اختصاصی چابک آنلاین؛
۷ روش مهم برای حذف «دادههای بی کیفیت» در صنعت بیمه
صنعت بیمه بیش از هر زمان دیگری داده محور شده است،از قیمتگذاری و پذیرش ریسک تا کنترل خسارت، مدیریت ذخایر، کشف تقلب و حتی طراحی تجربه مشتری، همگی بر پایه داده تصمیم میگیرند.
اما یک واقعیت ناخوشایند در بسیاری از شرکتهای بیمه وجود دارد: دادهها همیشه همه حقیقت را روایت نمیکنند. «دادههای بیکیفیت، بهظاهر یک مسئله IT است، اما در عمل یک ریسک عملیاتی، مالی و اعتباری برای بیمهگر محسوب میشود؛ ریسکی که اگر بهموقع مهار نشود، میتواند نرخگذاری را منحرف کند، ذخایر را دچار خطا سازد و خدمات را کند و پرهزینه کند.
داده بی کیفیت در بیمه یعنی چه؟
داده بی کیفیت، مجموعهای از اطلاعات است که به دلیل نقص، خطا، ناسازگاری، تکرار، دیر هنگامی یا نبود استاندارد برای تحلیل و عملیات قابل اتکا نیست.
در صنعت بیمه، این مسئله شکلهای متنوعی دارد: از نامنویسیهای متفاوت برای یک بیمهگذار (مثلاً با املای متفاوت نام و نام خانوادگی) تا خطا در کد ملی/شناسه حقوقی، اختلاف درتاریخ شروع و پایان بیمهنامه، ناهماهنگی میان مشخصات مورد بیمه در صدور و خسارت، یا طبقهبندی غیرهمسان علل خسارت و پوششها.
مهم است بدانیم که داده کثیف همیشه «غلط» نیست؛ گاهی ناتمام است، گاهی با تعاریف متفاوت ثبت شده و گاهی هم در سیستمهای مختلف چند نسخه از یک حقیقت ساخته شده است.
درهر سه حالت، خروجی تحلیلی و تصمیم مدیریتی آسیب میبیند.
چرا دادهها در شرکت بیمه کثیف میشوند؟
درتجربه عملی شرکتهای بیمه، ریشههای داده بی کیفیت معمولاً ترکیبی از عوامل زیر است:
ورود دستی و خطای انسانی: بخش قابل توجهی از اطلاعات درصدور، الحاقیه و خسارت هنوز با ورود دستی ثبت میشود.
خطای تایپی، حذف فیلدهای مهم یا انتخاب گزینه اشتباه، در مقیاس بزرگ تبدیل به بحران میشود.
تعدد سامانهها و عدم یکپارچگی: سامانههای صدور، خسارت، مالی، CRM، منابع انسانی و نمایندگان، هرکدام منطق دادهای خود را دارند.
وقتی «منبع حقیقت» تعریف نشود، ناسازگاری اجتنابناپذیر است.
نبود استاندارد و فرهنگ داده: اگر برای کدهای محصول، پوشش، علت خسارت، گروهبندی شغلی، مناطق جغرافیایی یا حتی قالب نشانی استاندارد واحدی نباشد، دادهها ناهمگون تولید میشوند.
مهاجرتهای عجولانه داده:انتقال از سیستمهای قدیمی به جدید اگر بدون پاکسازی انجام شود،خطاهای تاریخی را با سرعت به سیستم جدید تزریق میکند.
ضعف حاکمیت داده: وقتی مالک داده، متولی کیفیت و شاخصهای پایش تعریف نشده باشد، خطاها دیده نمیشوند؛ وچیزی که دیده نشود، اصلاح هم نمیشود.
داده های بی کیفیت چه هزینهای به بیمهگر تحمیل میکند؟
نخستین هزینه، انحراف فنی در قیمتگذاری و پذیرش ریسک است.
مدلهای اکچوئری، تحلیل خسارت و محاسبات ریسک به دادههای دقیق و قابلمقایسه نیاز دارند.
اگر داده خسارت ناقص یا کدگذاریها ناهماهنگ باشد، نرخهای پیشنهادی یا ذخایر محاسباتی میتواند بهطور سیستماتیک خطا کند.
دومین هزینه،کاهش کارایی در کشف تقلب است، الگوریتمهای ضدتقلب به اتصال درست هویتها، سوابق خسارت وارتباطات نیاز دارند.
دادههای تکراری و ناسازگار، الگوهای مشکوک را پنهان میکند و هشدارهای کاذب میسازد.
سومین هزینه، افزایش هزینه عملیات و افت تجربه مشتری است، وقتی پروندهها ناقصاند، فرایند خسارت کند میشود، استعلامها تکرار میشوند و مشتری هزینه بینظمی داده را با زمان و اعصاب خود میپردازد.
در بازار رقابتی امروز، این یعنی از دست دادن وفاداری مشتریان.
در نهایت، ریسک گزارشگری و نظارت است،داده بیکیفیت میتواند گزارشهای مالی و فنی را مخدوش کندو شرکت بیمه را در معرض خطاهای انطباقی و تصمیمگیریهای مدیریتی اشتباه قرار دهد.
نسخه پالایش: از «تمیزکاری» تا «سیستم پیشگیری»
پالایش داده در بیمه، یک پروژه کوتاهمدت نیست؛ بلکه باید به چرخهای دائمی تبدیل شود،راهکارهای کلیدی عبارتاند از:
1) استانداردسازی و فرهنگنامه داده
تعریف استانداردهای یکسان برای فیلدهای حیاتی (شناسه مشتری، مشخصات مورد بیمه، کد محصول/پوشش، علت خسارت، طبقه ریسک) نقطه آغاز است.
بدون استاندارد، هیچ پاکسازی پایداری ممکن نیست.
2) کنترل کیفیت در نقطه ورود
بهترین اصلاح، اصلاحی است که اصلاً لازم نشود.
کنترلهای سیستمی مانند اجباریکردن فیلدهای کلیدی، کنترل قالب کد ملی، بررسی دامنه تاریخها، قواعد سازگاری بین پوشش و مورد بیمه، و خطایابی برخط، از تولید داده بی کیفیت جلوگیری میکند.
3) رفع تکرار و مدیریت هویت
دربیمه، «یک مشتری، یک شناسه» باید اصل باشد. با تطبیق رکوردها بر اساس شناسههای معتبر و الگوریتمهای شباهت، میتوان رکوردهای تکراری را شناسایی و ادغام کرد و یک نمای ۳۶۰ درجه از مشتری ساخت.
4) تکمیل دادههای ناقص با اتکا به منابع معتبر
برخی دادهها باید از طریق سوابق داخلی، تبادل بینسیستمی یا پایگاههای مرجع تکمیل شوند، اما هر تکمیل باید قابل ردیابی، دارای امکان ثبت تغییرات و مبتنی بر قاعده باشد تا داده «ساختگی» تولید نشود.
5) پایش مستمر کیفیت داده با شاخصها
شاخصهایی مثل درصد نقص، نرخ تکرار، ناسازگاری بین سیستمها و خطاهای بحرانی باید داشبورد و بهصورت ماهانه/فصلی گزارش شود.
کیفیت داده، مانند ریسک، نیازمند اندازهگیری مداوم است.
6) استقرار حاکمیت داده
مالکیت داده باید بهصورت رسمی تعیین شود: مالک داده در کسب و کار، متولی داده در عملیات، و ناظر کیفیت. همچنین کمیته حاکمیت داده میتواند استانداردها، اولویتها و برنامه اصلاح را تصویب و پیگیری کند.
7) استفاده هدفمند از تحلیل پیشرفته و هوش مصنوعی
مدلهای یادگیری ماشین میتوانند ناهنجاریها را شناسایی و خطاهای پرتکرار را پیشبینی کنند و حتی پیشنهاد اصلاح ارائه دهند.
اما شرط موفقیت AI، داده پایه سالم و قابل اتکاست؛ هوش مصنوعی روی داده بی کیفیت، خروجی بی کیفیتتر تولید میکند.
جمعبندی
داده بی کیفیت در بیمه یک «مشکل پشتصحنه» نیست؛ همان جایی است که سودآوری، کنترل ریسک و کیفیت خدمت تعیین میشود.
شرکت بیمهای که کیفیت داده را بهعنوان یک دارایی راهبردی مدیریت کند،با استانداردسازی، کنترل ورودی، یکپارچگی، پایش شاخصها و حاکمیت داده در نرخگذاری دقیقتر، کشف تقلب مؤثرتر، خسارت سریعتر و تصمیمهای مدیریتی مطمئنتر، مزیت رقابتی پایدار به دست خواهد آورد.
درنهایت، در عصر بیمهگری هوشمند، برنده کسی است که قبل از تحلیل، حقیقت داده را تضمین کند.
رسول رحمتی نودهی | کارشناس حوزه آموزش و توسعه صنعت بیمه
