Ubezpieczyciel siedzi na jednych z najgęstszych danych w całej gospodarce: każda polisa, każda składka, każda szkoda i każda rezerwa to zapis, który można policzyć. Problem w tym, że te zapisy leżą w kilkunastu miejscach naraz, a kiedy zarząd pyta o loss ratio w jednym produkcie, odpowiedź powstaje w arkuszu, który ktoś składa ręcznie przez trzy dni. Prawdziwą przewagą nie jest posiadanie danych, tylko umiejętność zamiany ich w analitykę i raporty szybciej niż konkurencja i regulator.
Z naszego doświadczenia wąskim gardłem rzadko bywa pomysł na dashboard. Brakuje raczej ludzi, którzy potrafią spiąć core polisowy, system szkodowy i dane aktuarialne w jeden spójny model i utrzymać go latami. Dlatego w tematach danych i BI dla ubezpieczeń działamy kompetencją: wzmacniamy Twój zespół inżynierami danych, specjalistami BI i architektami hurtowni z Grupy RITS, zamiast kazać Ci budować dział analityki od zera.
Dlaczego dane ubezpieczyciela są tak rozproszone?
Rozproszenie nie bierze się ze złej woli, tylko z historii. Ubezpieczyciel prowadzi osobne systemy do sprzedaży, obsługi polis, likwidacji szkód i księgowości, a każdy powstawał w innej dekadzie i innej technologii. Do tego dochodzą kanały partnerskie, multiagenci, dane z rynku i arkusze aktuariuszy, które żyją własnym życiem obok oficjalnych baz.
Efekt jest zawsze podobny: ta sama polisa wygląda inaczej w trzech systemach, klient ma cztery identyfikatory, a uzgodnienie jednej liczby na koniec miesiąca pochłania ludzi, którzy powinni analizować, a nie przeklejać. Zanim więc zbudujemy jakikolwiek raport, układamy wspólny model danych i jeden klucz klienta, bo bez tego każdy dashboard będzie tylko ładniejszą wersją chaosu.
Jak zbudować hurtownię danych polis i szkód?
Fundamentem analityki jest hurtownia, która zbiera dane z systemów źródłowych i porządkuje je pod pytania biznesowe. Budujemy ją warstwami, żeby dało się ją rozwijać bez przepisywania całości:
- pipeline’y z systemów core (polisowy, szkodowy, finansowy) w podejściu ELT, z inkrementalnym ładowaniem i kontrolą opóźnień,
- warstwa surowa i oczyszczona, w której pilnujemy deduplikacji, historii zmian i spójności słowników,
- model wymiarowy z faktami polis, składek i szkód oraz wymiarami klienta, produktu, czasu i kanału,
- warstwa semantyczna, która zamienia tabele na pojęcia zrozumiałe dla aktuariusza i kontrolera.
Taki układ sprawia, że nowy produkt czy nowy kanał dokładasz jako kolejne wymiary i fakty, a nie jako kolejny silos. Projektujemy go tak, by uniósł zarówno raportowanie historyczne, jak i bieżącą analitykę operacyjną.
Jak liczyć loss ratio w warstwie metryk, a nie w Excelu?
Kluczowy wskaźnik szkodowości potrafi mieć pięć definicji, bo każdy dział liczy go trochę inaczej. Dlatego nie zostawiamy go w arkuszach, tylko zaszywamy w warstwie metryk, gdzie loss ratio ma jedną, uzgodnioną definicję, a wszyscy liczą z tego samego źródła.
- definiujemy wskaźniki raz, w kodzie (szkodowość brutto i netto, współczynnik kosztów, combined ratio),
- wiążemy je z wymiarami, więc ten sam loss ratio rozbijesz na produkt, kanał, region czy kohortę,
- pilnujemy spójności w czasie, żeby zmiana definicji nie psuła historii,
- udostępniamy metryki do narzędzi BI (np. Power BI, Tableau, Looker) przez jedną warstwę, a nie przez dziesiątki osobnych zapytań.
Dzięki temu dashboard szkodowości przestaje być comiesięcznym projektem, a staje się czymś, co odświeża się samo i pokazuje ten sam wynik każdemu, kto na niego patrzy.
Jak policzyć wartość klienta (CLV) u ubezpieczyciela?
Wartość klienta w ubezpieczeniach to coś więcej niż suma składek. Trzeba uwzględnić retencję, odnowienia, szkodowość danego klienta, cross-sell i koszt obsługi. Budujemy modele CLV na danych z hurtowni, bo tylko tam mamy pełną historię polis i szkód w jednym miejscu.
Zaczynamy od wersji opisowej, opartej na realnych kohortach i zachowaniach odnowieniowych, a dopiero potem, jeśli ma to sens, sięgamy po modele predykcyjne. CLV staje się wtedy nie slajdem, tylko wymiarem, po którym segmentujesz portfel, ustawiasz priorytety retencyjne i oceniasz opłacalność kanałów akwizycji. Taki model wpinamy w te same dashboardy, w których żyje loss ratio, żeby decyzje o cenie i o kliencie zapadały na jednym obrazie.
Jak zapewnić raportowanie regulacyjne i aktuarialne?
Raporty dla nadzoru i dla aktuariatu rządzą się innymi prawami niż dashboard dla sprzedaży: liczy się nie efektowność, tylko jakość danych i audytowalność. Tu nie ma miejsca na liczbę, której nie da się wyprowadzić z systemu źródłowego.
Dlatego w warstwie raportowej traktujemy ścieżkę danych jak dowód księgowy. Każdą wartość da się prześledzić od raportu wstecz do rekordu w core’ie, zmiany w logice są wersjonowane, a reguły jakości danych działają automatycznie i zatrzymują ładowanie, kiedy coś się nie zgadza. Przygotowujemy dane pod wymogi takie jak Solvency II czy sprawozdawczość do nadzoru, tak by ten sam zestaw liczb zasilał raport regulacyjny i wewnętrzną analitykę. Aktuariusz pracuje wtedy na danych, którym ufa, a kontrola nie kończy się szukaniem, skąd wzięła się dana pozycja.
Gdzie w analityce ubezpieczeniowej wchodzi warstwa AI?
Warstwę AI traktujemy jako opcję na dojrzałych danych, a nie jako punkt wyjścia. Kiedy hurtownia i metryki już działają, dokładamy modele tam, gdzie realnie skracają pracę lub wyłapują to, czego reguły nie widzą:
- modele predykcyjne do przewidywania rezygnacji, szkodowości czy skłonności do odnowienia,
- wykrywanie anomalii w szkodach jako wsparcie zespołów antyfraudowych,
- GenAI i RAG nad dokumentacją polisową i szkodową, żeby szybciej docierać do treści umów i warunków.
Kompetencje AI i danych mamy w Grupie RITS realne (m.in. nasze zespoły AI, LLM i danych; realizowaliśmy projekty GenAI, RAG i LLM). Jesteśmy przy tym uczciwi: nie mamy wdrożenia AI w konkretnym ubezpieczycielu, więc mówimy o kompetencji, którą wnosimy, a nie o gotowym case study.
Jakie kompetencje dostarczamy do projektu danych w ubezpieczeniach?
Skład dobieramy pod konkretny etap, a nie „na zapas”. Najczęściej obsadzamy role, które realnie pchają projekt analityczny do przodu:
- architekta danych / hurtowni, który projektuje model i warstwy,
- inżynierów danych budujących pipeline’y z systemów core i utrzymujących jakość danych,
- specjalistów BI składających warstwę metryk i dashboardy,
- analityków i wsparcie dla aktuariatu po stronie modeli i raportowania.
Taki zespół wpinamy w Twoje procesy, narzędzia i kalendarz, pracując pod Twoim zarządem albo jako zespół dedykowany. Różnice między tymi układami rozpisaliśmy w artykule o modelach współpracy IT.
Jak robimy to w RITS?
Działamy jako partner nearshore z Polski, który łączy inżynierię danych z rozumieniem specyfiki ubezpieczeń. Opieramy się na kompetencjach Grupy RITS w Big Data i analityce (w tym nasze zespoły AI, LLM i danych) oraz na doświadczeniu w budowie oprogramowania dla wymagających, regulowanych branż.
W praktyce zaczynamy od obrazu danych, jakie masz, projektujemy hurtownię i warstwę metryk, a potem rozwijamy je iteracyjnie z Twoim zespołem. Kompetencje weryfikujemy przed startem, a skład skalujemy w rytm projektu, od wzmocnienia pojedynczych ról po zespół dedykowany. Najczęściej robimy to jako dedykowane oprogramowanie budowane przez nasz zespół, a tam, gdzie brakuje konkretnej kompetencji, w modelu wzmocnienia zespołu.
Od czego zacząć budowę analityki ubezpieczeniowej?
Zacznij od jednej decyzji, która dziś zapada za wolno (na przykład rentowność produktu albo rotacja portfela) i od pytania, jakie dane musiałaby unieść, żeby liczyć się sama. To wyznacza zakres hurtowni, pierwsze metryki i role, których potrzebujesz, zanim zbudujesz całość. Zamiast wielkiego programu na dwa lata uruchamiamy wąski, działający wycinek i rozwijamy go o kolejne produkty i wskaźniki.
Chcesz zamienić dane o polisach i szkodach w analitykę i raporty, które liczą się same? Porozmawiajmy, dobierzemy zespół i architekturę pod Twój portfel.