Leestijd : 0 minuten

120 volt-batterijen klonen: de voordelige weg om een betere verzekeringstechnische efficiëntie te bereiken

Hoe identificeer en bied je krediet aan de juiste kredietnemers? Hoe kunt u uw verzekeraars helpen meer goede kredietnemers goed te keuren en minder slechte?

We hebben onlangs met een wereldwijde bank besproken waar het 25-koppige underwritingteam van de bank ongeveer 3 senior underwriters heeft die gekwalificeerde aanvragen beoordelen die hun ervaring nodig hebben voor een intensieve evaluatie. Daarentegen ligt de taak van het elimineren van de slechte leads en het doorgeven van gekwalificeerde sollicitaties aan de senior verzekeraars bij de rest van het 22-koppige team van junior verzekeraars.

De bank heeft geen moeite met deze aanpak, aangezien de rule engine die ze momenteel hebben goed voor hen werkt. Het team van junior underwriters volgt de bedrijfsregels en doet goed werk bij het identificeren van goede aanvragen. Maar met 400 inkomende kredietaanvragen die elke dag binnenkomen, zoeken ze naar manieren om het aantal “goede” kredietnemers te vergroten en de slechte te elimineren.

Helpen Rule Engines uw leenproces sneller en goedkoper te maken?

Het bovenstaande scenario is gebruikelijk voor elke financiële instelling, zoals kredietverenigingen, gespecialiseerde kredietverstrekkers of geldvoorschotbedrijven die leningen verstrekken. De meeste van deze instellingen gebruiken tegenwoordig ‘rule engines’, die zorgvuldig zijn gebouwd rekening houdend met de behoeften van hun kredietmarkt, en ze presteren goed. Het doel is echter om een groter aantal “goede” kredietnemers te zien die terugkerende klanten kunnen zijn, de inkomstenbron die tot hun bestaan en groei leidt. Hoe kunnen ze die identificeren?

Moeten ze doorgaan met het toevoegen van meer verzekeraars aan het team die de rule engine kunnen volgen en nieuwe leners kunnen identificeren? “Het menselijk lichaam genereert meer bio-elektriciteit dan een 120-volt batterij en meer dan 25.000 BTU’s lichaamswarmte” neemt Morpheus treurig waar in de Sci-Fi-film “The Matrix” die 20 jaar geleden werd uitgebracht, en gaat verder met het uitleggen van de verschrikkelijke oplossing (gebruik van menselijke kracht) waartoe de machines hun toevlucht namen om te overleven.

Of het nu een mythe is die moet worden ontkracht of een waarheid om op te wachten, het punt gaat over de ‘menselijke kracht’ die erbij betrokken is. Bijvoorbeeld, in het bovengenoemde bankscenario kan het bouwen van een systeem dat “nabootst” wat het team van verzekeraars helpen het doel te bereiken. Nu het ‘imitatie’-systeem nieuwe kredietnemers begint aan te bieden, hoeven de niet-senior-underwriters alleen maar te valideren en te kijken of ze ze zouden hebben goedgekeurd zonder het systeem.

Machine Learning-systemen om een besluitvormingsmatrix te bouwen

Hoe bouwen we nu zo’n systeem? Een “gesuperviseerd” machine learning-systeem (een subset van kunstmatige intelligentie) is een goede benadering om dergelijke systemen te bouwen. Hoe kan een begeleid machine learning-systeem hierbij helpen? Herinner je je de film “The Imitation Game” nog, waarin Alan Turing een machine bouwt om de codes te kraken?

Jack Engels—© 2014 The Weinstein Company. Alle rechten voorbehouden.

Is AI duur?

En zoals de meesten van ons denken, zal het gebruik van kunstmatige intelligentie in een scenario zoals waar we het over hebben niet erg duur zijn. Het gebruik van een op regels gebaseerde workflowtool kan zelfs commercieel en op de lange termijn duur zijn om de volgende redenen:

  • Op regels gebaseerde systemen zijn gebaseerd op een reeks feiten over een situatie en een reeks regels voor hoe met die feiten om te gaan.
  • Regelgebaseerde systemen zijn deterministische systemen en het niet hebben van de juiste regels kan een uitdaging zijn
  • Naarmate er steeds meer regels worden toegevoegd, kunnen op regels gebaseerde systemen onpraktisch worden.

Aan de andere kant is machine learning, in tegenstelling tot op regels gebaseerde systemen, probabilistisch en gebruikt het statistische methoden in plaats van deterministische regels. Zoals hierboven vermeld, speelt de historische context een cruciale rol in wat machine learning zegt over toekomstige resultaten.

Dat gezegd hebbende, hoewel kunstmatige-intelligentiesystemen kunnen bouwen in de efficiëntie die kredietinstellingen en Chief Revenue Officers hunkeren, en de transparantie die consumenten eisen, zullen mensen zoals verzekeraars altijd een cruciale rol spelen bij de besluitvorming.

Verder lezen:

Om te begrijpen waarom de traditionele kredietscore niet genoeg is voor kredietverstrekkers; de uitdagingen die gepaard gaan met de acceptatie van ML, hoe deze te overwinnen en hoe vergelijkbare instellingen zoals de uwe gebruikmaken van AI/ML om hun ROI te verbeteren en wanbetalingen te verminderen, download onze whitepaper over “Datawetenschap toepassen op financiële leningen.

Vasudevan Swaminathan

Bibliophile, Movie buff & a Passionate Storyteller. President @ Zuci systems

Deel deze blog, kies uw platform!

Leave A Comment

gerelateerde berichten