По данным исследования McKinsey, финансовый сегмент наиболее предрасположен к эффективному внедрению технологии машинного обучения в повседневной деятельности.

Несколько лет назад в своем отчете аналитики McKinsey прогнозировали возможность автоматизации 40% бизнес-процессов за счет технологии машинного обучения, а в 2017 году — уже 80%. Растут и инвестиции в технологии. В 2016-2017 годах в технологии искусственного интеллекта бизнес инвестировал свыше 30 млрд долларов.

Страхование — площадка для инноваций

Систематически повторяющиеся операции, низкая маржинальность, высокая роль человеческого фактора в принятии решений — эти особенности позволили в полной мере задействовать возможности машинного обучения в страховом бизнесе.

Объединение интересов позволяет в банкостраховании использовать технологию в аналитике кросс-продаж и оттока клиентов, лояльности и удовлетворенности, эффективности совместных маркетинговых кампаний. Повышается качество предиктивной аналитики.

Дефицит business translators-специалистов серьезно сдерживает темпы внедрения инноваций

Для клиентов ОСАГО и каско компьютерное зрение по фотографии определяет поврежденную деталь автомобиля, степень повреждения и рассчитывает стоимость ремонта после аварии. Проект уже внедряется одной из российских экспертных компаний. Ожидается, что время на проведение осмотра и расчета сократится на 30–40%.

В страховании жизни машинное обучение применяется для анализа доступных социальных характеристик людей, которые приобретали продукт. Это позволяет построить модель предрасположенности человека к приобретению этого вида страхования. Компании более таргетированно предлагают страхование жизни и на 20–30% увеличивают конверсию обращений в продажи.

Использование технологии в ДМС повышает рентабельность бизнеса. Поиск необоснованно оказанных клиниками услуг, прогнозирование обращений клиентов в клиники, предсказание оптимального момента для кросс-продаж — список проектов стремительно расширяется. Машина способна проверять десятки тысяч услуг в реестрах счетов из клиник за час, выявляя необоснованно оказанные услуги, что увеличивает экономический эффект от процесса экспертизы в 2–5 раз. Прогноз обращений в клинику членов коллектива, застрахованного по ДМС, на основе данных о возрасте, поле, расположении офиса, расстоянии до метро и многих других факторах, идентифицированных в ходе обучения машины, позволяет страховой компании рассчитать правильный тариф, привлечь прибыльных клиентов и прогнозировать финансовый результат.

Искусственный интеллект нашел применение в развитии клиентского сервиса. Появляются боты, способные решать проблемы клиента «под ключ». Около 20–30% всех контактов с клиентами за счет внедрения ботов может быть оптимизировано уже в ближайшее время.

Кадры решают все

Для адаптации компаний финансового сегмента к технологии требуется инициатива со стороны топ-менеджмента для выбора стратегии — только в этом случае будет раскрыт потенциал. Без правильной стратегии машинное обучение превратится в программы, выполняющие рутинные операционные задачи.

Для успешного использования машинного обучения компании должны иметь доступ к массивам данных за весь период работы, чтобы искусственный интеллект мог генерировать на их основе точные выводы и прогнозы. При этом нужно обеспечить конфиденциальность персональной информации о пользователях, чтобы исключить ее незаконное использование.

Дефицит business translators-специалистов, обладающих глубокой экспертизой в бизнесе и пониманием возможностей технологии машинного обучения, серьезно сдерживает темпы внедрения инноваций. Спрос на таких специалистов в сфере анализа данных превысил предложение. Многие компании, не имеющие собственных серьезных разработок, прибегают к услугам сторонних организаций — консультантов в области автоматизации бизнес-процессов и машинного обучения.

Несмотря на все эти сложности, уровень проникновения технологии машинного обучения в отрасли растет. У финансовых компаний есть все предпосылки не только успевать за скоростью развития новых технологий, но и во многом возглавить этот тренд.