Wiskunde is een exacte wetenschap die al sinds het ontstaan van verzekeringen wordt gebruikt om premies en risico’s te berekenen. Dat werd traditioneel gedaan door actuarissen. Echter met de opkomst van machine learning (ML) en artificial intelligence (AI) is het mogelijk om met geavanceerde wiskundige formules (algoritmes) grote hoeveelheden gegevens te analyseren en patronen en trends te ontdekken. Dit leidde al tot nauwkeurigere premieberekeningen (voorbeeld de VPI-box). De combinatie van inzet van AI en de enorme hoeveelheden data die verzekeraars nu eenmaal hebben, kan ook worden gebruikt om acceptatie- en claimhandlingprocessen vele malen efficiënter in te richten én biedt mogelijkheden voor een gepersonaliseerde klantbediening op schaal. Dit alles betekent dat de winnende verzekeraars van morgen hiermee absoluut hun kostenloading drastisch zullen verlagen, terwijl de klantbediening juist veel beter zal worden.

De harde waarheid is dat daardoor het verdienmodel van het intermediair verder onder druk komt te staan. Het intermediair wordt immers een relatief duur distributiekanaal als zowel informeren , adviseren en beheren grotendeels door algoritmes kunnen worden gedaan voor een fractie van de provisie die nu wordt uitgekeerd.

De consument op zijn beurt kan de informatie die hij zoekt steeds makkelijker op internet vinden. Zo kun je heel simpel aan ChatGPT vragen wat de twintig belangrijkste punten zijn waarop je moet letten als je bijvoorbeeld een camper wil verzekeren. Er zijn al diverse apps op de markt die met behulp van AI financieel advies op maat geven zoals Parthean of Mint . Weliswaar voorlopig nog niet geschikt om je Nederlandse bankrekeningen aan te koppelen.

In deze snel veranderende omgeving waarin AI een grote impact heeft op de verzekeringssector, is het voor intermediair dus van cruciaal belang om de juiste strategische beslissingen te nemen. Enerzijds door nog meer te focussen op inzet van menselijke eigenschappen en anderzijds door de kracht van AI te leren benutten om hun werk te ondersteunen.

De kracht van de adviseur

Menselijke eigenschappen zoals vriendelijkheid, empathie, inlevingsvermogen, vertrouwen en respect zijn moeilijk te repliceren door AI. Het is in dit magazine al vaker genoemd, deze kwaliteiten zijn en blijven essentieel voor het opbouwen van goede relaties met klanten. Klant komt van het Franse woord ‘chalant’ en dat betekent zoveel als ‘aandacht’. We kennen immers allemaal het woord ‘nonchalant’. Met persoonlijke aandacht kunnen adviseurs een loyaliteitsfactor creëren die verder reikt dan de puur transactionele relatie tussen klant en AI-systeem. Vooral als je ook nog eens een proactieve ondersteuning biedt, zodat klanten zich gewaardeerd en goed verzorgd voelen.

Ook kunnen adviseurs zich specialiseren en zo diepgaande kennis opbouwen binnen specifieke niches of productgebieden. Door op de hoogte te blijven van de nieuwste ontwikkelingen, kan de adviseur door zijn intuïtie in te zetten waardevolle inzichten geven die veel verder gaan dan wat AI kan leveren.

So far so good, maar hoe kun je als intermediair met soms wel tienduizenden klanten iedereen die persoonlijk aandacht geven? Meer adviseurs inzetten is niet schaalbaar en veel te duur. Hoe zorg ik er dus voor dat de schaarse tijd van de adviseur zo effectief mogelijk wordt benut en die tijd op het juiste moment in de juiste klant wordt geïnvesteerd? Slimme AI tooling kan hierbij helpen.

De kracht van AI

AI is een systeemtechnologie, zoals bijvoorbeeld elektriciteit en de verbrandingsmotor. Een systeemtechnologie heeft altijd een grote impact op de samenleving, die vooraf niet kan worden voorzien. Voor intermediairs betekent dit dat zij deze nieuwe technologie hoe dan ook moeten (leren) omarmen om daarmee hun werk effectiever en efficiënter in te richten. We onderscheiden twee hoofdvormen van AI tooling te weten generative AI en specifieke AI.

Generative AI

Generative AI verwijst naar het gebruik van algoritmes die in staat zijn om autonoom nieuwe inhoud te genereren , zoals teksten, afbeeldingen of geluiden, op basis van bestaande data. Het bekendste voorbeeld staat op de website openai.com: ChatGPT-3 . GPT staat voor Generative Pre-trained Transformer . Het is een type neurale netwerkarchitectuur dat wordt gebruikt om natuurlijk klinkende taal te genereren. Adviseurs kunnen GPT nu al goed gebruiken om krachtige antwoorden te genereren op veelgestelde vragen, relevante content te genereren voor websites of bijvoorbeeld snel een samenvatting op te vragen van lange wetteksten. Assurantiesoftwarepartijen zoals Wegroup experimenteren hiermee om GPT ook in te zetten in de klantbediening. In de VS heeft Sixfold.ai een GPT-model ontwikkeld dat risico’s van te verzekeren objecten automatisch in kan schatten en daarvoor passende dekkingsadviezen geeft, binnen aangeleverde acceptatierichtlijnen.

Vooralsnog heeft generative AI een aantal belangrijke nadelen. Zo zijn handmatige correcties en kwaliteitscontrole altijd noodzakelijk met name als hoogwaardige en nauwkeurige gegevens vereist zijn. Ook moet de inhoud gevalideerd worden, omdat het een black box is. Het is erg moeilijk om de exacte redenering achter de gegenereerde inhoud te begrijpen. Tenslotte vereist generative AI grote hoeveelheden trainingsdata om effectief te kunnen leren en nieuwe gegevens te genereren. Die enorme hoeveelheden data zijn op het internet te vinden, maar bijna nooit binnen een bedrijf voor een eigen exclusieve toepassing. Er zijn ook juridische risico’s, kijk bijvoorbeeld op www.arag.nl/nieuws/ chatgpt-juridisch-risico.

Specifieke AI

Naast generative AI kennen we specifieke AI , ook wel bekend als narrow AI . Het is gericht op het efficiënt uitvoeren van een specifieke taak met een bijzonder hoog niveau van expertise en nauwkeurigheid. Dit is iets wat in verzekeringsland natuurlijk erg belangrijk is en daar

‘Het intermediair wordt een duur distributiekanaal’

Voor de volgende use cases kan AI-technologieVoor de volgende use cases kan AI-technologie bij intermediairs en volmachten al succesvol ingezet worden;het verhogen van polisdichtheidhet voorkomen van royementactief klantbeheer op schaal inrichtenhet effectiever inzetten van de adviseursefficiëntere acceptatie- of schadeprocessenhet verbeteren van combined ratiohet identificeren van bleeders en feedershet monitoren van autoportefeuilleshet verbeteren van (digitale) klantbedieningom wordt deze AI meer en meer succesvol toegepast. Narrow AI wordt ook gebruikt in toepassingen zoals beeld- en spraakherkenning, aanbevelingssystemen en autonome voertuigen.

Deze AI vereist (alleen) trainingsdata die specifiek is voor de taak waarvoor het is ontworpen. Stel je wilt op deze wijze AI inzetten om de acceptatie(kans) te voorspellen ten bate van een STP motorrijtuigen, dan heb je alleen historische data nodig van geaccepteerde en niet geaccepteerde motorrijtuigaanvragen. De relevantie en representativiteit van de trainingsdata zijn van cruciaal belang voor de prestaties van deze AI-modellen. We noemen enkele toepassingen die nu al succesvol worden ingezet bij Nederlandse intermediairs en volmachtbedrijven.

‘Adviseurs kunnen GPT goed gebruiken om krachtige antwoorden te genereren op veelgestelde vragen’

Churn Prediction : Op basis van historische klant- en polisgegevens kunnen machine learning modellen worden getraind om te voorspellen wat de kans is dat klanten hun polissen opzeggen binnen een bepaalde periode ( churn ). Daarvoor worden algoritmes zoals logistische regressie, beslissingsbomen of neurale netwerken ingezet. Adviseurs kunnen met deze informatie heel gericht aan de slag. Klanten met een hoge churn kans hebben directe aandacht nodig en moeten proactief worden benaderd voor een onderhoudsgesprek en/of met een incentive ( defend strategy ). Klanten met een lage churn kans zijn uiteraard de loyale klanten en daarmee kan op een structurele wijze de relatie worden verstevigd ( nurture strategy ). Directe actie is niet nodig. Daarnaast wordt uit het model op een diagnostic level ook duidelijk waarom de kans op royement hoog of juist laag is. Hierop kan men strategisch inspelen.

CLV Prediction : Customer Lifetime Value (CLV) is een belangrijke maatstaf voor intermediairs, die de klantbediening systematisch en toekomstbestendig – lees duurzaam winstgevend - willen inrichten. Technisch gezien kan CLV worden berekend met behulp van een machine learning model dat dezelfde historische klanten polisgegevens analyseert. Door dit te combineren met geavanceerde algoritmes zoals regressieanalyse of survival analyse , kan het model voor elke klant de toekomstige waarde in euro’s voorspellen onder andere rekening houdende met klant-levensduur en cross- en upsell potentie. Hiermee kan het intermediair de juiste strategische beslissingen nemen, logischerwijs door gericht te investeren in (acquisitie van) klanten met een hoge voorspelde CLV.

Klanten met een hoge voorspelde CLV én een hoge voorspelde churn kans dienen natuurlijk de hoogste prioriteit te krijgen van de adviseur. Zo kunnen marketingen klantgerichte activiteiten efficiënt worden ingezet en gepersonaliseerde diensten worden aangeboden om de voorspelde CLV ook echt te gaan realiseren. Hieronder een voorbeeld van een versimpelde AI gedreven klantsegmentering op basis van churn en CLV predictions .

Next best polis recommenders: Door klantprofielen, polisgegevens en externe gegevensbronnen te analyseren, kunnen machine learning -modellen worden gebruikt om te voorspellen welke aanvullende polissen of dekkingen het meest relevant en aantrekkelijk zijn voor elke individuele klant. Hierbij wordt gebruik gemaakt van technieken zoals collaborative filtering, waarbij patronen en overeenkomsten tussen klanten worden ontdekt om aanbevelingen te doen. Zo kan het intermediair automatisch en op schaal continu alle klanten informeren over relevante dekkingen. Als een klant interesse toont, kan de adviseur gericht aan de slag om de klant te adviseren ( enlarge strategy ). Gericht werken aan een hogere polisdichtheid dus. Bijkomend voordeel is dat klanten met meer polissen doorgaans ook loyaler zijn.

Robotic process automation (RPA): RPA is een techniek die wordt gebruikt om repetitieve en tijdrovende taken te automatiseren. Dit kan door enkel slimme business rules te gebruiken, maar het wordt nog effectiever als je het combineert met machine learning (ML) modellen. De toepassing zit voor volmachten of grote intermediairs voornamelijk in STP-straten voor acceptatie. Acceptanten moeten verstrekte gegevens controleren en toetsen aan acceptatierichtlijnen. RPA kan deze verificatieprocessen geautomatiseerd uitvoeren, waardoor het tijdrovende handmatige werk wordt geelimineerd voor de ‘bulkproducten’. De RPA wordt dan ook geconfigureerd eventuele discrepanties te rapporteren aan de acceptanten. Zo blijft de human in the loop en wordt hun werk meteen ook veel interessanter.

Natural language processing (NLP): NLP-algoritmes kunnen natuurlijke taal begrijpen en verwerken en worden toegepast in communicatiekanalen om snelle en gepersonaliseerde antwoorden te bieden op vragen en verzoeken van klanten. Daarvoor worden technieken zoals tekstclassificatie, entity extraction en sentimentanalyse ingezet om de structuur en betekenis van tekstuele gegevens te begrijpen. Enkele relevante toepassingen voor intermediairs en volmachten:

• Automatische verwerking van claims : NLP-algoritmen kunnen de inhoud van claimformulieren analyseren om relevante informatie te extraheren, zoals de aard van de claim, de betrokken partijen en de details van het incident. Ook kan de claim aan de polisvoorwaarden worden getoetst. Dit stelt schadebehandelaars in staat om sneller en nauwkeuriger claims te verwerken, wat resulteert in een verbeterde klanttevredenheid.

• Sentimentanalyse : Met deze NLP-algoritmes krijgt het intermediair automatisch en continu inzicht in hoe klanten zich voelen over diensten of producten. Zo worden real time patronen in klantfeedback en potentiële oorzaken van daling van klanttevredenheid geïdentificeerd. In het Microsoft Platform kan sentimentsanalyse nu al standaard worden aangezet voor zowel geschreven tekst (bijvoorbeeld mails via Outlook) als gesproken tekst (bijvoorbeeld bellen via Teams).

• Chatbots : Met techniek zoals intent recognition of named entity recognition kunnen chatbots de bedoeling van de klant begrijpen en relevante antwoorden genereren. Daardoor wordt de werklast verminderd en de klantbediening verbetert. Iedereen kent natuurlijk de ‘slechte’ chatbots. Veel hangt af van de inrichting. Bij InShared is de goed getrainde chatbot in staat om meer dan 95 procent van de vragen automatisch te beantwoorden.

AI roadmap

Het goede nieuws is dus dat AI het intermediair nu al diverse mogelijkheden biedt waarmee ze de klantbediening kunnen verbeteren. Elk kantoor heeft echter een eigen koers en een eigen klantengroep, dus er is helaas geen one-size-fits-all . Daarom is het verstandig om te werken aan een AI roadmap , waarbij AI effectief wordt ingezet ten bate van de doelen (KPI’s) van het bedrijf. Het is een goed idee om samen met het MT allereerst een verkenning te doen van mogelijke use cases binnen de doelen en strategie van het kantoor. De use cases worden vervolgens samen geprioriteerd in een business value versus effort quadrant. Use cases met een hoge verwachte business value die naar het oordeel van AI insurance experts voor het kantoor relatief makkelijk met inzet van AI gerealiseerd kunnen worden, zijn de quick wins . Die komen vooraan in de roadmap . Moeilijker te realiseren use cases , de major projects, komen daarna pas aan bod. Zo worden één, maximaal twee use cases geselecteerd, waarvoor een pilot wordt opgezet in een operationele omgeving met een beperkte scope. Het is belangrijk dat vanuit de pilot de business case kan worden berekend. Ofwel weegt de investering in de AI op tegen de verwachte business value in lijn met de organisatiedoelstelling? Doelen moeten SMART worden geformuleerd.

‘AI biedt adviseurs nu al diverse mogelijkheden om klantbediening te verbeteren’

Het is heel belangrijk om ook de medewerkers te betrekken en inhoud te geven aan change management . Daarna moet de implementatie regelmatig geëvalueerd worden en aangepast worden aan veranderende behoeften en technologische ontwikkelingen. Houd ook rekening met ethische overwegingen, gegevensbeveiliging en naleving van wet-en regelgeving bij het implementeren van AI-oplossingen.

De bal ligt bij het intermediair om de mogelijkheden van AI snel te gaan verkennen. Het wiel hoeft niet opnieuw uitgevonden te worden. Er zijn AI-oplossingen beschikbaar die direct kunnen worden ingezet. Informeer daarvoor softwareleveranciers of ga te rade bij AI-experts. Door gebruik te maken van AI-tooling kan het intermediair de kracht van de adviseur verder uitnutten, de concurrentiepositie versterken, de klantbediening verbeteren en zo de weg banen naar een toekomstgericht en succesvol verzekeringsbedrijf.

Dennie van den Biggelaar (co-founder OneSurance) is ruim tien jaar AI-strateeg en hielp organisaties zoals Johnson&Johnson, CZ, BasicFit, Corendon, Sligro, Samsung bij het inzetten van big data en AI-toepassingen.

Bekijk het artikel op LinkedIn of download het als PDF