Вступ: хибна віра у силу «великих цифр»

       Звітність, дашборди, моніторинг, Power BI, десятки таблиць у Data Warehouse… Страхові компанії щороку генерують гігабайти даних, зокрема з ОСЦПВ. Часто — з неприхованим ентузіазмом і очікуванням, що ще трохи, ще трохи — і всі проблеми будуть вирішені: стане зрозуміло, де недобросовісні агенти, які клієнти ризиковані, який канал збуту найефективніший. Але чомусь  не завжди таке  стається.

         Парадокс у тому, що більше даних не означає стільки ж кращих рішень. У сучасному ризик-менеджменті головне — не обсяг даних, а якість питань, які ми до них ставимо. Надмірна аналітика часто лише створює ілюзію контролю, тоді як реальні управлінські рішення так і залишаються реактивними.

1. Дані ≠ рішення

       Більшість поточних BI-систем в ОСЦПВ — це переважно засоби обліку. Вони дають змогу побачити те, що вже сталося: динаміку збитковості, кількість полісів, частоту ДТП. Але ці системи у багатьох випадках не використовуються для прогнозування впливу майбутніх управлінських дій. А це — саме те, чим повинен займатися ризик-менеджмент.

Ключова різниця:

• Облік: описує минуле.
• Аналіз: дозволяє змінювати майбутнє.

Факт, що збитковість у регіоні Х зросла на 5%, не допомагає ухвалити рішення. Потрібна модель, яка дозволяє змоделювати вплив: а що буде, якщо змінити політику андеррайтингу щодо цього регіону?

2. Класичні приклад накопичення даних

       У багатьох страховиків накопичена купа детальної статистики по регіонах, каналах збуту, моделях авто тощо. Але:

• Тарифи не змінюються.
• Політика андеррайтингу не адаптується під фактичну збитковість.
• Рішення щодо агентів приймаються емоційно, а не на основі f(x), тобто функції впливу певного управлінського параметра на фінансовий або операційний результат.

Це приклад того, як дані є, але рішень на їх основі — немає.

      Чи ось,  приклад, компанія бачить, що в IV кварталі кількість укладених договорів через агентську мережу вдвічі перевищує середньорічний рівень. При цьому середня страхова сума йде вниз, а частка збиткових кейсів — вгору. Цей тренд стабільний три роки. Але:
• план продажів на рік не враховує сезонний ризик перекосу портфеля,
• контроль за якістю не прив’язаний до об’єму,
• аналітика f(x) не використовується для коригування розміру комісій або «відсіву» агентів.

У результаті — накопичується ризик, який був видимий, але не перетворений на рішення.

Якими могли би бути правильні кроки на рівні управлінських рішень:

Приклад 1: Управління регіональною збитковістю
Якщо середній коефіцієнт збитковості (loss ratio) по регіону Х перевищує 85% протягом 2-х кварталів поспіль при обсязі підписаної премії понад 10 млн грн, тоді:

• припиняється автоматичне продовження договорів з поточного пулу агентів у цьому регіоні,
• вводиться обов’язкова ручна перевірка тарифів по кожному договору,
• підвищується базовий тариф на 12% для всіх нових договорів у регіоні з високою збитковістю,
• запускається аудит топ-5 агентів з найбільшим обсягом підписання за останні 6 місяців.

Приклад 2: Поведінка у відповідь на репутаційний тиск
Якщо кількість негативних згадок про компанію в медіа або соцмережах, пов’язаних із відмовами у виплаті ОСЦПВ, перевищує 5 випадків за місяць і при цьому середній термін врегулювання заяв перевищує 50 днів, тоді:

• на рівні PR-групи запускається “інформаційна реакція” — 2 публічні кейси позитивного врегулювання з цифрами,
• вводиться спрощена процедура врегулювання збитків до 20 тис. грн без огляду авто (на підставі фото),
• на найближчій стратегічній нараді обов’язково розглядається фактор затримки виплат і обсяг заяв з прострочками,
• у контакт-центр додається скрипт із проактивним коментарем про терміни та гарантії.

Приклад 3: Перестрахування
Якщо загальний обсяг виплат по страховому продукту за останні 12 місяців по договорах, підписаних через онлайн-канали, перевищує 10 млн грн, а середній розмір збитку росте швидше, ніж інфляція (на 10%+ у річному вимірі), тоді:

• вводиться обов’язкове перестрахування 25% відповідальності по нових договорах з онлайн-каналів,
• вносяться зміни у шаблони перестрахувального договору з включенням окремих умов для digital-портфелю,
• андеррайтинговий підхід адаптується з фокусом на інші параметри (наприклад, не тільки авто, а й історія водія).

Приклад 4: Реакція на поведінку агентів
Якщо агент за останні 6 місяців оформив понад 200 договорів ОСЦПВ, і при цьому його збитковість перевищує середньоринкову більш ніж на 25 п.п., тоді:

• агент автоматично потрапляє до “списку під контролем”,
• всі його заявки перевіряються вручну ініціативною андеррайтинговою групою,
• змінюються умови винагороди: комісія фіксується на мінімальному рівні до покращення збитковості,
• при збереженні негативної динаміки більше 3 місяців договір з агентом розривається.

Ці приклади — не про «моніторинг», а про вбудовані тригери, які активують конкретні управлінські дії, коли виконуються певні умови. Це і є фреймворк ухвалення рішень, заснований на f(x).

3. Просте f(x) сильніше складної моделі

      Можливо, звісно ж не завжди, але замість десятків дашбордів краще мати одну модель, яка дозволяє відповісти на питання:

«Як зміна політики/умови/каналу вплине на фінансовий результат?»

Ось базова формула:

f(x) = частота збитків × прогнозований розмір збитку + волатильність + витрати

Ця модель:

• Проста.
• Піддається перевірці.
• Орієнтована на рішення, а не на спостереження.

У той час як складні ML-моделі:

• Рідко валідуються на практиці.
• Вимагають дуже чистих даних (яких зазвичай немає).
• Не адаптовані під управлінську мову.

4. Надлишок аналітики = параліч дії

       Що відбувається, коли аналітики генерують десятки метрик, а жодна з них не пов’язана з прийняттям рішення?

• Рішення відкладаються.
• Ризики «відслідковуються», але не керуються.
• Відповідальність розмивається — ніхто не «рулить», бо все «ще аналізується».

     Це називається аналітичний параліч — типовий стан для багатьох, особливо занадто забюрократизованих компаній. І ось як він проявляється на практиці:

Приклад 1: Статистика збитків є, але тарифи стоять
Компанія веде статистику збитковості по ОСЦПВ у 20+ зрізах — по регіонах, моделях авто, віці водія. Втім:
«Тарифи в нас фіксовані, змінювати довго і складно, давайте просто дивитися і чекати трендів».
У результаті — жодне рішення про зміну андеррайтингу чи ціноутворення не ухвалюється, хоча дані явно вказують на перегрів у певних сегментах.

Приклад 2: Точки болю очевидні, але відповідальність розмита
Аналітики згенерували десятки метрик щодо поведінки агентів: середній розмір збитку, час подачі заяви, відсоток відмов. При цьому:
«Це все треба ще перевірити, давайте створимо ще один дашборд. А потім, можливо, обговоримо».
У підсумку — немає жодного інструменту оперативного впливу на “поганих” агентів, бо ж рішення все ще «на етапі обговорення».

Приклад 3: Ризик шахрайства видно, але реакції немає
У звітах видно, що кількість підозрілих заяв різко зросла по одному каналу продажів. Але:
«Не доведено, що це шахрайство. Зробимо додатковий аналіз наступного кварталу».
Тим часом компанія продовжує приймати збиткові ризики, бо немає чітких тригерів для дій.

         Така ситуація — коли є дані, але немає дій — гірша, ніж повна відсутність аналітики. Бо створюється ілюзія контролю. Єдиний спосіб вийти з аналітичного паралічу — прив’язати метрики до чітких тригерів дій і розподілу відповідальності: якщо X, тоді Y, з обов’язковим D (хто саме відповідає).

      Спробую у якості ілюстрації запропонувати добірку конкретних прикладів тригерів, які можуть бути вписані в політики та алгоритми страхової компанії, щоб зламати аналітичний параліч і змусити дані працювати на рішення. Усі приклади стосуються ринку ОСЦПВ:

1. Андеррайтинг / ціноутворення

Тригер: середній розмір збитку по каналу продажів перевищує середній по компанії на 35% протягом 2 місяців.
Дія: автоматичне підвищення фільтрів андеррайтингу або тимчасове обмеження продажів у цьому каналі до перегляду моделі.

2. Керування агентською мережею

Тригер: якщо частка відмов по виплатах у агента >15% протягом 3 місяців, і при цьому середня премія < середньої по компанії.
Дія: агент переводиться в статус «під контроль» — обмеження продуктів, розгляд нових полісів вручну, службова записка куратору.

3. Виявлення можливого шахрайства

Тригер: якщо агент генерує ≥5 збитків в одному районі, де ≥3 з них мають збіг за моделлю авто та способом ДТП.
Дія: автоматичне передавання в підрозділ служби безпеки компанії + блокування виплат до перевірки.

4. Коригування рекламних бюджетів / CPA каналів

Тригер: якщо CAC (вартість залучення клієнта) по digital-каналу > середньої премії по ОСЦПВ протягом 2 тижнів.
Дія: бюджет каналу автоматично урізується на 50% до перерахунку ROI.

5. Управління запасами резервів

Тригер: якщо середній час врегулювання збитку по регіону >50 днів протягом 3 місяців.
Дія: перегляд параметрів для розрахунку RBNS або запуск оперативного аудиту з боку служби врегулювання.

6. Коригування страхових умов

Тригер: якщо понад 10% клієнтів з автівками віком >20 років генерують збитки в перші 30 днів після купівлі поліса.
Дія: виключення цих авто з андеррайтингової моделі або введення «каренційного періоду» для нових клієнтів з цим типом авто.

Ці тригери не лише розвантажують менеджмент, а й гарантують, що аналітика реально змінює поведінку системи. Їх можна впровадити в простих бізнес-правилах, навіть без складного софту.

5. Чому в ОСЦПВ це критично

ОСЦПВ має кілька унікальних особливостей:

• Великий обсяг малих збитків.
• Обмежені інструменти ціноутворення.
• Мінімальна можливість селекції клієнта.

     У таких умовах надмірна аналітика не працює. Потрібна чітка орієнтація на тестування управлінських гіпотез. Наприклад:

• Що буде, якщо знизити бонус агентам у X-області?
  У 2023 році один страховик зменшив комісію на 3 п.п. у регіоні з вищою збитковістю. Кількість нових полісів впала лише на 4%, але середній розмір збитку — на 12%. f(x) = підвищення маржинальності через зниження привабливості для «токсичних» клієнтів.
• Який ефект дає автоматичне блокування збитків з підозрілим шаблоном?
  Один зі страховиків впровадив правило: усі збитки, що подаються протягом 2 днів після укладення поліса, проходять автоматичну перевірку за 7 ознаками шахрайства (вік авто, тип збитку, район ДТП, збіг страхувальника і потерпілого тощо).
  Результат: до виплати не доходить до 20% заяв, що раніше проходили без перевірки. f(x) = значне зменшення виплат у перші 10 днів життя полісу без втрати клієнтів.
• Як вплине на f(x) виключення з продажу старих авто?
  Обмеження на продаж ОСЦПВ авто старше 25 років у 2-х регіонах привело до скорочення портфеля на 8%, але збитковість знизилася на 17% — старі авто давали непропорційно багато тоталів при малих преміях.

      Ось ще 5 конкретних прикладів управлінських гіпотез у стилі ризик-орієнтованого підходу, які можна включити до статті як живі сценарії для ОСЦПВ:

1. Обмеження агентського продажу на основі f(x)
   Гіпотеза: агенти з високим відсотком збиткових клієнтів системно шкодять портфелю.
   Рішення: агенти з історичною збитковістю понад 120% за 12 міс. автоматично блокуються для нових продажів ОСЦПВ.
   f(x): середня збитковість зменшилась на 8% впродовж 6 міс., без помітного падіння кількості продажів.
2. Динамічне ціноутворення на базі типу транспортного засобу
   Гіпотеза: окремі моделі авто мають системно вищу збитковість.
   Рішення: через внутрішню систему рейтингу ризику вводиться надбавка +15% до тарифу для авто з топ-10 моделей із найвищою частотою збитків.
   f(x): збитковість по цих авто вирівнялася з середньою за портфелем, не зменшивши обсяг продажів.
3. Географічна сегментація сервісного покриття
   Гіпотеза: частина регіонів має аномально високу частоту збитків, але погане врегулювання через слабку мережу СТО.
   Рішення: призупинення продажів у 3 районах до створення партнерської мережі з перевіреними СТО.
   f(x): кількість скарг у цих регіонах впала вдвічі, частка виплат з порушенням строків — на 40%.
4. Пріоритет виплат для low-risk клієнтів
   Гіпотеза: клієнти без історії шахрайства і з позитивним скорингом часто отримують поганий сервіс через єдину чергу врегулювання.
   Рішення: впровадження fast-track виплат до 5 днів для клієнтів з «чистим профілем».
   f(x): задоволеність клієнтів (NPS) виросла на 12 п.п., не збільшивши витрати на врегулювання.
5. Реструктуризація call-центру на базі аналізу f(x)
   Гіпотеза: дзвінки у вечірні години частіше пов’язані з потенційними шахрайськими подіями.
   Рішення: посилення вечірньої зміни call-центру спеціалістами з верифікації.
   f(x): частка підозрілих збитків, виявлених на первинному дзвінку, виросла на 25%.

6. Як змінити підхід

       Перехід до ризик-орієнтованого менеджменту передбачає:

• Фокус не на контролі, а на зміні рішень.
  Наприклад, щомісячна звітність за регіонами замінюється тригерами: якщо збитковість у регіоні >120% три місяці поспіль — автоматичний запуск перегляду андеррайтингу.
• Використання аналітики як гіпотезного інструмента, а не звітного.
  Команда не створює 100 сторінок таблиць, а раз на тиждень перевіряє гіпотези типу: «чи зменшуються виплати, якщо виключити певні моделі авто з акційної програми дилера?»
• Визначення f(x) — функції впливу управлінських дій на ключові фінансові метрики.
  f(x): «Як змінюється середня збитковість страхового посередника після введення щомісячного KPI за відмовами у виплатах?» або «Що дає скорочення термінів розгляду збитку на 5 днів?»
• Постійне back-testing управлінських припущень.
  Наприклад, гіпотеза «агенти з великою долею збитків працюють гірше» була спростована після аналізу — деякі з них мали вищу премію і загалом приносили прибуток. Рішення: залишити, але змінити бонусну модель.

7. Висновки: аналітика не замінює мислення

      Аналітика має бути простою, перевірюваною та орієнтованою на рішення. У ризик-менеджменті дані — не самоціль. Це інструмент. Не важливо, скільки дашбордів збудовано — важливо, скільки управлінських гіпотез перевірено на практиці.

       Якщо дані не допомагають змінювати поведінку компанії — значить, вони не працюють. І пам’ятаємо: “більше даних ≠ краще рішення, якщо відсутнє f(x)”. Спробуйте проаналізувати хоча б один ключовий процес у вашій компанії за принципом f(x) — і визначити, чи є у вас дієвий тригер.

Сергій БАБИЧ