Data is alles voor verzekeraars. Het voorspellen van de toekomst en het inschatten van risico's vormen al sinds het begin de kern van de branche. Van oudsher worden prijzen en risicopremies berekend op basis van historische claims en acceptatievragenlijsten . Maar door nieuwe risico's zoals klimaatverandering, aanvullende regelgeving en veeleisende klanten is de sector gedwongen om te innoveren. Nieuwe digitale technologieën zoals het Internet of Things (IoT), Cloud Computing en Artificial Intelligence (AI) kunnen hierbij helpen.
De opkomst van kunstmatige intelligentie in het verzekeringswezen
Zoals de digitale transformatie ook in andere sectoren heeft aangetoond, geeft het omarmen van nieuwe technologieën een enorm concurrentievoordeel. Nieuwe bedrijven zoals Lemonade onderstrepen de noodzaak voor gevestigde verzekeringsmaatschappijen om innovatiever te worden en een slanker bedrijfsmodel te hanteren. AI stelt verzekeraars in staat om beide te doen.
AI maakt het voor verzekeraars mogelijk om de schijnbaar onbeperkte gigabytes die door hun klanten worden gegenereerd, te interpreteren en te analyseren. Data is ‘de nieuwe olie’ en AI stelt verzekeraars in staat deze te vertalen naar bruikbare inzichten. Een duidelijk voorbeeld van nieuwe manieren om data te gebruiken is behavioural analytics , dat steeds vaker wordt gebruikt in de gezondheidszorg of bij autoverzekeringen. Met internet verbonden apparaten zoals auto's of smartwatches stellen verzekeraars in staat om risico's in te schatten en te anticiperen op het gedrag van klanten. Met dit soort data kunnen verzekeraars hun verkoop, distributie, prijsstelling en schadebeheer sterk optimaliseren.
Maar ondanks de disruptieve impact van AI op de verzekeringssector, is er flink wat data nodig om AI toe te passen, en daar ontbreekt het in veel gevallen nog aan. Schadeverzekeringen hebben bijvoorbeeld moeite gehad om analyses te voeden met accurate data. Doorgaans vertrouwt men op de huiseigenaar, verzekeringsagent, openbare documenten of visuele inspecties om juiste data aan te leveren. In veel gevallen zijn deze databronnen onnauwkeurig, verouderd of, zoals in het laatste geval, relatief duur. In een datagedreven branche als de verzekeringssector brengen blinde vlekken kosten met zich mee. Over het algemeen kunnen deze kosten in drie categorieën worden onderverdeeld: 1) inefficiënte bedrijfsprocessen 2) gemiste omzet of 3) onnauwkeurige risicoberekening.
1. Beeldherkenning gebruiken om automatisch hoge risico's op te sporen
Schadeverzekeringen, die goed zijn voor ongeveer een derde van alle verzekeringspremies, zijn sterk afhankelijk van handmatige en visuele beoordeling. Om een fysiek object te verzekeren, zoals een gebouw , moet men inzicht hebben in de toestand ervan op het moment van de polisacceptatie, polisvernieuwing of schadebeheer. Al deze zaken zijn afhankelijk van tijdrovende en handmatige workflows.
De afgelopen jaren heeft kunstmatige intelligentie in de vorm van beeldherkenning nieuwe mogelijkheden geopend om ook dit domein van de sector te digitaliseren. Beeldherkenning maakt het mogelijk voor computers om de visuele wereld te interpreteren en te begrijpen, waardoor verzekeraars hun analyse kunnen uitbreiden naar nieuwe domeinen. Een voorbeeld is de automatische classificatie van de staat van een eigendom of de omvang van de schade, op basis van afbeeldingen of luchtfoto's. Op basis van deze informatie kunnen verzekeraars gebreken zien zoals gescheurd metselwerk, opgelapte daken of lekkageplekken.
.png)
2. Onderverzekering van gebouwen opsporen aan de hand van beelden
Bij vast goedverzekeringen hebben klanten de neiging hun polis aan te houden totdat ze daadwerkelijk ergens anders gaan wonen. In de tussentijd kan er veel veranderen aan hun huis wat niet in de verzekeringsdekking zijn opgenomen, met onderverzekering tot gevolg. Uit een recent Amerikaans onderzoek blijkt dat tweederde van de gebouwen onderverzekerd is met een gemiddelde van 20%, waarbij sommige woningen tot 60% onderverzekerd zijn. Nauwkeurige en actuele gegevens kunnen verzekeraars helpen bij het opsporen van onderverzekering en het bieden van de juiste dekking aan hun polishouders.
Beeldherkenning kan verzekeraars daarbij helpen. Bijvoorbeeld door het automatisch analyseren van luchtfoto's, die details kunnen opleveren over het vastgoed, zoals de grootte of het risico op calamiteiten. Dit soort analyses maken het zelfs mogelijk om vastgoed op afstand te taxeren om de herbouwwaarde te bepalen. Het resultaat van beeldherkenning kan worden gebruikt om elke afwijking tussen de polisinformatie en de meest recente staat van het onroerend goed op te sporen.
Luchtfoto's en beelden op straatniveau maken het ook mogelijk om visuele time-lapse te maken die veranderingen in een gebouw of complex in de loop van de tijd laten zien. Deze informatie kan dienen als een visuele basislijn in geval van bijvoorbeeld een claim. Het maakt ook een proactieve houding van de verzekeraar naar de verzekeringnemer toe mogelijk om ander gedrag te stimuleren en risico's te voorkomen.
.png)
3. Verbetering van de risicopremie berekening
Digitale innovatie biedt verzekeraars nieuwe manieren om traditionele risico's te onderschrijven, vaak door gebruik te maken van individuele data in plaats van collectieve data . Gepersonaliseerde data maken een aangepaste prijsbepaling van verzekeringen mogelijk. Dit helpt verzekeraars om hun verliesratio te verbeteren en stimuleert de verzekerden om hun risico op calamiteiten te verminderen. Een voorbeeld dat al eerder is gegeven, zijn de gedragsgegevens van polishouders die via connected devices kunnen worden verzameld. Ook voor opstalverzekeringen is het mogelijk dergelijke gepersonaliseerde gegevens te verkrijgen om een product op maat aan te bieden.
Dankzij beeldherkenning kunnen verzekeraars de leeftijd, staat en kenmerken van hun vastgoed automatisch verifiëren, evenals de kans op hagel- en windschade. Dit helpt verzekeraars om hun acceptatieproces te versnellen en toekomstige risico's nauwkeuriger in te schatten. Met hoge resolutie beelden en luchtfoto's is het mogelijk potentiële gevaren in beeld te brengen, zoals nabijgelegen of overhangende bomen, materialen die bijzonder gevoelig zijn voor schade en dure aanbouwsels, zoals zonnepanelen.
De laatste jaren is door de klimaatcrisis ook het risico op schade door weersextremen toegenomen , zoals natuurbranden of overstromingen. Naarmate deze risico's toenemen, helpt beeldherkenning verzekeraars bij het meten van gebouwelementen zoals hoogte en oppervlakte, en bij het controleren van de ruimte tussen gebouwen en vegetatie, of andere potentieel brandbare materialen, om branden te beperken. De combinatie van deze kenmerken maakt het mogelijk om gebouwspecifieke risicoscores op te stellen die het algemene risico op natuurrampen samenvatten.
.png)
Wil je meer weten?
Spotr gebruikt geografische beelden om de staat van het vastgoed en de bijbehorende risico's automatisch te inspecteren. Spotr is een AI inspectieplatform voor vastgoed , dat je helpt om inzicht te krijgen in je verzekerde vastgoedportefeuille . Met behulp van beeldherkenning analyseert Spotr afbeeldingen uit ca. 6 beeldbronnen en 220 GIS kaarten om gebouwelementen en hoeveelheden te meten. Dit stelt verzekeraars en vastgoedbeheerders in staat om uitgebreide analyses te draaien op hun verzekerde vastgoedportefeuille.
Wil je meer weten? Neem hier contact met ons op.
