Оскільки страховий ринок визнає потенціал штучного інтелекту, залишається невизначеність щодо того, як ефективно застосувати цю технологію для підвищення залучення клієнтів і стимулювання продажів.
Swiss Re провела дослідження, як страховики можуть оптимізувати використання інструментів на основі АІ, щоб утримати клієнтів і покращити якість взаємодії. Аналітики підкреслили важливість використання кількох моделей АІ для досягнення вищої рентабельності інвестицій.
Використання поведінкових підходів, а не демографічних, дає кращі результати. Крім того, відповідальне використання АІ може допомогти страховикам залучати та утримувати клієнтів.
Більшість страховиків використовують штучний інтелект насамперед для виявлення клієнтів, які можуть не продовжити договір. Одноцільові моделі схильності є дуже ефективними, коли йдеться про ідентифікацію певної підмножини клієнтів, які ризикують бути втраченими.
Використання цільового підходу є практичним, коли взаємодія з клієнтом є відносно дорогою. Однак, якщо витрати на охоплення низькі, а ідентифікована підмножина клієнтів велика, вплив моделі схильності зменшується. Крім того, моделі схильності можуть бути менш доречними для відповідей на вхідні запити.
Тому для досягнення вищої рентабельності інвестицій вкрай важливо використовувати кілька моделей штучного інтелекту, а не покладатися на одне рішення.
Іншим інструментом для використання є поведінкові моделі, оскільки вони дають кращі результати порівняно з демографічним підходом.
На відміну від демографічних підходів, які поділяють клієнтів за місцезнаходженням і віком, наприклад, поведінковий підхід поділяє клієнтів відповідно до моделей поведінки та відповідно формулює висновки.
Swiss Re виявила, що підходи, засновані на демографічних показниках, поступаються поведінковим моделям з точки зору рівня відповіді клієнтів. Аналізуючи поведінку клієнтів, поведінкові моделі забезпечують видимість мотивацій і дозволяють страховикам доносити повідомлення, які безпосередньо говорять про них.
Поведінкові моделі можуть виявити відмінності в клієнтській базі, які самі по собі демографічні дані можуть не показати. Пристосування взаємодії для розпізнавання та вирішення цих поведінкових і мотиваційних відмінностей, як правило, дає кращі результати.
Аналіз поведінки може виявити випадки, коли клієнти виконують однакові дії з різних причин.
Відповідальне використання штучного інтелекту
Хоча персоналізація за допомогою моделей схильності можлива, компанії повинні враховувати етичні питання у своїх стратегіях.
Наприклад, модель може вибрати оптимальне повідомлення для надсилання кожному клієнту підготовлені повідомлення. Дані показали, що використання цього методу для SMS-повідомлень про відновлення призвело до збільшення утриманих премій на 0,8% для одного з клієнтів Swiss Re.
Ці моделі також можуть включати підкріплююче навчання: за допомогою постійного тестування програма штучного інтелекту може дізнатися, який контент найбільш ефективний для кожного клієнта, а також ідеальні канали та час доби для взаємодії, щоб максимізувати їхній комерційний вплив.
Ці моделі піднімають можливі етичні проблеми, які необхідно врахувати в стратегії відповідальної компанії. На відміну від поведінкової сегментації, не завжди зрозуміло, чому модель вибирає певне повідомлення, і складність пояснення результатів може викликати запитання. З цієї причини їх використання необхідно ретельно контролювати.
Підтримка міцних стосунків має вирішальне значення в страховому секторі. Однак нехтування цим аспектом може призвести до того, що клієнти відмовляться від страхування в певній компанії або навіть достроково розривають договори страхування. Для ефективного вирішення цієї проблеми слід використовувати разом моделі сегментації схильності та поведінки.
Застосовуючи цей комбінований підхід, страховики можуть забезпечити повне охоплення клієнтів, оптимізувати повернення інвестицій у дорогі канали зв’язку та стратегічно використовувати персоналізацію для досягнення найкращих можливих результатів.
Припущення, що клієнти будуть або мати постійну схильність діяти протягом року, або вживати заходів лише раз на рік, є ще однією помилкою поширених моделей штучного інтелекту.
Клієнти страхових компаній мають багато можливих тригерів
Swiss Re помітила, що схильність клієнтів до дій часто змінюється. Клієнти мають багато можливих тригерів, і важливо розуміти, що означає кожен.
Один із підходів, який у минулому виявився успішним, полягає у використанні моделей, щоб зрозуміти, що окремі клієнти можуть робити в наступні три місяці. Застосовуючи моделі поведінки для аналізу минулих моделей поведінки кожного клієнта, страховики можуть зрозуміти, яку найвірогіднішу наступну дію може зробити кожен клієнт.
Вивчення поведінки подібних клієнтів із застосуванням часто складних моделей тригерних подій може дати розуміння того, куди клієнт, який перебуває на межі життєвих змін, піде далі на своєму шляху.
Страховики повинні розглянути можливість виходу за межі обмежень єдиної моделі схильності шляхом інтеграції поведінкової сегментації. Ця комбінація пропонує цінну інформацію для взаємодії з потрібними клієнтами в оптимальний час.
Ефективна персоналізація залежить від стратегічного розгортання моделей штучного інтелекту. Відповідальне використання АІ має вирішальне значення для збереження довіри споживачів і забезпечення довгострокової стабільності штучного інтелекту як інструменту для покращення досвіду клієнтів. | Форіншурер
