובית יכולה לספק לפחות את חלק מהפיתרון לכל שלושת היעדים, וזה יכול לקרות באופן הבא:

   1.  שיפור ההיענות של לקוחות
       האלגוריתמים, הטכניקות והטכנולוגיות שקיימים היום במסגרת הלמידה החישובית מאפשרים
       סקירה, ניתוח והערכה של אינפורמציה שקיימת בתמונות, סרטוני וידיאו ושיחות קוליות. אחת
       התועלות המיידיות של היכולת הזאת עבור חברות ביטוח היא, למשל, ניתור והבנה טובה יותר
       של האינטראקציה בין הלקוחות לסוכני המכירות וכך לשפר את הפיקוח על שיטות שיווק
       פסולות של מוצריהן.

   2.  שיפור מבנה העלויות 
       מאחר שכוח העבודה הוא חלק משמעותי בעלויות התפעול של חברות הביטוח, אם חלק
       מהפעולות יעברו אוטומציה הן ייהנו מצמצום עלויות משמעותי. למעשה, בעזרת למידה
       חישובית, חברות הביטוח יוכלו לקצר את התהליך של שעוברות התביעות מחודשים לדקות
       בודדות.

   3.  שיפור התחרותיות
       לקוחות רבים, למשל, יסכימו לשלם יותר אם חברת הביטוח תתחייב לתהליך חלק של קבלת
       החזרים, כזה שמייתר את הצורך להתקשר למוקד התביעות. בנוסף, אם חברות הביטוח
       יפשטו את תהליכי קליטת הלקוחות או רישום מחדש של לקוחות באמצעות מער למספר
       שאלות מצומצם בלבד, נאמנות הלקוחות תשתפר להפליא.

מתגברים על פערים בין-תרבותיים למען הבינה המלאכותית

אחת הסיבות העיקריות לכך שלקח לחברות הביטוח זמן רב לאמץ את הלמידה החישובית היא התרבות הארגונית שלהן, שמעדיפה לא להיות חלק מה-“early adopters” (המאמצים המוקדמים) של טכנולוגיות וגישות חדשות וגם לא לבצע מהלכים של ניסוי וטעייה.

בנוסף, חברות הביטוח נוטות לאגור מידע רב ולהשאיר אותו בדלת אמותיהן, כמאפיין ענפים עתירי-מידע. החדשות הטובות הן שהיום חברות רבות להוטות להצטרף לתרבות "מונחית המידע" שדוגלת בשיתוף מידע ובשיתופי פעולה עם חברות אחרות ומתנגדת לאגירת מידע ומידורו. 

למידה חישובית – אפשר להתחיל בקטן

הדבר הראשון שחברות הביטוח צריכות להבין הוא שלמידה חישובית היא לא מרוץ חימוש. כדי לפתח את יכולות הלמידה החישובית שלהן, המבטחות חייבות לנקוט גישה מדעית ומדודה. עם הזמן הן ימצאו דרכים חדשות לשלב את הטכנולוגיה החדשנית והמועילה הזאת בעוד ועוד חלקים של הפעילות העסקית שלהן.  

לכן - רצוי להתחיל בקטן. הניסיון והמחקר מלמדים שלנוכח האתגרים שניצבים בפני ענף הביטוח – כדאי להתחיל בפיתוח מודל של "הוכחת הרעיון" (PoC), כזה שאפשר בקלות לבחון וליישם בסביבה נטולת סיכונים. מאחר שמכונות טובות במשימות שגרתיות ואלגוריתמים לומדים לאורך זמן, כדאי שחברות הביטוח ימקדו את ה-PoC בתהליכים מוכרים. ככל שהמכונות יקבלו יותר החלטות וינתחו יותר מידע, הן יהיו מוכנות יותר להתמודד עם משימות והחלטות מורכבות יותר.

KPMG עובדת עם כמה חברות ביטוח על פיתוח ה-PoC של הלמידה החישובית שלהן. אפשר לומר בביטחון מלא שהקרב על המכונות בענף הביטוח כבר החל, ושכל מי שיישאר בשוליים יפסיד בשעה שמתחריו ימצאו דרכים חדשות להשתמש במכונות כדי למצוא דרכים חדשות שיגדילו את היעילות ואת הערך של מוצריהן.