In België werkt
Onesurance intensief samen met Jan Andel. Hij is auteur en transitiecoach
met 35 jaar ervaring in commerciële en verzekeringstechnische functies voor
Belgische en Nederlandse bemiddelaars en verzekeraars. Jan spreekt ook vloeiend Frans.
Om het artikel te lezen kijk op deze linkedin post
Of bekijk hier de PDF: Nederlandse versie of Franse versie.
Post Tags :
Share :
Onesurance is ook aanwezig op de ITC DIA in Amsterdam! Dit evenement vindt plaats op 12 en 13 juni in Amsterdam. DIA staat bekend als Europa’s toonaangevende evenement voor innovatie in insurance en insurtech’s.
Voor meer informatie en tickets ga naar ITC DIA Europe – Amsterdam 2024
Post Tags :
Share :
Deze week verzorgde onze CTO en co-founder Dennie van den Biggelaar een over AI in verzekeringen voor 120 leden van de Stichting Assurantie Registratie (SAR). Het was een grote opkomst van adviseurs onder de RMiA-, RGA- en RPA-erkenningsregelingen.
De Stichting Assurantie Registratie (SAR) is een Nederlandse stichting gericht op de certificering en registratie van verzekeringsprofessionals. SAR streeft ernaar hoge normen in de verzekeringssector te handhaven door professionals te erkennen en te accrediteren die voldoen aan specifieke opleidings- en professionele criteria. Deze certificeringen zorgen ervoor dat leden de benodigde kennis en vaardigheden bezitten om kwalitatief advies en diensten aan klanten te bieden. De stichting organiseert ook evenementen, trainingen en continue professionele ontwikkelingsmogelijkheden voor haar leden om op de hoogte te blijven van trends en regelgeving in de sector.
Post Tags :
Share :
Wij zijn aanwezig op de gerenomeerde INSURENXT in Keulen op 28 en 29 mei a.s.
𝐌ö𝐜𝐡𝐭𝐞𝐧 𝐒𝐢𝐞 𝐞𝐫𝐟𝐚𝐡𝐫𝐞𝐧, 𝐰𝐢𝐞 𝐒𝐢𝐞 𝐈𝐡𝐫 𝐊𝐮𝐧𝐝𝐞𝐧𝐩𝐨𝐫𝐭𝐟𝐨𝐥𝐢𝐨 𝐦𝐢𝐭 𝐞𝐢𝐧𝐞𝐦 hashtag#𝐊𝐈-𝐚𝐮𝐭𝐨𝐦𝐚𝐭𝐢𝐬𝐢𝐞𝐫𝐭𝐞𝐧 𝐀𝐧𝐬𝐚𝐭𝐳 𝐨𝐩𝐭𝐢𝐦𝐢𝐞𝐫𝐞𝐧 𝐤ö𝐧𝐧𝐞𝐧?
Gerne sehen wir uns am kommenden Dienstag, den 28. Mai und Mittwoch, den 29. Mai, auf der Messe insureNXT in Köln an Standnummer C011 mit Dialog Group !
Post Tags :
Share :
Op verzoek van VVP, het platform voor financieel dienstverleners, legt onze CTO en AI strateeg Dennie van den Biggelaar uit hoe je specifieke AI en machine learning toepast op ‘advies in de praktijk’. In verschillende edities zullen de volgende onderwerpen worden uitgelicht:
In deze derde editie beantwoorden we de vraag: hoe integreer je een getraind algoritme met je bestaande IT-landschap en tooling? Heeft u naar aanleiding van dit artikel vragen?
Neem gerust contact op met Dennie (dennie@onesurance.nl)
Lees hier de tekst van het artikel:
Integreren van AI software
De verzekeringssector staat aan de vooravond van een technologische revolutie. Met de integratie van AI decision engines kunnen verzekeraars hun klantbediening aanzienlijk verbeteren en betere bedrijfsresultaten behalen. AI-algoritmes kunnen o.a. churn voorspellen, klantwaarde (CLV) berekenen en aanbevelingen doen voor cross- en upsell, waardoor adviseurs beter geïnformeerde beslissingen kunnen nemen. Maar hoe intergreer je deze algoritmes in je bestaande IT landschap? Hoe zorg je ervoor dat je werknemers deze voorspellingen en suggesties op het juiste moment tot hun beschikking hebben om makkelijker en effectiever te kunnen werken? In dit artikel bespreken we een aantal concrete technische tips voor een succesvolle integratie van AI decision engines in verzekeringssystemen.
Definieer een succesvolle integratie
Ik geloof er heilig in dat IT vraagstukken altijd een business doel moeten dienen. Een succesvolle integratie begint dan ook altijd met het stellen van de vraag: ‘wanneer is deze integratie succesvol?’ Het opstellen van een user story kan daarbij helpen, een voorbeeld:
“Als [digitale marketeer van volmachtbedrijf X] wil ik [wekelijks weten welke klanten behoefte hebben aan een extra product Y], zodat ik [voor deze groep een gerichte automatische marketing campagne kan opzetten] met als doel [het wekelijks genereren van (nieuwe) leads voor mijn buitendienstadviseurs].”
Dit is een mooi startpunt om de technische experts te presenteren wat er van hen wordt verlangd. Meestal volgen er dan nog verdiepende vragen:
Door het stellen én beantwoorden van deze vragen, identificeert het team vanzelf de kaders van een succcesvolle integratie. Dit is dus geen one-man-job: het is belangrijk dat bij deze exercitie zowel de business/gebruikers als technische experts vertegenwoordigd zijn!
Analyse bestaand IT-landschap
Een succesvolle integratie begint met een grondige analyse van de bestaande IT-infrastructuur. Veel integratiepogingen mislukken omdat er geen goed inzicht is in de huidige systemen, wat leidt tot compatibiliteitsproblemen. Met welke bestaande IT-systemen, databases en interfaces moet het AI-algoritme ‘samenwerken’? Welke hoeveelheden data moeten er worden doorgegeven? Wanneer en hoe snel?
In de praktijk betekent dit samenwerken en afstemmen met verschillende IT partners van backend en frontend systemen. Start deze inventarisatie daarom tijdig en neem alle (externe) stakeholders mee in je plannen. Heb je hier zelf geen tijd of resources voor? Stel dan één van je IT partners aan om dit project management voor je te doen. Het is tenslotte hun expertise!
Overzichtelijk, schaalbaar en wendbaar
Ik heb helaas vaak moeten meemaken dat organisaties innovatieve plannen hadden, maar dat hun IT landschap té rigide was ingericht. Ontwerp daarom een modulaire en schaalbare architectuur om toekomstige uitbreidingen en veranderingen mogelijk te maken, zodat je als organisatie wendbaar bent. Daarom is het tegenwoordig best practice om microservices architecturen te gebruiken, waarbij elke functionaliteit als een aparte service draait. Zo wordt het makkelijker om nieuwe elementen toe te voegen, te vervangen of bestaande te updaten zonder de hele infrastructuur te herzien.
Consistentie en kwaliteit
Datakwaliteit is cruciaal voor het succes van AI. Veel AI-systemen presteren slecht door inconsistente, onvolledige of verouderde data. Implementeer daarom een data cleaning en preprocessing pipeline die ervoor zorgt dat alle data die naar de AI decision engine wordt gestuurd, schoon en up-to-date is. Geautomatiseerde tools voor data-integratie en validatie kunnen hierbij helpen, waardoor de betrouwbaarheid van de AI-uitkomsten wordt gegarandeerd. Gebruik ETL (Extract, Transform, Load) processen om data uit verschillende bronnen te extraheren, te transformeren naar een uniform formaat en te laden in een centrale data repository. Dit zorgt voor een gestroomlijnde dataflow die essentieel is voor het succesvol trainen en gebruiken van AI-modellen.
Testen, valideren en monitoren
Grondige tests en validaties zijn essentieel om ervoor te zorgen dat de AI-modellen correct functioneren binnen de bestaande systemen. Onvoldoende testen kan leiden tot fouten en onverwachte problemen na livegang. Voer daarom uitgebreide tests uit in een gesimuleerde omgeving die de productieomgeving nabootst. Valideer de output van de AI-modellen met historische data en scenario-analyses. Betrek eindgebruikers in de testfase om ervoor te zorgen dat de modellen voldoen aan de bedrijfsvereisten en gebruikerseisen.
Gebruik API’s
API’s (Application Programming Interfaces) zijn essentieel om AI decision engines te verbinden met bestaande systemen. Zonder gestandaardiseerde interfaces kan de communicatie tussen systemen inefficiënt en problematisch zijn. Door API’s te ontwikkelen en te implementeren die data kunnen ontvangen en verzenden, wordt de integratie flexibel en schaalbaar. Dit zorgt ervoor dat de AI decision engine robuust kan communiceren met zowel backoffice- als frontoffice-systemen.
Veiligheid en privacy
Databeveiliging is cruciaal, vooral gezien de gevoelige aard van verzekeringsgegevens. Onvoldoende beveiliging kan leiden tot datalekken met als gevolg verlies van klantvertrouwen en inbreuk op de privacy van consumenten. Gebruik daarom alleen data die daadwerkelijk nodig is en anonimiseer zoveel mogelijk. Heb je bepaalde gevoelige data echt nodig? Pas dan encryptie toe. Zorg ervoor dat alle data-overdrachten tussen systemen en de AI decision engine over een versleutelde verbinding lopen. Gebruik toegangscontroles en audit logging om de veiligheid van de data te waarborgen en compliance met regelgeving te garanderen.
Conclusie
Een gedegen integratie is een voorwaarde om AI succesvol te laten landen in je organisatie. Je moet niet alleen letten op een schaalbare business case en de gebruiker, maar ook nadenken over wendbaarheid, veiligheid, privacy en kwaliteit. Hierdoor heb je dus een team nodig met verschillende competenties en zul je moeten afstemmen en samenwerken met IT partners.
Zorg daarom eerst dat jij of iemand in je eigen organisatie scherp heeft wat de business kaders zijn van een succesvolle integratie. Maak deze expliciet, zodat je dit kunt overdragen. Stel vervolgens iemand aan die zich verantwoordelijk voelt voor de realisatie en het bijbehorende project management. Als je hiervoor zelf geen resources wilt of kunt vrijmaken, kun je hiervoor prima één van je trusted IT partners inschakelen. Kun jij lekker focussen op jouw eigen core business!
Post Tags :
Share :
Intermediairs waren ooit gefragmenteerd en nationaal georiënteerd, maar dit verschuift nu snel naar een geconsolideerd én internationaal speelveld.
In dit tweede deel in de reeks strategisch ondernemerschap dat gepubliceerd werd in VVP – 1 van 2024 gaan we in op deze belangrijke businesstrend en bieden manieren om als intermediair in te spelen op deze consolidatiedruk. Onesurance bedient uiteraard de grotere spelers in de markt maar heeft ook mogelijkheden om het kleiner intermediair te voorzien van de nieuwste AI technologie.
Post Tags :
Share :
Op verzoek van VVP, het platform voor financieel dienstverleners, legt onze CTO en AI strateeg Dennie van den Biggelaar uit hoe je specifieke AI en machine learning toepast op ‘advies in de praktijk’. In verschillende edities zullen de volgende onderwerpen worden uitgelicht:
In deze tweede editie beantwoorden we de vraag: hoe operationaliseer je nu zo’n getraind algoritme?
Heeft u naar aanleiding van dit artikel vragen?
Neem gerust contact op met Dennie (dennie@onesurance.nl)
Hier vindt u de tekst van het artikel:
Uitdagingen bij het operationaliseren van AI in bedrijfsprocessen
Stel je voor: je hebt samen met je data science team een veelbelovend AI algoritme ontworpen om royement te voorspellen met als doel dat adviseurs hiermee proactief aan de slag gaan. Dit proces werd in deel 1 van deze reeks ‘AI in de praktijk’ besproken. Het potentieel is er, maar al snel kom je er achter dat bij het werkelijk in de praktijk brengen een aantal complexe drempels overwonnen moeten worden. Welke drempels zijn dat en hoe kun ze omzeilen?
Meetbaar resultaat blijft uit
Een helder geformuleerd doel identificeert nauwkeurig wat het AI algoritme precies moet bereiken en is afgestemd op bedrijfsdoelstellingen. De scope, daarentegen, geeft richting aan het project door de relevante gegevensbronnen, budget, tijdlijnen en verwachte resultaten te definiëren. Wat zijn de stappen om dit te bereiken?
Een data science project is over het algemeen een investering waarbij:
Maak daarom het project zo klein en overzichtelijk mogelijk, zonder dat het zijn waarde en impact verliest als het slaagt. En probeer zo snel mogelijk resultaten te boeken die jou het bewijs geven dat je op het juiste spoor zit.
Boek je die resultaten niet, evalueer dan met het team en stuur bij. Boek je die wel? Eerste doel bereikt! Maak er dan een mooi verhaal van en presenteer het aan je business stakeholders en bespreek met hen hoe je dit groter maakt binnen je organisatie.
Vraagtekens bij een constante data kwaliteit
Een veelvoorkomend struikelblok is de kwaliteit en de constante aanlevering van up-to-date gegevens. Inconsistenties en ontbrekende waarden kunnen de nauwkeurigheid van het AI-model in gevaar brengen. De oplossing? Een grondige verkenning van welke data altijd Accuraat, Beschikbaar en Consistent (de data ABC) is.
Voldoet essentiële data om je doel te bereiken hier niet aan? Pas hier dan uitgebreide data cleaning toe, zoals het omgaan met ontbrekende waarden, extreme outliers en fout ingevoerde data. Daarna zul je deze cleaning stappen structureel moeten borgen in een data transformatie pipeline en bijbehorende proces, zodat je deze data kunt toevoegen aan je fundament voor een betrouwbaar operationeel model.
Er is onvoldoende vertrouwen in het AI-model
Onvoldoende begrip en vertrouwen in ML modellen vormt een drempel voor acceptatie bij niet-technische gebruikers. Als je hier niet voldoende aandacht aan besteed, ontstaat er wantrouwen en weerstand.. Een oplossing is het selecteren van transparante modellen met goede uitlegbaarheid en slimme methoden waarbij complexiteit wordt omgezet naar een begrijpelijk concept. Visualisatie en heldere (proces)documentatie vergroten het vertrouwen. Daardoor verdwijnt het bezwaar van een “black box” naar de achtergrond.
En zoals bij elke verandering is het hier ook belangrijk om je collega’s zorgvuldig mee te nemen in dit proces. Geef ze voldoende tijd om hun vragen te stellen en te laten wennen aan deze nieuwe technologie en haar mogelijkheden. En besef dat hun vragen en feedback voor jou essentiële ideale input is om de door jou beoogde toepassing in de praktijk succesvol te maken.
Bezwaren rondom veiligheid, privacy en ethiek
Het spreekt voor zich dat beveiliging en privacy van (klant)gegevens een eerste voorwaarde zijn om überhaupt te starten. Gelukkig is er de afgelopen 5 jaar veel nieuwe wetgeving doorgevoerd en is passen organisaties deze ook praktisch en structureel toe.
Vertrouwen is niet alleen een issue van wetgeving en technologie. Ook op ethisch vlak mag je bezwaren verwachten vanuit verschillende hoeken:
Gelukkig heeft het Verbond van Verzekeraars hier een aantal richtlijnen opgesteld die je kunt borgen in je algoritme én aanpak. Wil je zeker weten dat je hierin niets over het hoofd ziet? Stel dan één persoon verantwoordelijk voor
De feedbackcyclus ontbreekt
Luisteren naar gebruikerservaringen en het benutten van deze feedback zorgt voor een dynamische iteratieve cyclus, waarmee het model evolueert in overeenstemming met bedrijfsvereisten. Een gestructureerd feedbackmechanisme is cruciaal voor het zelflerend vermogen van het AI-model. Hoe je dit juist inricht, is per AI toepassing verschillend.
In het specifieke geval van ‘royementen voorkomen’ laat je de adviseurs bijvoorbeeld vastleggen wat ze met de voorspelling hebben gedaan: klant gebeld, bezocht of niets mee gedaan. Zo wordt over tijd meetbaar wat het effect is op het royement.
Er vindt onvoldoende monitoring plaats
Het motto moet zijn: “keep the algorithm on the leash”. Wat je niet wilt zijn ‘hallucinaties’ of onverwachte prestatievermindering, bijvoorbeeld bij een trendbreuk. Dit betekent dat er een zorgvuldig monitorings- en waarschuwingssysteem moet zijn om de modelprestaties te bewaken. Een duurzame toepassing vereist voorts gedetailleerde documentatie van parameters en gebruikte data, zodat het model transparant en reproduceer is én blijft.
Het model blijkt niet schaalbaar
Een algoritme dient ‘by design’ onderdeel te zijn van een systeem met schaalbaarheid in gedachten. Hiervoor zijn doorgaans veilige cloudoplossingen en een schaalbare infrastructuur zoals MLOps technologie noodzakelijk (de ML variant van DevOps). Houd rekening met groeiprognoses en waarborg een voldoende flexibel systeem dat zich aanpast aan evoluerende bedrijfsvereisten. Het maken van de juiste keuzes voor integratie met IT landschap is essentieel (e.g. real-time of batch-verwerking). Maar hierover meer in de volgende editie.
Last-but-not-least: onvoldoende betrokkenheid
Volgens hoogleraar innovatie Henk Volberda is het succes van innovatie slechts voor 25% technisch van aard en 75% afhankelijk van de adoptie van de mens. Een succesvolle adoptie begint met “CEO-sponsorship”, het water stroomt immers van boven naar beneden. De leiding dient er voor te zorgen dat er voldoende training, communicatie en ondersteuning is als een AI-model wordt ingezet. Investeer voldoende tijd en energie om met deze nieuwe technologie onderdeel te maken van je organisatie, van strategie tot operatie. Want daar zit de echte return on investment: de succesvolle samenwerking tussen menselijke expert en AI technologie.
“It’s easy to create a self-learning algorithm. What’s challenging is to create a self-learning organization.” – Satya Nadella, CEO of Microsoft
Kortom: het bedenken, het bouwen en valideren van een robuust algoritme is slechts fase één van het succesvol in de praktijk brengen van AI. In de volgende editie gaan we nader in op hoe je het kunt integreren met bestaande IT systemen en workflows.
Post Tags :
Share :
Quote van Odette Bakker (CEO) en Indra Frishert (CMO) van DAZURE in een post op Linkedin:
“Knappe koppen van Onesurance zijn iets innovatiefs aan het bouwen voor ons medisch traject. Veel kandidaat-verzekerden hoeven straks aanzienlijk minder medische vragen te beantwoorden, want het gebouwde algoritme kan voorspellingen doen aan de hand van historische data. Polissen kunnen dan veel sneller worden afgegeven.
Lees hier de reacties op linkedin
Hierover werd een artikel gepubliceerd in VVP. Lees het artikel hier.
“Onesurance is voor mij dé partij die bewijst dat AI echt op een verantwoorde manier ingezet kan worden, waarbij innovatie en ethiek onlosmakelijk met elkaar verbonden zijn. Door de agil werkwijze wordt er tijdens ons project tijdig bijgestuurd waarmee we een optimaal resultaat weten te behalen. En extra pluspunt is dat het ook nog eens leuk is om met hen samen te werken door hun tomeloze enthousiasme.”
Odette Bakker, CEO DAZURE
Post Tags :
Share :
De selectiecommissie bestond uit Levent Türkmen (algemeen directeur SUREbusiness), Marijn Moerman (ceo Alicia, winnaar van de innovatieprijs van 2022), Annet van den Berg (redacteur AMweb_nl ) en Caro Sala (communicatieadviseur NVGA). Zij bogen zich over de zestien inzendingen die dit jaar binnenkwamen.
Onze nominatie betreft onze AI Engine. Dit is een modulair opgebouwde AI-gedreven decision engine die in staat is de adviseur te ondersteunen door data te onttrekken uit backofficesystemen, daar met complexe algoritmes continue analyses op te doen en vervolgens gerichte voorspellingen af te leveren in de in gebruik zijnde frontend-systemen.
De NVGA en AM willen met de NVGA AM Innovatieprijs innovatie in de volmachtbranche een boost geven. De prijsuitreiking is op donderdag 17 april tijdens het NVGA-congres in Inspyrium in het Brabantse Cuijk.
Post Tags :
Share :
In deze rubriek legt AI strateeg Dennie van den Biggelaar uit hoe je specifieke AI en machine learning toepast op ‘advies in de praktijk’. In verschillende edities zullen de volgende onderwerpen worden uitgelicht:
Logischerwijs starten we in deze eerste editie bij het begin: wat is het en hoe start je?
Hier vindt u de tekst van het artikel:
AI vs machine learning (ML)
AI is een machine of software die taken uitvoert welke van oudsher menselijke intelligentie vereisen. Machine learning (ML) is een specifiek onderdeel* van AI, waarmee een machine of software zelf kan leren van historische voorspellingen of acties.
Het bekendste en meest besproken voorbeeld van ML software is ChatGPT, dat specifiek is ontworpen om betekenisvolle stukken tekst te genereren voor de gebruiker. Er zijn echter talloze andere vraagstukken waarbij machine learning ons kan helpen. Er bestaat echter (nog) niet altijd een kant-en-klare oplossing die je direct kunt gebruiken, zoals ChatGPT.
Om zo’n bruikbare AI oplossing te bouwen, moet je de juiste competenties op het juiste moment bij elkaar brengen. Het is de taak van een AI strateeg om samen met een multidisciplinair team van business experts, ML engineers, data engineers en data scientists te bepalen wat je wilt voorspellen, hoe (accuraat) dat moet gebeuren, welke technieken je inzet en tenslotte hoe e.e.a. geoperationaliseerd en geborgd wordt, zodat het daadwerkelijk leidt tot de gewenste resultaten.
Voorbeeld: Royement voorspellen
Als kantoor wil je zeker weten dat de juiste klanten op het juiste moment de juiste aandacht krijgen van je adviseurs, zodat royement geminimaliseerd wordt. Het is ideaal als je dan weet welke klanten een hoge kans hebben dat ze gaan opzeggen. Maar hoe vertaal je dit naar het team?
Het komt vaak voor dat een klant royeert met één enkele polis. Dit is in de meeste gevallen gewoon een mutatie en hiermee wil je je ML model niet vervuilen. Stel dat een klant royeert met alle polissen binnen de hoofdbranche aansprakelijkheid, maar zegt de rest (nog) niet op. Is er dan sprake van een klant die weg dreigt te gaan? En wat als hij ook alles binnen de hoofdbranche brand opzegt, maar nog wel een rechtsbijstand en ORV heeft? Zijn er ook polissen intern overgesloten? Hoe hoog is het royement nu eigenlijk? Allemaal zaken die wilt vaststellen voordat je een team van ML engineers aan het werk zet.
Daarnaast moet je rekening houden met je forecast horizon: hoe ver wil je vooruit voorspellen? Wil je weten welke klanten gaan opzeggen de komende 1, 3, 6 of 12 maanden? Ook dit lijkt een detail, maar onder de motorkap betekent dit dat je een heel ander ML model gaat trainen.
Patronen vinden
Nadat je helder hebt gedefinieerd wát je wilt voorspellen, is het tijd om te kijken of je data daarvoor voldoende Accuraat, Beschikbaar en Consistent is (de ‘data ABC’). De belangrijkste reden waarom klanten opzeggen, komt er bottom line meestal op neer dat ze te weinig aandacht hebben gehad. De vraag is natuurlijk bij wie, wanneer en waarom er sprake is van ‘te weinig aandacht’. Deze informatie heb je niet in je datawarehouse staan en moet je dus zelf construeren door middel van feature engineering. Welke kenmerken (features) hebben een significant effect op de kans op royement? Dit is een analytisch én creatief proces waarbij kennis en ervaring van insurance experts en data scientists samenkomen.
Zodra er een deugdelijke eerste tabel met features is geboetseerd, kun je eindelijk aan de slag met machine learning. De ervaring leert dat het voorspellen van royeringen het beste te modelleren is met classification of survival analysis. Er zijn honderden verschillende ML technieken die hiervoor theoretisch geschikt zijn. In je keuze is het belangrijk om mee te nemen: in hoeverre moet het algoritme uitlegbaar zijn, hoe complex mogen de patronen zijn of hoeveel data is ABC?
Patronen valideren
Nadat de ‘machine’ aan het werk is gezet om patronen te vinden, waarmee voorspellingen gedaan kunnen worden, komt er altijd een spannend moment… hoe accuraat zijn de verschillende modellen? Hiervoor heeft de ML engineer een uitgebreide toolbox. Allereerst houdt hij een deel van de data apart om een getraind model te testen en valideren. Hiermee garandeer je de robuustheid van de gevonden patronen en voorkom je dat een model in de ‘echte wereld’ inaccurate voorspellingen geeft. Daarna wordt gekeken naar de false positives en false negatives en wat de kosten hiervan zijn.
Zo is een foutieve voorspelling dat iemand komende maand gaat opzeggen (false positive) niet zo erg. De adviseur belt de klant en trekt de conclusie dat er niets aan de hand is: het kost hem alleen 15 minuten van zijn tijd. Als het algoritme onterecht voorspelt dat iemand loyaal blijft (false negative), is dit veel duurder: je verliest een klant.
Op basis van o.a. precision, recall en AUC scores wordt het beste ML model bepaald. Daarnaast is het mogelijk om algoritmes strenger of minder streng af te stellen, zodat het beter past bij het beoogde bedrijfsproces. Dit heet parameter tuning en een ervaren ML engineer weet hoe je dit op een verantwoorde manier doet.
Hoe maak je het bruikbaar?
Vervolgens integreer je het algoritme in de operationele processen. Hoe kan de data op een veilige en efficiënte manier heen en weer, hoe kan de adviseur de voorspelling makkelijk gebruiken? Dat is het werk van data en software engineers. Tenslotte wil je ook dat de adviseur feedback kan geven op de kwaliteit van het algoritme, zodat het algoritme leert van de gebruiker. Het algoritme wordt dus steeds slimmer en steeds doelmatiger als het meer gebruikt wordt.
Dat is de echte ‘AI’ component, maar hierover meer in de volgende editie!
* AI is niet altijd ML. Zo is het algoritme Deep Blue (dat schaakgrootmeester Garry Kasparov versloeg) in 1997 geen ML, maar wel AI. ML is wel altijd AI.
Dennie is econometrist en heeft 12 jaar ervaring met het ontwerpen, bouwen en implementeren van machine learning oplossingen in de praktijk. Als mede-oprichter en CTO van Onesurance is hij verantwoordelijk voor de ontwikkeling van AI oplossingen en het succesvol operationaliseren bij opdrachtgevers in de verzekeringssector.
Post Tags :
Share :
Een persoonlijk verhaal van Heidy Bouwmans-Bierman dat werd gepubliceerd in VVP, het platform voor financieel adviseurs in Nederland, over hoe het team particulier bij Rivez en Zuiderhuis Assurantiën werkt met onze TopDefend-applicatie.
“De manier waarop data gebruikt kan worden om bijvoorbeeld te kunnen voorspellen wat de royeringskans is van een relatie vind ik erg fascinerend. Het geeft ons een geweldige tool om onze klanten te bedienen. de ontwikkelingen gaan snel. Zo kunnen wij aan de hand van data bijvoorbeeld ook voorspellen wat de next best polis is voor een relatie.”
Heidy Bouwmans-Bierman, teamleider particulier Rivez Zuiderhuis.
Een gebruikersvriendelijke ondersteuning die doet wat het beloofd en daarmee ook medewerkers enthousiast maakt om het te gebuiken. Minder churn, extra sales, tevreden klanten en medewerkers.
Michael Dubelaar, COO Rivez Zuiderhuis
Post Tags :
Share :
Insurance Data en Onesurance kondigen met trots een strategische samenwerking aan, waarbij beide bedrijven hun unieke krachten bundelen om het gebruik van data in de verzekeringsmarkt ingrijpend te transformeren. Dit markeert een nieuwe fase van vooruitgang in de branche.
Als toonaangevende expert in het rationaliseren, integreren en visualiseren van verzekeringsdata heeft Insurance Data een indrukwekkende staat van dienst opgebouwd in geavanceerde Business Intelligence.
Het team van ervaren AI engineers van Onesurance heeft in aanvulling hierop een vooruitstrevende AI Engine ontwikkeld. Deze is modulair opgebouwd, specifiek ontworpen voor verzekeraars, volmacht en intermediairs en levert onder meer geavanceerde churn predictions of zeer nauwkeurige AI acceptatie voor zakelijke risico’s.
Jack Vos: “Deze samenwerking vergroot onze impact in de markt, doordat we dezelfde selecte klantgroep bedienen”.
Lex De Bruijn “Deze alliantie biedt niet alleen meer zichtbaarheid, maar stelt ons ook in staat direct waarde toe te voegen voor onze klanten”.
De urgentie om data en AI in te zetten op belangrijke thema’s zoals actief klantbeheer, efficiënte werkprocessen, schaalbare groei en compliance wordt aangejaagd door consolidatie met steeds groter wordende portefeuille enerzijds en toenemende schaarste van gekwalificeerd personeel anderzijds. Omdat er achter de schermen al meer dan 12 maanden intensief aan de AI Engine is gebouwd door de data-experts van beide bedrijven, kan nu een razendsnelle time-to-value voor de klant worden gerealiseerd.
In de verzekeringswereld is timing immers cruciaal. De AI Engine lost dit probleem op met behoud van nauwkeurigheid en klantgerichtheid, waardoor men de concurrentie steeds een stap voor is.
Een voorbeeld is de generieke M&A module, waarbij de waardering van portefeuilles met algoritmes wordt voorspeld. Binnen twee weken wordt gedetailleerde informatie hierover gedeeld.
Om snel aan de groeiende marktvraag te voldoen, is Frank Rensen ✔ (RGA) aangesteld als ervaren insurance expert. Hij is een bekende in de markt.
Beide bedrijven behouden vooralsnog volledige juridische en bedrijfseconomische autonomie naast deze samenwerking.
Post Tags :
Share :
Op 18 december stonden we in het Het Financieele Dagblad met een uitgebreid interview, waarin we de ‘AI hype’ enigszins ontkrachten en met name in gaan op de ethische aspecten van AI.
Afsluitend het belang van de Adviescommissie KOAT van SIVI waarin onder meer vertegenwoordigd zijn Verbond van Verzekeraars, Adfiz, Stichting Contactgroep Automatisering, Universiteit Leiden, Tilburg University.
KOAT staat voor Kwaliteit Onbemenste Advies Toepassingen. Slimme software dus, die taken kan vervangen, maar niet mensen. Verzekeringen is en blijft peoplebusiness. Meer informatie over de KOAT en de checklist vindt u hier : Link
Bekijk het artikel op Linkedin
Lees het Financieele Dagblad interview
Post Tags :
Share :
De AI hype werkt zeker in het voordeel van Onesurance ?” horen wij vaak. AI is allereerst bepaald géén hype en ervaren data scientists bekijken deze hype die voornamelijk gaat over Chat-GPT met gemengde gevoelens.
In dit artikel dat is opgenomen in nr 4 van VVP hét platform voor financieel adviseurs gaan we hier nader op in.
De opmars van artificial intelligence (AI) lijkt middels de ChatGPT hype ook de verzekeringssector bereikt te hebben en de discussie over de effecten ervan is allesbehalve zwart-wit. De vraag is hoe we een evenwicht kunnen vinden tussen de positieve en negatieve aspecten van de opkomst van AI, want in geen enkele sector is deze balans zo cruciaal als in de verzekeringswereld.
Post Tags :
Share :
In de innovatiespecial van VVP hét platform voor financieel adviseurs verscheen daarover deze maand een artikel van collega Dennie van den Biggelaar. Daarin komt heel duidelijk het verschil naar voren tussen de twee vormen van AI t.w. generative AI (zoals het gehypte chat-gpt) en specifieke AI. Met name specifieke AI biedt het intermediair nu al concrete tools om de schaarse tijd van de adviseurs veel effectiever in te zetten.
Ook beschrijft Dennie vanuit zijn 10 jaar ervaring met data science en AI hoe je kunt starten met AI in je bedrijf met een minimum aan neerwaartse risico. Meer weten of behoefte aan een inspiratiesessie voor je MT? Neem gerust contact op,
Post Tags :
Share :
Tijdens het door 600 insurance professionals bezochte VIP congres op 4 juli in het AFAS theater in Leusden verzorgde onze AI-strateeg Dennie van den Biggelaar een keynote over Actief Klantbeheer 2.0 en over AI acceptatie in de praktijk gebracht.
Twee van onze toonaangevende klanten vertelden over hun positieve ervaringen. Met dank aan Odette Bakker van Dazure en Ellis de Haan van SUREbusiness. “Veel praten over AI, nog maar weinigen doen er echt iets mee”.
Post Tags :
Share :
Bij de inzet van Artificial Intelligence speelt data ethiek een grote rol. Daarom werken wij intensief samen met ons zusterbedrijf Brush-AI en ’s Nederlands eerste bedrijf dat zich specifiek bezighoudt met responsible AI.
Zo zorgen we ervoor dat de algoritmes die wij ontwerpen ‘by design’ voldoen aan het Ethisch Kader Datatoepassingen van het Verbond van Verzekeraars.
We zien het elke dag op kantoor, door moderne computertechnologie groeit de berg ‘big data’ exponentieel. Maar wat kunnen we met deze, nog nietszeggende, data? Hoe maken we er bruikbare informatie van, die ons figuurlijk in formatie zet waardoor we betere beslissingen nemen en klantbediening kunnen verbeteren? En hoe zorgen we ervoor dat deze data gedreven besluitvorming op een ethische en verantwoorde manier gebeurd?
Bekijk het artikel op Linkedin
Download het als PDF
Post Tags :
Share :
Innovatie is een duidelijk waarneembare sprong van vernieuwing. Het bestaande wordt dus opgeschud. Daarvan is in de Nederlandse verzekeringsmarkt nauwelijks sprake.” Aldus Dennie van den Biggelaar en Jack Vos.
In het Nederlandse verzekeringsbedrijf kan men kennelijk vrij comfortabel alles bij het oude houden, terwijl andere branches, zoals retail en travel, flink op de schop zijn gegaan door sterke competitie. Volgens een recent innovatie onderzoek uitgevoerd in de assurantiebranche verwacht ‘men’ wel dat er ‘iets’ aan komt en dat ‘iets’ zal een flinke disruptie zijn voor de branche, zeker in de particuliere markt. Vergeten wordt dat deze innovatieve partijen in andere landen de zaken al flink opschudden. Zoals , een online verzekeringsplatform dat in sneltreinvaart Europa verovert. Of de Indiase insurtech Acko, waar Amazon in deelneemt. Acko had in korte tijd al 70 miljoen klanten. Zowel Wefox als Acko worden overigens gebackt door Munich Re, dat is niet voor niets.
Innovatie volgt altijd een herkenbare sequentie. Van product, naar diensten, naar oplossingen, naar beleving, naar transformatie op basis van strategische innovatie. Bij transformatie wordt de rups een vlinder. Daarom is het een goed idee om met je MT eens in een cocon te gaan zitten en allereerst een heldere, eigenwijze innovatie strategie te formuleren. Doe dit liefst samen met mensen die in staat zijn over de eigen muren heen te kijken, anders krijg je slechts een rups met sportschoenen.
Download hier het artikel in PDF formaat dat gepubliceerd is in de VVP
Post Tags :
Share :
amen met Building Blocks hebben we een energieke keynote verzorgd op het VIP congres van Stichting Contactgroep Automatisering bij AFAS Software in Leusden.
Een succesvol event met > 600 mensen uit insurance!
Speciale dank aan de organisatie Michael Mackaaij Jeroen Oversteegen Eric Boers Willem Vreeswijk en alle anderen! En uiteraard groot compliment voor mijn collega Rens Vonk
Post Tags :
Share :
Een onderzoek van TJIP The Platform Engineers toont aan dat 72% van de consumenten van financiële dienstverleners verwachten dat ze regelmatig én met een persoonlijk aanbod worden benaderd. Dit is geheel in lijn met een recent onderzoek van McKinsey & Company (Next in Personalization 2021 Report). Hierbij geeft 71% van de consumenten aan dat ze van een bedrijf gepersonaliseerde interacties verwachten. Wanneer dit niet gebeurt, raakt 76% zelfs zo gefrustreerd dat ze op zoek gaan een ander bedrijf!
Niet beginnen met personalisatie betekent hoe dan ook dat je veel klanten kwijt kunt raken, omdat verwachtingen niet waar worden gemaakt. In dit artikel gepubliceerd in VVP hét platform voor financieel adviseurs lees je over het hoe en wat van personalisatie met als resultaat een hogere klantloyaliteit.
Met dank aan Wilbert Beelen digital marketing specialist bij Univé en Mark Kruisman senior marketing specialist bij Centraal Beheer voor hun input.
Post Tags :
Share :
In VVP hét platform voor financieel adviseurs enkele Tips voor Winnaars van het ondernemerspanel bestaande uit Robin van Beem, Astrid Duits, Richard Meinders, Edwin Bosma en ondergetekende. Mijn bijdrage gaat over Generatie Z en Millenials die een andere klantbediening vragen (eisen) van je bedrijf. Enkele conclusies:
De volledige onderzoeken zijn hier te vinden
https://lnkd.in/ezNUjWaF
https://lnkd.in/e7j3Vxy7
Post Tags :
Share :
Copyright © 2024 Onesurance
