Page 27 - InsuranceJournal138

วิชาการ IPRB

Actuarial และ Underwriting Analytics: ฝ่ายคณิตศาสตร์ประกันภัยจ�าเป็นต้องรู้เรื่องความน่าจะเป็นและขอบเขตของความเสีย
ื
ั
ี
ั
ี
หาย ฝ่ายรับประกันภัยต้องทราบการประเมินความเส่ยง เพ่อให้ต้งราคาได้เหมาะสมตามความเส่ยงน้น โดยปกติบริษัทประกันภัยจะพิจารณา
ื
�
ตัดสินใจด้วยข้อมูลเพียงสองสามตัวแปรบนพ้นฐานข้อมูลในอดีต เพ่อทาความเข้าใจความเส่ยงและการกาหนดราคา แต่ประโยชน์จากการวิเคราะห์
ื
�
ี
ข้อมูลเชิงลึกไม่เพียงแต่สามารถวิเคราะห์ได้หลายตัวแปร ยังสามารถผสมผสานข้อมูลความเสี่ยงและจ�าลองสถานการณ์ในอนาคต เพื่อหาหนทาง
ที่ดีที่สุด เช่น การจ�าลองโมเดลภัยพิบัติให้ตรงกับสถานการณ์ที่เกิดขึ้นจริง โดยสร้างหลากหลายสถานการณ์จากข้อมูล geographic และข้อมูล
ท่มาจากการประเมินความเป็นไปได้ของค่าเสียหายจากภัยพิบัติน้น ๆ เป็นต้น การวิเคราะห์ข้อมูลเชิงลึกทาให้ฝ่ายคณิตศาสตร์ประกันภัยและฝ่าย
ั
ี
�
รับประกันภัยสามารถตั้งราคาได้ตรงตามความเสี่ยงยิ่งขึ้น ซึ่งส่งผลต่อการตั้งเงินส�ารอง การประเมินความเหมาะสมในการเอาประกันภัยต่อ ยิ่ง
ไปกว่านั้นสามารถระบุว่าความเสี่ยงใดเป็นความเสี่ยงหลัก ที่มีผลต่อ loss ratios จะเห็นได้ว่าการวิเคราะห์ข้อมูลเชิงลึก สามารถเพิ่มความเร็ว
และความแม่นย�าในการตัดสินใจ และสามารถน�าไปปรับปรุงกฎข้อบังคับ หรือกฎหมาย และความพึงพอใจของลูกค้า
Claim Analytics: กระบวนการสินไหมทดแทนนั้นใช้ทรัพยากรมาก ทั้งเวลาและแรงงาน เนื่องจากมีหลายขั้นตอนและเกี่ยวข้องกับ
หลายหน่วยงาน ท�าให้ใช้เวลานานและอาจเลยก�าหนดการปิดรายการสินไหมทดแทน ส่งผลให้มีค่าใช้จ่ายเพิ่มขึ้น claim analytics สามารถลด
ขั้นตอนในกระบวนการสินไหมทดแทน รวมทั้งลดเวลาการตัดสินใจและความผิดพลาดใด ๆ ในการตัดสินใจนั้น ๆ และหาผลลัพธ์ที่สามารถเห็น
ิ
�
แนวโน้มของต้นทุนความเสียหายและค่าใช้จ่ายในการดาเนินงาน สามารถนาไปปรับปรุงกฎข้อบังคับ หรือกฏหมายและเพ่มความพึงพอใจของ
�
ลูกค้า ตัวอย่างประโยชน์ที่ได้จาก claim analytics เช่น บริษัทประกันภัยในอังกฤษสามารถประหยัดเงินไปประมาณ 2 ล้านปอนด์ (ประมาณ
88.5 ล้านบาท) ต่อปี สาหรับค่าสินไหมของประกันภัยรถยนต์ บริษัทประกันภัยอันดับต้น ๆ ของโลกสามารถประหยัดเงินประมาณ 3 ล้านดอลลาร์
�
(ประมาณ 108 ล้านบาท) ต่อปี จากการใช้ predictive model บริษัทประกันภัยในประเทศสวิสเซอร์แลนด์ สามารถลดความเสี่ยงการลงโทษ
ึ
ผู้ไม่ปฏิบัติตามกฎข้อบังคับ ลดเหลือน้อยกว่าร้อยละ 1 และบริษัทประกันภัยรถยนต์พบว่าสินไหมทดแทนท่เกิดข้นมีการใช้ระบบ FNOL
ี
(First Notice of Loss) ซ่งเป็นระบบท่แจ้งข้อมูลให้แก่บริษัทประกันภัยทราบถึงความเสียหายและการสูญหายของรถยนต์ โดยเพ่มจากร้อยละ 4
ี
ิ
ึ
�
ึ
เป็นร้อยละ 25 ทาให้บริษัทประกันภัยได้รับข้อมูลสินไหมครบถ้วนและรวดเร็ว จึงสามารถดาเนินการพิจารณาสินไหมทดแทนได้เร็วข้น สร้าง
�
ความพึงพอใจแก่ลูกค้า และลดค่าใช้จ่ายในการจัดการสินไหม เป็นต้น
Fraud Analytics: ตามข้อมูล National Insurance Crime Bureau (NICB) ประมาณการร้อยละ 10 ของการเรียกร้องค่าสินไหม
ึ
ี
ิ
ทดแทนของประกันภัยเป็นการฉ้อฉล ในปี 2012 ประกันภัยในสหรัฐอเมริกาพบว่าการเรียกร้องค่าสินไหมทดแทนท่เป็นการฉ้อฉลเพ่มข้นเป็น
ิ
ึ
�
ร้อยละ 27 ซ่งเป็นข้อกังขาของบริษัทประกันภัยในส่วนสินไหมทดแทนว่าทาไมจึงเพ่มข้นทุกปี โดยเฉพาะประกันวินาศภัยและประกันสุขภาพ
ึ
ึ
ั
�
การฉ้อฉลในอุตสาหกรรมประกันภัยสามารถเกิดข้นได้ทุกข้นตอนในการดาเนินการและกับผู้เก่ยวข้องใด ๆ ก็ได้ เช่น ลูกค้า ผู้เสียหาย หรือ บุคคลใด ๆ
ี
ที่เกี่ยวข้องกับการด�าเนินการ เป็นต้น การฉ้อฉลที่พบเห็นโดยทั่วไป คือ การฉ้อฉลจากการเรียกร้องค่าสินไหมทดแทนที่ผู้เอาประกันภัยน�าเสนอ
ไม่ตรงความเป็นจริง และเรียกร้องค่าสินไหมทดแทนกับความเสียหายที่เกินความเป็นจริง การฉ้อฉลที่เลวร้ายขึ้นไปอีกคือ การท�าเป็นขบวนการ
ึ
ั
ั
็
ี
้
ี
้
ิ
ี
่
ั
ื
ั
�
�
ิ
ิ
็
ี
หรือเป็นองค์กร ประกอบกบมอนเทอร์เนต ย่งทาให้จานวนการฉ้อฉลอย่างมออาชพเพมสูงขน นอกจากน้ ยงรวมถึงการเกบค่าเบยประกนภย
ไว้เอง ไม่น�าส่งบริษัทประกันภัย การคิดค่าธรรมเนียมจากลูกค้าเกินจริง และการยักยอกทรัพย์ภายในบริษัท
ื
�
เดิมทีบริษัทประกันภัยไม่ได้มีเคร่องมือในการตรวจสอบการฉ้อฉล จึงใช้เทคนิคการสุ่มตัวอย่างมาตรวจสอบ ทาให้ต้องใช้เวลา และบางคร้ง ั
ิ
�
ผลท่ได้กลับไม่พบความผิดปกติ แต่ในปัจจุบัน ด้วยเทคโนโลยีท่ก้าวหน้า บริษัทประกันภัยท่วโลกเร่มนา predictive และ prescriptive analytics
ี
ี
ั
ิ
ี
ี
ี
ี
�
มาใช้ระบุสนไหมทดแทนท่เป็นการฉ้อฉล และระบลูกค้าท่มความเส่ยงท่จะมีการฉ้อฉล เพ่อหลีกเลยงการรับประกันภัย วิธท่นามาใช้ในการวเคราะห ์
ี
ิ
ี
ื
่
ุ
ี
ี
การฉ้อฉล ยกตัวอย่างเช่น text mining (วิเคราะห์จากข้อความ) social network analytics (วิธีการวิเคราะห์ข้อมูลใน social network) และ
geospatial (การวิเคราะห์เชิงพื้นที่) เป็นต้น มาใช้ตรวจสอบการฉ้อฉล ลดเวลาการตรวจสอบ พร้อมผลลัพธ์ที่แม่นย�าขึ้น สามารถช่วยป้องกัน
การฉ้อฉล และยังช่วยในการลดต้นทุนค่าสินไหม ท�าให้ผลก�าไรเพิ่มขึ้น
fraud analytics เพียงอย่างเดียว ไม่สามารถขจัดการฉ้อฉลออกไปได้ทั้งหมด แต่อย่างน้อยก็เป็นเครื่องมือที่เพิ่มความสะดวกสบายแก่
บริษัทประกันภัย เพื่อที่จะต่อต้านการฉ้อฉล โดยเตือนและตอบสนองอย่างรวดเร็วเมื่อตรวจสอบพบสินไหมน่าสงสัย นี่เป็นสิ่งส�าคัญส�าหรับโลกที่
ี
ี
เป็นดิจิตอล ไม่ใช่เพียงธุรกิจท่ต้องรวดเร็ว แต่ต้องเป็นธุรกิจท่ใช้เทคโนโลยีเป็นด้วย ตัวอย่างผลลัพธ์ท่ได้จากการใช้ fraud analytics เช่น สามารถ
ี
ตรวจจับการฉ้อฉลเพิ่มจากร้อยละ 3.5 เป็นร้อยละ 8 ช่วยลดเวลาในการสืบสวนรายการสินไหมถึงร้อยละ 95 เพิ่มจ�านวนเงินสินไหมรับคืน เป็น
เงินถึง 12 ล้านดอลลาร์สหรัฐ (ประมาณ 433 ล้านบาท) ภายในเวลา 6 เดือน ช่วยจัดล�าดับความส�าคัญของรายการสินไหม ท�าให้เพิ่มภาพลักษณ์
แก่บริษัทประกันภัย เช่น เมื่อเกิดภัยพิบัติจะน�ารายการสินไหมที่มีความเกี่ยวข้องมาด�าเนินการก่อน เป็นต้น
Customer Retention: การรักษาลูกค้าให้ยังคงต่ออายุกรมธรรม์ นับเป็นเรื่องส�าคัญและสร้างความกังวลใจให้แก่บริษัทประกันภัย
ประโยชน์จากการต่ออายุกรมธรรม์ของลูกค้าเดิมก็คือ ค่าใช้จ่ายที่น้อยกว่าการหาลูกค้ารายใหม่ Predictive Analytics ถูกใช้ส�าหรับจัดกลุ่มตาม
ื
�
ี
ี
ข้อมูลลูกค้าท่บริษัทมี โดยใช้สถิติประชากรศาสตร์ ข้อมูลการดาเนินการและข้อมูลความเส่ยง เม่อลูกค้ามีการหยุดจ่ายเบ้ยประกัน จะมีท้งโฆษณา
ี
ั
วารสารประกันภัย มกราคม - มีนาคม 2561 27