Get fresh updates from Hortonworks by email

Once a month, receive latest insights, trends, analytics, offering information and knowledge of the Big Data.

cta

Erste Schritte

Cloud

Sind Sie bereit?

Sandbox herunterladen

Wie können wir Ihnen helfen?

SchließenSchaltfläche „Schließen“
cta

Connected-Data-Plattformen für
Versicherungs-IoT und prädiktive Analyse

Cloud Bericht: Versicherungen in der vernetzten Welt

Bericht herunterladen

Beat risk

With Hortonworks connected data platforms for insurance IOT, much more is possible. For example, a 360° view of not only your customers but also connected cars, helps you understand where and how they are driving while providing better predictive analytics from all the customer big data in the insurance industry.  You can now provide them with recommendations for alternative safer routes and driving behavior making them better drivers.

Der Aufbau datenzentrierter Unternehmen mit erweiterten Analyseanwendungen

Changes in technology and customer expectations create new challenges for how insurers engage their customers, manage risk information and control the rising frequency and severity of claims. Carriers, like Progressive, are tapping Hortonworks for insurance IOT and predictive analytics to help rethink traditional models for customer engagement.

Anwendungsfälle

Erhalten Sie einen Rundum-Blick von Ihren Kunden

Carriers interact with customers across multiple channels, yet customer interaction, policy and claims data is often isolated in data silos. Few insurance carriers can accurately correlate acquisition, cross-sell or upsell success with either their marketing campaigns or customer online browsing behavior. Collecting and managing data from insurance IOT devices, Apache Hadoop gives the insurance enterprise a 360° view of customer behavior. It lets them store data longer and identify distinct phases in their customers’ lifecycles. Better insurance predictive analytics helps them more efficiently acquire, grow and retain the best customers.


Erfolgreichere Vertreter durch ein einheitliches Portal

Many carriers sell policies through agents. To prepare for sales calls (or to answer questions from prospects during those calls) those agents may need to look up details across multiple, disjointed platforms or applications. This takes time and decreases sales velocity. Unlike legacy data platforms, HDP stores data from many sources including insurance IOT, in a “data lake”. This permits a single lookup, without requiring multiple individual queries across different unrelated storage platforms. Agents prepare themselves more thoroughly, and they can make more calls over a given time period, helping grow revenue. Insurance companies can also use the same type of single view to understand which agents are most productive selling their products—offering incentives that promote top performers or de-certifying the chronically unproductive.


Highspeed-Cache für die Bearbeitung von Anträgen

Nachdem Kunden sich für eine neue Versicherungspolice entschieden haben, müssen die Antragsformulare noch vom Vertreter und/oder dem Versicherungsträger bearbeitet werden. Das kann ein langwieriger manueller Prozess sein, der Raum für Fehler schafft. Geschwindigkeit ist sicherlich wichtig, Genauigkeit aber auch. Ein Hortonworks-Kunde aus der Versicherungsbranche hat einen unternehmenseigenen Dokumenten-Cache auf Basis von HDP entwickelt. Apache HBase legt die Dokumente, die beim Abschluss von Verträgen anfallen, mit Meta-Tags in einem Zwischenspeicher ab, wodurch die Verarbeitung beschleunigt wird. Da die YARN-basierte Architektur von HDP zudem die Multi-Tenant-Verarbeitung exakt dieser Datensätze unterstützt, werden durch das Dokumenten-Tracking weder Risikoprüfungen noch andere Analysen verlangsamt, die notwendig sind, bevor der Versicherungsschutz in Kraft treten kann. Durch die effiziente Verarbeitung von Dokumenten lassen sich Kosten reduzieren und die Produktivität von Vertretern und Versicherungsträgern steigern.


Betrugserkennung

Versicherungsbetrug ist eine der größten Herausforderungen der Branche. Laut dem FBI werden die „durch Betrug im Versicherungssektor (außer Krankenversicherungen) verursachten Gesamtkosten auf mehr als 40 Mrd. US-Dollar pro Jahr geschätzt. Infolgedessen kostet Versicherungsbetrug die durchschnittliche US-amerikanische Familie im Jahr zwischen 400 und 700 US-Dollar in Form von höheren Prämien.“ Angesichts von mehr als 7.000 Versicherungsunternehmen, die jährlich mehr als 1 Billion US-Dollar an Prämien einnehmen, haben Kriminelle ein großes und überaus lukratives Ziel gefunden. Sie können ihre Spuren bei Delikten wie Prämienveruntreuung, Provisionsbetrug, Diebstahl von Vermögenswerten oder Betrug bei Arbeitsunfallversicherungen leicht verwischen. Einer der größten Versicherungsanbieter in den USA nutzt HDP für maschinelles Lernen und die Erstellung von Prognosemodellen, wobei gestreamte Daten mit regelbasierten Markierungen versehen werden, um mehr betrügerische oder unberechtigte Ansprüche aufzudecken. Wenn Daten in Bezug auf Anspruchsforderungen in das System eingespeist werden, helfen Echtzeit-Hinweise den Experten für Sonderprüfungen und Ansprüche, ihre Untersuchungen auf genau die Forderungen mit der höchsten Betrugswahrscheinlichkeit zu konzentrieren.

Services zur Risikominimierung

Insurance companies understand risk and—as in other industries—they are moving from reactive to proactive uses of their data. Any claims adjuster has seen accidents, fires or injuries that could’ve been foreseen and maybe prevented, drawing conclusions like: “He shouldn’t have been out driving in that weather,” or “Those wires were long past their replacement age.” Now with insurance predictive analytics, insurers are capturing and sharing that insight with their customers before the losses occur. With these risk-reduction and prevention services, carriers share real-time analytics with policyholders, so they can prevent mishaps. For example, they can establish algorithms to identify emerging high-risk phenomena having to do with foul weather, disease epidemics, or equipment recalls—and provide timely alerts that help their customers protect themselves and their property. One Hortonworks customer that offers car insurance is working on real-time alerts that will notify drivers when a strong storm will affect a particular stretch of road and then also suggest less-risky alternate routes.

Risikogesteuerte Preisgestaltung durch empirische Sensordaten

Moral hazard describes the phenomena of one person taking more risk because someone else bares the burden of that risk. When a company offers an auto insurance policy, they face moral hazard because of information asymmetry—policyholders know more about how they actually drive than does the carrier. Drivers may drive a bit faster or watch the road a little less closely because they know that they are covered in the event of a collision. Carriers set prices to cover that moral hazard, and so the safer drivers end up subsidizing those who take more risks on the road. Usage-based insurance (UBI) has the potential to reduce information asymmetry and moral hazard by rewarding safe drivers for their good behavior. A major insurer runs its UBI products with insurance iot and telematic sensor data stored in HDP. Prior non-Hadoop processing captured only a subset of UBI data streaming from sensors in policyholders’ cars and extract-transform-load (ETL) processes delayed availability of that data until the week after capture. With HDP, the company captures and stores all driving data from customers that opt in to UBI, processes the larger dataset in half the time, and uses predictive modeling to reward those drivers for how they actually drive rather than guessing on how they might drive based only on their age, type of car, location and prior history.