A SPSS PredictiveClaim szoftver valós idejű kárigény scoring megoldást nyújt biztosító cégeknek. Megvizsgálja, hogy a bejelentett kárigények jogosak-e, majd minősíti azokat sürgős jóváhagyásra, potenciálisan hamis kárigényként kivizsgálásra, illetve köztes esetben további vizsgálatra fejlesztve ez által a produktivitását és a pontosságát a teljes kárigény-kezelő rendszernek.

A PredictiveClaims használatával a biztosítók képesek lesznek:

• A jogos igények gyors jóváhagyására, még nagyon nagy kárigény mennyiség mellett is
• Összegyűjteni az alapvető kárigény információkat automatikusan generált, intelligens kérdésekkel
• Megérteni miért lettek megjelölve a gyanús kárigények, így a felülvizsgálat során tudni fogja, mely területekre fókuszáljon az aktuális kárigényekkel kapcsolatban, és mit keressen amikor a jövőben felülvizsgálja a kárigényeket
• Kinyerni a kritikus információkat a szabad szöveges jegyzetekből és más szöveges kárigény információforrásokból és kombinálni azokat a hagyományos kárigény adatokkal
• Automatikusan felismerni a visszaélések új fajtáit elemzésekkel amelyek „tanulnak" az eddigi kárigény bírálati adatokból
• Integrálni a fenti funkciókat a meglévő kárigény kezelő rendszerekkel, költséges testreszabási munka és hosszadalmas implementáció nélkül

Az SPSS PredictiveClaims szorosan integrálható a már meglévő kárigénykezelő rendszerekhez, illetve annak működésének minden lépéséhez. Más megoldásokkal ellentétben az SPSS PredictiveClaims folyamatosan scoring-olja az adatokat az első kárbejelentéstől a kiegyenlítésig. Ezt mutatják az 1-3 ábrák végigkísérve egy általános kárigény kezelési és kielégítési folyamatot.

1., ábra: Az SPSS PredictiveClaims elősegíti a beérkező kárigények azonnali kategorizálását, optimalizálja azok  kezelési folyamatát

Első lépésben, a kárigény beérkezésekor az SPSS PredictiveClaims belső döntés-támogató rendszere segítségével megbecsüli a kárigény elbírálási folyamat időtartamát. Ezt követően a kárigényekhez hozzárendeli az annak kezelésére legoptimálisabb kárbecslőt. Pl. a fiatal kárbecslők egyszerű kárigényeket kapnak, míg a tapasztaltabb kárbecslők kapják az összetettebb, bonyolultabb kárigényeket. A korábbi tapasztalatok által felépített belső intelligens rendszer optimalizálja az ezt követő folyamat lépéseit és tanácsokat ad a kárbecslőnek további lépések megtételére.

2. ábra: Az SPSS PredictiveClaims felügyeli a költségeket és javítja az ügyfél elégedettséget az alacsony kockázatú kárigények gyors kifizetésével.

Segít továbbá a kereszt-értékesítési törekvések fejlesztésében

A lehetséges irányok egyike a kárigény gyors kiszolgálása „fast-track", amikor is gyakorlatilag teljes bizonyossággal állítható, hogy a kárigény jogos és nem merült fel a visszaélés lehetősége.

A biztosítási csalások felderítése azonban szintén fontos része a kárigény kezelési folyamat optimalizálásának. Amikor egy kárigény beérkezett, az SPSS PredictiveClaims először üzleti szabályokat alkalmaz, hogy meghatározza annak a csalási valószínűségét. Például, ha egy kiterjedt kárigény múlttal rendelkező ügyfél nemrégiben bővítette a biztosítási fedezetét, majd betelefonál, hogy kárt jelentsen be az új fedezetre, akkor az SPSS PredictiveClaims speciális kivizsgálásra fogja azt küldeni (Special Investigation Unit, röviden SIU). A kárbecslőt figyelmezteti, hogy gyűjtsön több részletes információt a káresetről és alaposan hallgassa ki az ügyfelet. Amint az ügynök információt visz be a rendszerbe, az SPSS PredictiveClaims azonnali score-t készít a veszteség bejelentéséről és közli a kárbecslővel, hogy a kárigény gyanúsnak tűnik-e.

Összességében tehát az SPSS PredictiveClaims gyorsan kiegyenlíti az alacsony kockázatú kárigényeket, és a gyanúsakat megjelöli további vizsgálatra. Ez azt jelenti, hogy a legjobb ügyfelek gyors ügyintézéssel lesznek díjazva, és a kárbecslők az idejüket biztosan a gyanús kárigények felülvizsgálatára fordíthatják. Ennek eredménye az ügyfelek bizalmának és elégedettségének nagyfokú növekedése.

A kárigény kezelői folyamatok optimalizálása mellett az SPSS néhány további terméke, pl. SPSS PredictiveMarketing segít optimalizálni a megerősödött bizalommal rendelkező ügyfeleken folytatott marketing kampányok levezénylését.

3. ábra: Az SPSS PredictiveClaims segítségével a csalók azonosítása céljából az egyedi felülvizsgálatokat végső csoportok (SIU) munkájának hatékonysága megnő.

Hogyan működik a PredictiveClaims?

Az PredictiveClaims jelentős előnye, hogy a már meglévő és alkalmazásban lévő üzleti szabályokat hatékonyan kombinálja a statisztikai intelligens előrejelző modellekkel, majd ezeket együttesen alkalmazza a kárigény score-ok előállításhoz, valamint az optimális kárigény kiszolgálási út meghatározásához.. Mivel az SPSS PredictiveClaims kárigény score valós időben áll elő, az ügynökök útmutatást kapnak az ügyfelekkel való megfelelő interakcióhoz a kárigény kezelés során, és automatikusan el lesznek látva „okos kérdésekkel", további információk kiderítéséhez. A kárbecslők és kárnyomozók az SPSS PredictiveClaims segítségével a számítógépükön készíthetnek kockázati profilokat és előrejelző modelleket - mindezt oly módon, hogy munkájuk nem függ az informatikai osztály munkájától, az ott esetlegesen készülő skriptektől és programoktól.

Az SPSS PredictiveClaims üzleti szabályok alkalmazásával kezdi, ezzel alapozva meg a kárigény folyamat optimalizálását és a gyanús kárigények korai kiszűrését. Az üzleti szabályok olyan mintázatok, amelyek az ügyfelekről meglévő ismereteket, az ügyfél viselkedését, biztosításokat és a kárigényeket reprezentálják. Az SPSS egy több mint 200 üzleti szabályból álló előre meghatározott listát nyújt át a biztosító társaságoknak a PredictiveClaims részeként, élet és nem életbiztosításokra vonatkozóan egyaránt. Emellett azonban az SPSS PredictiveClaims számít a biztosító társaság szakértőire, beleértve a SIU kárnyomozókat és a kárbecslőket hogy a cég aktuális tapasztalataira épülő további üzleti szabályokkal hozzájáruljanak ezen intelligens szabályrendszerhez. Ezen tapasztalatok hozzávétele az üzleti szabályokhoz növeli a rendszer pontosságát és betekintést nyújt a kárigény kezelési folyamat működésébe.

Néhány példa üzleti szabályokra, amelyek gyanús kárigényeket szűrnek ki:

• Rövid biztosítási időszak a kárérték keletkezését megelőzően
• Szokatlanul hosszú időtartam a kárérték keletkezése és a bejelentés között
• A biztosítási fedezet közelmúltbeli jelentős bővítése
• A biztosítás közelmúltbeli csökkentése kikövetkeztethetően egy fajta káreseményre
• Szokatlan számú kis sérülés egy járművön

Az üzleti szabályok még hatékonyabbak amikor prediktív modellekkel együtt alkalmazzák őket. Mivel az üzleti szabályok figyelmeztetik az ügynököket a potenciális problémákra, ezért csak az üzleti szabályokra hagyatkozni a kárigények kiválasztásánál nagy számú hibás pozitív gyanút eredményez. És mivel a prediktív modellek csökkenteni tudják a hibás pozitívok számát, ezért ezek a modellek akkor működnek a legjobban, amikor üzleti szabályokkal együtt alkalmazzák őket.

Prediktív modellekkel javítható a gyanús kárbejelentések azonosítása

SPSS PredictiveClaims prediktív modellek alkalmazásával szélesebb betekintést tesz lehetővé az addig csak üzleti szabályokkal feltárt rejtett kapcsolatokba, gyanús mintázatokba, és új, felülvizsgálandó kárbejelentéseket azonosít.

Az SPSS elsődleges prediktív analitikai eszköze az SPSS Clementine adatbányászati szoftver, amely önmagában is alkalmazható számos üzleti probléma elemzésére, valamint az általa készített prediktív modellek közvetlenül integrálhatók az SPSS Predictive Analytics termékcsalád mindegyikébe, többek között az SPSS PredictiveClaims-be is. Az eszköz a Clementine modelljeit a belső szakértői modellekkel egyenrangúan alkalmazza.

A prediktív modellezés az adatok megértésének, az adatokból való értékteremtésnek eszköze, a modellek következetes módosításával, újabb adatokkal való frissítésével a szervezet számára folyamatosan hasznot hoz. A prediktív modellezési technika bizonyítottan:

• javíthatja az üzleti szabályokban esetenként megtalálható egyoldalúságot
• csökkentheti a fals pozitív előrejelzést, növeli a helyes előrejelzés arányát
• a kárbejelentések között új csalási formákat találhat, melyeket korábban nem vizsgáltak
• új csalási trendeket fedezhet fel.

Mikor a prediktív modellekkel új jellemzőket, új vagy módosított üzleti szabályokat tárunk fel, az eredményeket először elemezzük, majd interpretáljuk. Miután a kutatók, az elemzői csoport megvizsgálta a modellek megbízhatóságát, akkor a modelleket már alkalmazhatjuk, így sokkal hatékonyabbá tehetjük a kárigények scoringját. A prediktív modellezési gyakorlatban a prediktív modelleket rendszeresen felülvizsgálják.

Annak érdekében, hogy az SPSS PredivtiveClaims-zel a lehető legjobb eredményt érjük el, az SPSS kifejlesztett egy felülvizsgáló mechanizmust, mellyel az üzleti szabályok értékeléséből és a prediktív modellek eredményéből áll össze a végső eredmény. Ez a mechanizmus betekintést ad, hogy hogyan finomíthatók az üzleti szabályok a prediktív modellek segítségével, lehetővé teszi a SIU menedzsere és a kárbecslők számára, hogy tanuljanak ezekből az eredményekből, és folyamatosan növeljék tudásukat.

Prediktív modellezési technikák

A SPSS PredictiveClaims felügyelt és nem felügyelt modellezési technikákat alkalmaz, hogy segítsen a kárkezelési folyamatot optimalizálni és a gyanús kárigényeket már a folyamat korai szakaszában feltárni. A felügyelt modellezési technikákat azon kárigények esetében alkalmazzuk, mikor van egy ismert kimeneti változó, a kárigényeket már megelőzően megvizsgálták és azonosították a csalást vagy a nem csalást. A nem felügyelt modellezési technikák azon kárigények esetében hatékonyabbak, mikor a jellegzetes csoportok, mintázatok nem ismertek. Ezek a technikák a legjobbak új típusú csalások feltárására, különösen azon típusú kárigények esetében, melyeket korábban még nem vizsgáltak.

A felügyelt modellezési technikák optimalizálják a kárigénykezelés folyamatát

A felügyelt modellező technikákkal a SPSS PredictiveClaims segít azonosítani a nem hatékony kárigény-kezelési folyamat problémás pontjait, amelyek jellemzően az alábbiak:

• Az összetett kárigények korai azonosítása
• A költséges kárigények korai azonosítása
• A kárigény átfutási idejének korai azonosítása
• Jogi képviselő bevonásának szükségessége
• A felelősség megállapításában, a kárbecslésben felmerülő nehézségek
• A javítási számításokban felmerülő szükséges javítások
• Annak megítélése, hogy egy összetett kárigényt hogyan kellene kezelni
• A céltartalék növelése

Mikor sok kárigényt elemzünk, a felügyelt technikák segítségével a kárkezelési folyamat már egy korai szakaszában megkapjuk a végeredményt. Természetesen tudni szeretnénk, hogy sok időt vesz-e majd igénye egy kárigény vagy kárigények kezelése. Most már, hogy tudjuk, mire vagyunk kíváncsiak, a kárigények közül kiválaszthatjuk azokat, melyek megfelelnek ennek a feltételnek (hosszú átfutási idő). A felügyelt modellezési technikákkal jellemezhetők azon kárigények, melyek nagy valószínűséggel hosszú átfutásúak lesznek, például olyan kárigények, melyben érintett felek lakhelye különböző irányítószámú. A hasznosnak tartott eredményeket aztán beintegrálhatjuk a végső prediktív modellbe, melyet a kárigénykezelés során alkalmazunk majd.

Természetesen a kárkezelési folyamat már egy korai szakaszában szeretné azonosítani a gyanús kárigényeket. A SPSS PredictiveClaims egyedülálló abban, hogy mind a felügyelt mind a nem felügyelt technikákkal segíti ezt. Először a fals pozitív előrejelzések arányát csökkenti, majd új csalási mintázatokat, formákat tár fel.

E két megközelítés értéke, szerepe igen különböző. Bár a felügyelt modellezési technikák segítenek a fals pozitív előrejelzések visszaszorításában, és növelik az értékelési folyamat hatásosságát, a vállalatok ritkán vizsgálják az összes kárigény több mint egy százalékát. A nem felügyelt modellező technikákkal a maradék 99 százalékban is találhatunk csalásokat, tipikusan olyanokat, amelyekre korábban nem gondoltunk. Tehát teljesen új csalási formák azonosításában jóval nagyobb az üzleti potenciál.

A felügyelt modellezési technikákkal javítható az előrejelzés minősége (a fals pozitív előrejelzések csökkentésével) azáltal, hogy azonosítjuk azokat a káreset leírásokat, melyek végül nem vezettek vizsgálathoz. Pontosan meg tudja határozni azokat a káreset leírásokat, melyek sikertelen vizsgálattal végződtek. Mivel a cél az, hogy azonosítsuk a gyanús kárigényeket, első lépésként válogassuk ki azokat, melyeket már megvizsgáltak. A felügyelt modellező technikával a kevésbé vagy inkább csalásgyanús kárigények jellemzőit azonosítani tudjuk. Például egy idősödő hölgy néhány múltbeli kárigénnyel kevéssé valószínű, hogy csalna. Amikor már tudjuk, mik jellemzik a kiskockázatú kárigényeket - úgy, mint bizonyos korú kárigénylők vagy a biztosítotti státusz ideje - ezen jellemzőket beleépíthetjük a végső prediktív modellbe, így csökkenthetjük a fals pozitív találatok arányát.

A SPSS PredictiveClaims nem felügyelt modellezési technikái szintén hozzájárulhatnak a csalások új formáinak azonosításához - és pozitívan befolyásolhatják az eredményt. A nem felügyelt modellezési technikákkal azonosíthatunk rendhagyó kárigényeket, gyanús kárigényeket, melyek az automatikus csalásdetektáláson átcsúsztak.

Új csalási formák feltárása anomália detektálással

Az anomália detektálás rendhagyó viselkedések feltárására szolgáló mechanizmus, mely lehetővé teszi a biztosító cégek számára, hogy új hamis viselkedéseket azonosítson és következésképp javítsa a csalásdetektálási arányt.

Ahhoz, hogy korábban nem azonosított gyanús kárigényeket felfedjünk, a prediktív elemzési módszerek - elsősorban az SPSS Clementine eszközön belül - számos anomália detektálási megközelítést kínálnak. Ezek a következő technikákat tartalmazzák:

• A kárigény várható értékének megbecslése a kártérítés, a kötvény típusa, a kár típusa, az érintett személyek és járművek száma alapján. Ezen előrejelzéseken alapulva megkeresi azon eseteket, melyek jelentősen eltérnek ettől a várható értéktől.
• A kárigények csoportosítása a kártérítés, a kárigény típusa, az ügyfél típusa és más változók alapján. Ezen információk segítségével a kárigényeket szegmentálja, és megkeresi azokat, melyek jelentősen eltérnek a többitől.
• Mintázatokat/sorozatokat keres az orvosi kárigények és az ügyvédi megbízatások között, olyan kárigényeket azonosít, melyek szokatlan mintázatot követnek.
• Azonosít kirívóan gyanús kárigényeket, úgy mint azonos ügyvéddel és egészségügyi szolgáltatóval kapcsolatos kárigények, vagy az azonos alvázszámmal vagy telefonszámmal rendelkező többszörös kárigények

Az elemzők ellenőrizhetik ezeket az újonnan feltárt mintázatokat, eldöntik, érdemes-e hozzáadni őket a SPSS PredictiveClaims szabályrendszeréhez, melyek azok, melyek javíthatják a jövőben a csalásazonosítást.

Az SPSS PredictiveClaims előnyei összefoglalóan

A biztosítói szervezet a kárigénykezelő folyamatát optimalizáló és a csalásazonosítást optimalizáló megoldások széles köréből választhat. Telepíthet egy olyan általános megoldást, melyet nem lehet az adott cég egyedi üzleti igényeihez alakítani. Vagy telepíthet egy prediktív és szabályalapú rendszert, mely nem teszi lehetővé a modell frissítését - lehetetlenné teszi, hogy új csalási formákat azonosítson. Egy másik lehetőség, hogy megbíz egy külső szolgáltatót, hogy azonosítsa a gyanús kárigényeket, és az ő pontosságukra bízza a szabályok, prediktív modellek frissítését, változtatását.

Vagy, mint legjobb megoldás, választhatja az SPSS PredictiveClaims megoldását, mely egyedülállóan képes segíteni a szervezetet, hogy javítsa az egész kárigény-kezelési folyamatot, mind ma mind pedig a jövőben. Az SPSS PredictiveClaims eltér minden más megoldásoktól, mert:

• Az adott biztosító üzleti szabályain, előrejelző elemzésein alapul
• Értékeli és elemzi az adatokat a teljes kárigény-kezelési folyamat során - így nincs szükség plusz adatmozgatásra
• Valós időben integrálódik a kárigény-kezelési rendszerbe
• Lehetővé teszi a felhasználók számára kockázatprofilok kialakítását és analitikus modellek, folyamatok futtatását egyéb IT vagy programozási szükséglet nélkül
• Nyílt, standard-based architektúrát alkalmaz, integrálható a meglévő kárigény-kezelési megoldáshoz vagy más üzleti alkalmazáshoz, folyamathoz
• Mind felügyelt mind nem felügyelt modellezési technikákat is alkalmaz, lehetővé téve így új csalási formák azonosítását
• Lehetővé teszi a biztosítási káreset kivizsgálók számára a dinamikus, célirányos kérdezést

Az általános, szabályalapú ajánlatokkal szemben a SPSS PredictiveClaims nem feltételezi, hogy minden biztosító társaság azonos, nem akadályozza meg, hogy felülvizsgálja predictív modelljeit. Nem várja el, hogy külső szakembert bízzon meg. Sőt, a SPSS PredictiveClaims célja, hogy az adott biztosító meglévő rendszere és forrásai találkozzanak a szervezet egyedi igényeivel.

Ha szeretne többet megtudni a PredictiveClaims -ről

A részletes termékismertető letölthető itt, vagy vegye fel a kapcsolatot az SPSS magyarországi képviseletével a 1/457-0561-es telefonszámon vagy az info@spss.hu email címen.