— Степан, пандемия ускорила зарождающиеся процессы по автоматизации на страховом рынке. Какие тренды вы здесь наблюдаете и на решение каких задач видите большой спрос?

— Первое что затронуло страховщиков (в основном розницу) — это перевод урегулирования убытков в удаленный формат. Если раньше урегулирование проходило в «традиционном» режиме с множеством справок и очными визитами, то спустя два года с начала пандемии страховщики сильно перестроили процессы, особенно в автостраховании. Теперь, например, если произошло ДТП, клиенту часто достаточно заполнить в мобильном приложении заявление, описывающее обстоятельства ДТП, сфотографировать машину со всех сторон и направить все это в два клика в страховую компанию. Это стало возможно благодаря активному внедрению технологий, которые автоматически выявляют и оценивают тяжесть повреждений автомобиля по фотографиям, а также автоматизируют принятие решений о маршрутизации убытка — например, в какую станцию техобслуживания отправить автомобиль с учетом условий договора и характера повреждений.

Второй тренд, который значительно развился за время пандемии, — всплеск мошенничества. С учетом того факта, что, например, по моторным видам десятки процентов выплат приходятся на страховое мошенничество, в пандемию этот тренд стал сильно «давить» на рентабельность страхового бизнеса. Из-за этого мы видим, что страховщики стали активно инвестировать в повышение эффективности выявления страхового мошенничества. И одно из ключевых направлений этих инвестиций — создание аналитических систем, основанных на технологиях анализа графов и машинного обучения, которые позволяют выявить больше типичных случаев мошенничества, а также выявить новые схемы инсценировки страховых случаев.

Третий (пожалуй, наиболее важный) тренд — это перевод продаж практически всех продуктов в удаленный режим. Помимо очевидного ускорения роста диджитал-продаж это тренд получил важное продолжение, которое в ближайшем будущем может серьезно изменить фундаментальные основы работы страхового рынка РФ. Дело в том, что полисы, которые приобретаются через сайт, покупаются без участия страховых посредников. Да и продукт в этом процессе клиент выбирает самостоятельно.

Поэтому если раньше сотрудники страховых компаний фокусировались на выполнении плана по продажам определенных продуктов или плана по продажам через конкретных посредников, то сейчас фокус быстро смещается на продажи, идущие от потребностей самого клиента, от контекста его жизни.

Теперь важно как можно больше знать, как выглядит жизнь клиента за пределами общения со страховой компанией, есть ли у него дети, дом, сколько машин в семье, застрахован ли он в другой компании. А ключ к получению этих знаний — проактивное общение с клиентами на интересные ему темы. Если у компании десять клиентов, каждому из них можно просто регулярно звонить и справляться о здоровье детей и последнем отпуске. Но если речь идет о крупной компании с несколькими миллионами клиентов, невозможно силами даже нескольких тысяч сотрудников выполнить эту задачу. Поэтому у страховщиков появился спрос на автоматизацию коммуникации, формирование проактивного общения с клиентами. Крупнейшие компании активно инвестируют в современные CRM-технологии, в частности в аналитический и операционный CRM. Аналитический CRM как раз позволяет автоматически выявлять потребности клиентов, делать им персонализированные предложения на основе этих потребностей, правил и ИИ-моделей. В этом смысле аналитический CRM отвечает за генерацию новых лидов для каналов продаж. А операционный CRM нужен для увеличения конверсии уже созданных лидов в покупки в некоторых каналах продаж, где клиент общается с «живым» продавцом.

— Недавно крупнейшие страховщики обсуждали, что за счет предложений превентивных чекапов или проверки объектов недвижимости удается в том числе снизить убыточность. Можете подробнее рассказать про этот механизм?

— Переход к страховой экосистеме важен не только потому, что страховщики получат дополнительный источник дохода от продажи партнерских сервисов. Не менее важно и другое: услуги партнеров — это отличные инструменты для предупреждения попадания клиентов в страховой случай. Например, в дополнение к ДМС можно предложить недорогие превентивные чекапы о партнерских лечебно-профилактических учреждениях, чтобы клиент мог заранее выявить проблемы со здоровьем. Как результат страховщик выиграет не только от продажи услуги сервиса партнера, но и от того, что по договорам страхования он будет получать меньше убытков.

Читающие эту статью медстраховщики скажут, что не все так просто и убыточность по договорам ДМС может, наоборот, возрасти, поскольку застрахованные, которые ранее не планировали ходить по клиникам, активно начнут это делать. В общем случае так и произойдет, однако эта проблема легко решается за счет технологий машинного обучения, которые помогают выявить тех людей, которые после чекапа не будут так себя вести. Другой пример — услуга превентивного «аудита» сантехники или электрики в квартире. Вовремя выявленная прохудившаяся труба резко снизит вероятность залива соседей этажом ниже. Все это еще повышает для клиента ценность работы со страховщиком, потому что теперь страховая компания не просто компенсирует финансовый ущерб, а помогает предотвратить попадание в страховой случай, что для клиента не менее ценно.

— Но страховые компании обладают крайне скудным набором знаний о клиенте, в том числе потому, что видят его один-два раза в год. Есть ли у вас решения для восполнения нехватки клиентских данных?

— Да, технологии машинного обучения, входящие в аналитический CRM, позволяют на основе внутренних и открытых внешних данных найти в клиентской базе людей, чей профиль похож на тех, кто когда-то у покупал каско, телемедицинские услуги, страховал квартиры и т.д. Модели машинного обучения анализируют сотни факторов о человеке, например стаж вождения, доход, стоимость недвижимости. Это позволяет понять контекст, в котором живет человек, и предлагать наиболее подходящие продукты, потому что большинство людей с похожим профилем такие продукты уже покупали. Из опыта скажу, что эти технологии позволяют увеличить кросс-продажи даже относительно дорогих страховых продуктов, таких как полное каско или страхование загородной недвижимости, в несколько раз.

Важно понимать, что на любой продукт есть два типа спроса. Первый — это естественный спрос, когда в вашей клиентской базе есть люди, которые понимают, зачем покупать страховые продукты. Главный подход к монетизации этого сегмента — вовремя предложить то, что идеально впишется в текущие потребности клиента. Это можно сделать с помощью технологии кампейнинга, которая составляет ядро аналитического CRM. Эта система ежедневно по заранее заложенной в ней логике решает, что с каждым клиентом делать на базе его профиля, пола, возраста, дохода и так далее, а также на основе отклика клиента на предыдущие коммуникации.

Однако часто просто понимания контекста жизни человека не хватает для успешной продажи страхового продукта. Существуют сложные страховые продукты, ценность которых настолько неочевидна, что даже после прочтения условия страхования они не становится понятнее. Пример — сложное, дорогое каско или накопительное страхование жизни. В случае сложных продуктов опрометчиво рассчитывать, что в многомиллионной клиентской базе хотя бы 10 тыс. человек имеют сформированную потребность в покупке «сложного» полиса. Но при этом у них есть деньги, которые они могут отдать на такого рода страхование, и часть из них, скорее всего, находится в обстоятельствах, при которых было бы логично купить сложный полис. В этом случае, чтобы человеку объяснить, в чем польза сложного продукта, с ним нужно много раз пообщаться, постепенно подвести его к мысли, что его жизненная ситуация располагает к покупке такого продукта. И только после этого у него начнет формироваться спрос. Эта задача с точки зрения технологий решается уже знакомой нам системой — аналитическим CRM, причем во многом не моделями машинного обучения, а функционалом кампейнинга. Это часть аналитического CRM, которая, как уже говорилось, каждый день по заранее заложенной в нее логике решает, что с каждым клиентом делать на базе его профиля, пола, возраста, дохода и других факторов, а также на основе откликов клиента на предыдущие коммуникации. И далее производит персонализированные коммуникации с человеком, нацеленные на создание у него потребности в продвигаемых продуктах.

— Это наверняка повышает и лояльность клиентов, потому что они видят персональное отношение, проактивный сервис со стороны страховщика, предложение действительно релевантных продуктов.

— Так и есть. Как я говорил, предупреждение страхового случая — услуга не менее ценная для клиента, чем компенсация финансового ущерба в случае попадания в неприятную ситуацию. Например, следуя персональным рекомендациям, которые позволяют снизить риск попадания в ДТП, клиент чувствует заботу, понимает, что деньги он тратит не зря, даже если при этом ни разу не попал, например, в ДТП за 10 лет. Возможно, это произошло только благодаря сообщению от страховой компании в духе: «Сегодня в Москве выпал снег, на дорогах вероятность попасть в ДТП выросла в пять раз, лучше поехать на работу на метро». То есть страховая компания не терпит убытки, одновременно увеличив лояльность клиента.

— Какие еще вы видите перспективы цифровизации страховой отрасли на горизонте от трех до пяти лет?

—Страховщики сейчас все больше инвестируют в специальные аналитические real-time-технологии, которые при посещении сайта позволяют собирать максимальное количество данных о человеке из открытых источников, а также записывать все его действия на сайте. Real-time-анализ этой информации дают возможность понять, стоит ли инвестировать деньги, чтобы «догонять» клиента, когда он начал уходить с сайта, не совершив покупку. А если догонять, то какой коммуникацией — дешевой, но малоэффективной, либо дорогой, но которая, скорее всего, точно сработает.

Также в качестве важного направления я бы отметил практически полную автоматизацию урегулирования убытков за счет углубленного анализа изображений с места ДТП. Некоторые европейские страховщики, в частности в Германии и во Франции, уже реализовали такого рода механики, когда урегулирование убытков становится быстрым и комфортным. Ключевая технология, которая здесь нужна, — это технология анализа изображения, которая позволяет восстановить картину происшествия и понять, какие детали в автомобиле повреждены. Это позволяет сделать вывод, в каких ремонтных мастерских можно отремонтировать автомобиль, и тут же автоматически запросить сведения о том, есть ли сейчас свободные слоты для ремонта. Все это должно происходить в режиме реального времени. Это уже возможно, в результате нескольких пилотных упражнений с российскими страховщиками мы это доказали и сейчас обсуждаем первый проект по реализации таких механик.