ОБНОВЛЕНИЕ ДМС С ПОМОЩЬЮ АНАЛИТИКИ

То, что методы углубленной аналитики и машинного обучения реально работают, уже очевидно. Мы решили показать конкретные задачи, которые с их помощью можно решать в ДМС.

На рынке добровольного медицинского страхования (ДМС) оформилась тенденция к скрытому росту убыточности. Как это выглядит. Сама по себе убыточность не растет, более того — премии выросли на 10 %. Но этот прирост «съедает» медицинская инфляция — подорожание услуг и материалов. Совершенно закономерно страховые компании ищут выход из сложившейся ситуации и, с одной стороны, пытаются выявить возможности для расширения бизнеса, а с другой — оптимизировать процессы и снизить убытки. На деле все это не так просто. Требуются новые подходы и новые инструменты.

Что именно можно делать с помощью аналитики и как ее применять в ДМС?

КЛИЕНТСКАЯ АНАЛИТИКА

В корпоративном сегменте крупные заказчики в целом уже поделены. Но есть компании из СМБ-сегмента, которые тоже могут позволить себе покупать полисы ДМС для сотрудников, плюс существует розничный сегмент. И возникает закономерный вопрос, кому звонить в первую очередь, кто из них с большей вероятностью согласится на предложение. Анализ текущей базы клиентов позволяет выделить явные и косвенные признаки, по которым можно отличать таких потенциальных клиентов. Причем сегментировать их дальше еще по прогнозируемой убыточности, срокам обслуживания и прибыльности на протяжении всего жизненного цикла. Затем выбираем сегмент для работы, формируем предложение и запускаем его в работу.

Аналогичные принципы работают в случае кросси up-сейла. Наш опыт показывает, что решения SAS для автоматизации целевого маркетинга начинают окупаться уже после первого этапа внедрения, то есть через 3–4 месяца, и в большинстве случаев за 1–1,5 года компании полностью возвращают инвестиции. Но страховщикам также важно правильно оценить риски клиента, об этом мы поговорим дальше.

Читать статью в pdf формате