ウィンウィン: 保険請求を迅速化して収益性と顧客満足度を向上 Win-Win: Expedite Insurance Claims to Improve Profitability and Customer Satisfaction

Joshua Zable | 5/29/2023

トピック: Fishbone, CART, Minitab Workspace, Minitab

人は保険について考えるとき、確率、統計、効率のことを考えます。保険会社からの保険請求の回答を顧客が辛抱強く待てないのは、そのためです。保険会社は、データの力を商品やリスクプロファイルの開発に活用することが最も得意な会社の1つです。ですが、同じ規律を社内業務、特に顧客とのやり取りにそのまま適用しがちです。Minitabは、保険会社が請求に迅速に対応し、顧客との関係を改善するのに役立ちます。

請求応答時間の速さを測定

保険会社にとって、請求の処理にかかる時間は重要な指標となるはずです。出力測定が1つのデータポイントであるため、収集と測定はとても簡単です。以下の例では、サンプルデータセットと簡単な記述統計を使用することで、請求の処理時間の平均が54~55日であることがわかります。また、このデータは、最短が40日で最長が75日であることを示しているので、目標設定に役立つ最短から最長の時間範囲がわかります。

Table-1

 

目標を設定して、パフォーマンスに影響し得る因子をブレインストーミング

請求処理が遅くなると、顧客体験の面で会社にマイナスになるだけでなく、処理未完了の状態が長く続くにつれて負債に関する会社の不確実性が高まります。特定期間内に請求を処理する戦略的な業務目標を設定します。この例では、現実的な目標を50に設定します。これは、処理完了までの時間が約10%改善されることを表します。

次に、処理完了の時間枠に影響を与えそうな変数をブレインストーミングします。これは、請求額、請求の種類、顧客の種類、さらには請求を処理している代理店など、何でも可能です。  下の図は、一般的な特性要因図の例です。特性要因図は、人気のあるブレインストーミングおよび構造化問題解決ツールの1つです。

Fishbone-Insurance-1

問題をブレインストーミングしますか?

今すぐダウンロードする

 

予測モデリングを使用して影響を定量化...

予測モデリングは、一般的に、予測を行い、応答に影響を与える因子を理解するのに役立ちます。Minitabの自動化機械学習ツールを使用することで、最高のモデルを見ることができるだけでなく(この場合はRandom Forests®)、他のモデルのパフォーマンスを見ることもできます。
r-squared-table

この場合、人気のある従来の回帰手法はパフォーマンスが最も悪く、それほど正確でもありません。一方で、関係の視覚化に最適なCART®モデルは、比較的良いパフォーマンスです。

改善を適用...

以下のCART®決定木を見ると、自動車の請求の処理にかかる時間が最も短く、空き巣と盗難の請求の処理にかかる時間が最も長いことが明らかです。これは、改善で対処するべき最初の領域を示します。詳細に見ると、特に保険担当者のレベッカが、このような状況で苦労していることは明らかです。この特定の状況についてレベッカをトレーニングすることで、すぐに改善できる可能性があります。

CART-image-1

...そしてモデルを運用して、顧客とのコミュニケーションを改善!

この分析は、改善の必要な領域を特定するのに役立ち、顧客とのコミュニケーションにも役立ちます。手元の因子を考慮に入れ、最も正確なRandom Forests®モデル(自動化機械学習によって判定)を活用することで、モデルを運用して自動的に顧客に情報を伝えられます。データポイントが集められると、モデルはMinitab Model Opsのようなソリューションを使用して、ケース処理の推定時間を計算し、そのタイミングを自動的に顧客に伝えることができます。これにより、顧客の期待が適切に設定され、イライラさせることがなくなります。パフォーマンスを改善すると、顧客の期待に応えることができますし、独自の予測モデルを改良し続けて、将来的により正確なタイミングを顧客に知らせることができるようになります。

その他の保険関連の課題を解決したいとお考えですか? 

 

当社の保険モジュールをご覧ください