"Управление в страховой компании", 2007, N 4 ПРИМЕНЕНИЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ (DATA MINING) В УПРАВЛЕНИИ СТРАХОВОЙ КОМПАНИЕЙ В статье представлено рассмотрение методики интеллектуального анализа данных (Data Mining) в управлении страховой компанией, раскрыты основные особенности этого метода, даны рекомендации по его внедрению в практику управления, в том числе в отношении управления клиентской базой, а также определены условия успешного и эффективного применения. Для того чтобы у отечественных страховых компаний была возможность эффективно конкурировать на страховом рынке, им необходимо использовать все возможные приемы развития бизнеса и не ориентироваться лишь на внедрение новых видов обязательного страхования (например, обязательное страхование жилья) или модернизацию существующих (например, страхование ответственности организаций, эксплуатирующих особо опасные производственные объекты, или ОСАГО). Формирование любой конкурентной стратегии и составление плана маркетинговых мероприятий всегда начинаются с анализа имеющихся количественных и качественных данных. Рассмотрим возможности адаптации современной технологии Data Mining для повышения эффективности управления страховой компанией. Data Mining буквально переводится как "добыча" или "раскопка" данных. Нередко рядом с Data Mining встречаются слова "обнаружение знаний в базах данных" (knowledge discovery in databases) и "интеллектуальный анализ данных". По сути, они - синонимы Data Mining. Возникновение всех указанных терминов связано с современным этапом развития средств и методов обработки данных. Современная технология Data Mining (discovery-driven data mining) направлена на поиск закономерностей, свойственных подвыборкам данных, которые могут быть компактно выражены в понятной соответствующему специалисту форме. Поиск закономерностей производится методами, не ограниченными рамками априорных предположений о структуре выборки и виде распределений значений анализируемых показателей. Важная особенность Data Mining - нетривиальность разыскиваемых шаблонов. Это означает, что найденные закономерности должны отражать неочевидные, неожиданные (unexpected) регулярности в данных, составляющие так называемые скрытые знания (hidding knowledge) (см. рисунок). К современному обществу пришло понимание того, что сырые данные (raw data) содержат глубинный пласт знаний, при грамотном анализе которых могут быть выявлены непредвиденные результаты, учет которых и есть залог успеха любого бизнеса, включая страховой. Уровни знаний, извлекаемых из данных Уровни знаний Аналитические инструменты Технологии --------------¬ ------------------------¬ "сверху вниз" ¦ ¦Поверхностный¦ ¦ Язык простых запросов ¦ ¦ L-------------- L---------------------- ———— ¦ \¦/ --------------¬ ------------------------¬ ¦ Неглубокий ¦ ¦ Оперативная ¦ /¦\ L-------------- ¦аналитическая обработка¦ ¦ L---------------------- ———— ¦ Технологии ¦ --------------¬ ------------------------¬ "снизу вверх" ¦ Скрытый ¦ ¦ Data Mining ¦ L-------------- ¦ (Раскопка данных) ¦ L---------------------- ————

Интеллектуальный анализ данных позволяет обнаружить принципиально новые факты, радикально меняющие существующие взгляды. Но, как правило, применение интеллектуального анализа данных позволяет лишь усовершенствовать действующую и приносящую успех организационную схему. Это происходит в основном за счет небольших и постепенных изменений. Практически любой процесс в страховом бизнесе - от создания новых страховых продуктов, управления финансовыми ресурсами до обслуживания страхователей - можно изучить, понять и улучшить с помощью методов интеллектуального анализа. Страховые компании, использующие точно просчитанный рациональный подход, опирающийся на реальные факты, окажутся в выигрышной позиции.

Обычно выделяются пять стандартных методов Data Mining, которые можно и нужно адаптировать для нужд страхового бизнеса: ассоциация, последовательность, классификация, кластеризация, прогнозирование.

Ассоциация имеет место в том случае, если несколько событий связаны друг с другом. Исследование, проведенное нами в центрах продаж ведущих страховых компаний Республики Башкортостан в 2005 - 2006 гг., показало, что до 30% страхователей (физических лиц), купивших страховой полис ОСАГО, приобретают также полис КАСКО, а при наличии скидки за такой пакет численность данных страхователей возрастает еще на 10%. Исследование, проведенное среди юридических лиц (клиентов уфимского филиала страховой группы "УралСиб"), показало, что 20% страхователей, приобретающих полисы от несчастного случая на производстве, дополнительно приобретают медицинское и пенсионное страхование персонала. При наличии скидки численность данных страхователей увеличивается на 15%.

Страховые маркетологи, располагая сведениями о подобных ассоциациях, имеют возможность оценить, насколько действенна предоставляемая скидка. Данный метод исследования целесообразно и эффективно использовать при формировании пакетных принципов построения страховых услуг. Используя данный метод, страховщик сможет провести диагностику потребностей клиента и заинтересовать его в приобретении данного пакета услуг.

Последовательность можно применить, имея цепочку связанных по времени событий. Проведенное исследование данным методом позволяет утверждать, что после приобретения полиса ОСАГО в последующие два-три месяца 30% страхователей имеют необходимость обратиться в данную страховую компанию вновь по добровольным видам страхования. Используя метод последовательности, страховщики в своей деятельности смогут более эффективно направить свою маркетинговую политику под данный сегмент рынка.

С помощью классификации выявляются признаки, характеризующие группу, к которой принадлежит тот или иной объект. В страховой деятельности можно классифицировать группы страхователей по различным признакам.

Кластеризация отличается от классификации тем, что сами группы заранее не заданы. С помощью кластеризации средства Data Mining самостоятельно выделяют различные однородные группы данных. Данный метод позволяет провести сегментацию страхового рынка, выделив наиболее приоритетные сегменты. Разбивая клиентов на различные категории, страховщики смогут сделать свою маркетинговую политику более целенаправленной и результативной, предлагая различные виды услуг разным группам клиентов.

Проведенная на основе социологических опросов сегментация страхователей Уфы <1> методом главных компонент выявила, что проявляют интерес к страхованию домашнего имущества в основном женщины в возрасте 35 - 45 лет, с высшим образованием, со средним или выше среднего доходом, состоящие в браке. В страховании профессиональной ответственности в основном заинтересованы мужчины в возрасте 30 - 45 лет, с высшим образованием, со средним уровнем дохода, состоящие в браке, имеющие детей. Страхованием загородных домов, коттеджей заинтересованы (в равной степени) мужчины и женщины 35 - 55 лет, со средним и высоким уровнем дохода, в основном состоящие в браке и имеющие детей. Следовательно, политику продвижения страховой продукции целесообразно ориентировать на данную группу потребителей.

     
   ————————————————————————————————
   

<1> Грызенкова Ю.В., Шарифьянова З.Ф. Потенциал страхового рынка Республики Башкортостан // Страховое дело. 2007. N 5.

С помощью кластеризации можно спрогнозировать изменение клиентуры: построить прогнозные модели ценности своих клиентов и соответствующим образом обслуживать данную категорию.

В настоящее время в страховых организациях в качестве основного инструмента анализа данных используется традиционная математическая статистика. Методы математической статистики являются полезными главным образом для проверки заранее сформулированных гипотез и для "грубого" разведочного анализа, составляющего основу оперативной аналитической обработки данных (online analytical processing, или OLAP). На сегодняшний день технология Data Mining является более прогрессивной. Примеры формулировок задач при использовании методов OLAP и Data Mining приведены в таблице.

Примеры формулировок задач при использовании методов

OLAP и Data Mining

     
   ————————————————————————————T—————————————————————————————————————
   

OLAP ¦ Data Mining

     
   ————————————————————————————+—————————————————————————————————————
   

Каково среднее число ¦Имеются ли характерные портреты

страхователей, отказавшихся¦страхователей, которые, по всей

от услуг компании? ¦вероятности, собираются отказаться

¦от услуг компании?

     
   ————————————————————————————+—————————————————————————————————————
   

Какова средняя величина ¦Существуют ли стереотипные схемы

выплат по реальному ¦мошенничества при обращении клиентов

страховому случаю и ¦в компанию за выплатой?

умышленному? ¦

     
   ————————————————————————————+—————————————————————————————————————
   

Каков средний объем ¦Какие факторы способствуют

ежеквартальных премий по ¦увеличению (уменьшению) премий по

страхованию транспорта? ¦страхованию транспорта?

     
   ————————————————————————————+—————————————————————————————————————
   

С помощью технологии Data Mining страховщики имеют возможность выявить зависимость определенных показателей своей деятельности от различных зависящих или не зависящих от страховой организации факторов. Зная о степени влияния данных факторов, страховщик может выработать оптимальную финансовую, маркетинговую, кадровую или иную политику, направленную на улучшение деятельности страховщика. С помощью данной технологии страховщики смогут получить ощутимые преимущества в конкурентной борьбе. Методы Data Mining для страхового бизнеса могут иметь большие возможности и решать самые разнообразные задачи, например: 1. Выявление мошенничества. Страховые компании могут снизить уровень мошенничества, отыскивая определенные стереотипы в заявлениях о выплате страхового возмещения, характеризующие взаимоотношения между юристами, врачами и заявителями. 2. Анализ риска. Путем выявления сочетаний факторов, связанных с поступлениями премий, страховщики могут уменьшить свои потери по обязательствам или пересмотреть стратегии своих управленческих решений. 3. Прогнозирование объема продаж страховых услуг. Страховщики могут определить более приоритетные для них продукты и в соответствии с этим выработать наиболее оптимальную маркетинговую политику. Таким образом, для того, чтобы эффективно использовать интеллектуальный анализ данных, необходимо иметь четкое представление о цели, осуществить сбор релевантных данных, выбрать метод анализа и программное средство, выполнить анализ и принять решение об использовании результатов. Ю.В.Грызенкова К. э. н., заместитель директора Института управления и предпринимательства в социальной сфере ГУУ, главный редактор журнала "Организация продаж страховых продуктов" З.Ф.Шарифьянова Старший преподаватель кафедры "Финансы и кредит" Уфимского филиала ВЗФЭИ Подписано в печать 04.10.2007 ————