Asuransi berbasis penggunaan (usage based insurance – UBI) telah dikembangkan sejak tahun 1990-an. Penelitian asli mengandalkan data yang dikumpulkan dari perangkat telematika yang dipasang secara profesional di mobil baik dari pabrikan mobil atau oleh teknisi yang melengkapi perangkat aftermarket. Setelah jangka waktu tertentu untuk memantau pengoperasian kendaraan, tertanggung diberikan tarif baru yang menggunakan pengalaman berkendara sebagai bagian dari algoritme pemeringkatan. Hampir tidak ada perusahaan asuransi yang mendasarkan seluruh premi hanya pada perilaku mengemudi, dan sebagian besar masih mengandalkan variabel proxy umum yang disetujui untuk digunakan di yurisdiksi mereka.

Di bagian atas daftar masalah utama yang dihadapi perusahaan asuransi yang mencoba mengadopsi atau memperluas program UBI berbasis telematika adalah kemampuan untuk membangun model biaya kerugian prediktif yang mengidentifikasi perilaku yang menunjukkan operasi kendaraan yang tidak aman.

Model Prediktif

Model biaya kerugian saat ini untuk produk UBI berbasis telematika sebagian besar terdiri dari dua jenis. Satu jenis bergantung pada total jarak tempuh, waktu, dan serangkaian acara yang telah ditentukan sebelumnya. Skor “event counter” terbatas dalam kemampuannya karena didasarkan pada asumsi bahwa beberapa kejadian pengereman, akselerasi, atau menikung yang keras merupakan kumpulan variabel untuk memprediksi biaya kerugian berdasarkan pola operasi kendaraan.

Pendekatan kedua didasarkan pada pengumpulan data yang jauh lebih terperinci tentang penggunaan kendaraan setiap detik, atau bahkan sedikit lebih terperinci sesuai kebutuhan untuk akselerometer, dan kemudian menggunakan detail yang lebih terperinci untuk meneliti daya prediksi sejumlah kendaraan. Karakteristik operasi dalam dasar yang sangat kontekstual. Contohnya adalah mengamati distribusi gaya gravitasi saat mengubah arah lebih dari 45 derajat pada kecepatan lebih dari 45 mph. Jika peneliti memilih serangkaian ambang batas berdasarkan persentase belokan yang benar-benar menunjukkan perilaku itu dan kemudian memvalidasi peristiwa ambang mana yang paling berkorelasi dengan kerugian aktual yang diasuransikan, peneliti dapat mengidentifikasi peristiwa yang menambah kekuatan prediksi dari yang ada pada model biaya kerugian. Jenis penelitian dan penyempurnaan berkelanjutan ini dapat menghasilkan model yang semakin prediktif dari waktu ke waktu seperti yang telah dibahas di bagian sebelumnya. Namun, hal ini mengharuskan perusahaan asuransi untuk mengumpulkan data yang sangat terperinci dan ditingkatkan dengan merekam koordinat GPS dan informasi lain yang memungkinkan perusahaan asuransi untuk menempatkan peristiwa dalam konteks jenis jalan, sinar matahari atau kegelapan, cuaca, batas kecepatan jalan, dll.

Ada beberapa perbedaan berbeda antara kedua pendekatan ini dalam menggunakan serangkaian peristiwa atau penyempurnaan yang telah ditentukan sebelumnya melalui pengumpulan data granular. Pertama, data granular memungkinkan peneliti untuk mengidentifikasi variabel prediktif baru jauh lebih cepat karena mereka tidak perlu menebak peristiwa baru yang mungkin prediktif, dan kemudian mengkonfigurasi ulang data yang dikumpulkan dan menunggu data baru yang cukup untuk dikumpulkan sebelum menguji nilai dari karakteristik baru. Dengan data granular, variabel baru dapat dibuat dari data historis saat ini dan diuji berdasarkan perjalanan dan kerugian yang dikumpulkan sebelumnya.

Keuntungan lain dari data granular adalah bahwa peneliti dapat mengidentifikasi perilaku mengemudi yang dapat dijelaskan dengan cara yang dapat melatih operator untuk memperbaiki perilaku berbahaya guna meningkatkan mengemudi dan keselamatan jalan mereka.

Karakteristik pengoperasian kendaraan juga dapat berkorelasi dengan konsumsi bahan bakar, sehingga operator kendaraan dapat dilatih tentang perilaku untuk meningkatkan konsumsi bahan bakar dan menghemat bahan bakar. Kunci dari pembelajaran yang dipercepat ini adalah jenis data yang dikumpulkan dan kemampuan untuk menempatkan data yang dikumpulkan dalam konteks jenis jalan, batas kecepatan, cuaca, dan informasi kontekstual lainnya yang memungkinkan model biaya kerugian yang semakin akurat dan informasi kontekstual yang lebih baik untuk konsumen. Tantangan bagi badan pengatur adalah untuk menyeimbangkan keinginan untuk perlindungan privasi terhadap nilai memungkinkan konsumen untuk secara sukarela bergabung dengan program di mana data mereka dapat menginformasikan dan meningkatkan model yang akan mengarah pada kemampuan untuk melatih perubahan perilaku yang akan menurunkan biaya kerugian, meningkatkan bahan bakar konsumsi dan menyelamatkan nyawa.

DriveAbility® Tower Watson

Towers Watson telah mengambil peran kepemimpinan secara global dalam membantu pengembangan program UBI. Mulai tahun 2008, Towers Watson telah bekerja dengan lebih dari 45 klien di enam benua dalam pengembangan dan pengoperasian program UBI klien. Keterlibatan ini telah mengambil sejumlah pendekatan yang berbeda, dari lokakarya sepanjang hari untuk memperkenalkan manajemen perusahaan ke konsep UBI, hingga keterlibatan jangka panjang di mana Towers Watson mengelola semua data telematika untuk perusahaan asuransi dan memberikan skor pengoperasian kendaraan DriveAbility untuk setiap kendaraan yang terdaftar.

Layanan manajemen dan penilaian data mencakup analitik untuk membuat model UBI dan mengajukan model tersebut untuk disetujui dengan otoritas pengatur untuk yurisdiksi geografis operasi klien. Pengajuan ini mencakup semua dukungan aktuaria. Skor DriveAbility didasarkan pada relativitas premium murni yang diharapkan, tetapi terserah kepada masing-masing perusahaan asuransi yang berlangganan untuk mengajukan tarif kepemilikan mereka sendiri menggunakan skor DriveAbility.

Salah satu tantangan terbesar bagi klien Towers Watson adalah pengumpulan data operasi kendaraan yang memadai untuk mengembangkan model prediktif operasi kendaraan yang berkorelasi dengan biaya kerugian yang diharapkan.

Basis data DriveAbility, yang mendukung layanan UBI Towers Watson, mencakup semua data telematika dari sekelompok perusahaan asuransi global. Setiap perusahaan asuransi menyumbangkan semua data telematikanya dan semua data polis dan kerugian terkait untuk kendaraan yang terdaftar. Setiap perusahaan asuransi memiliki akses ke datanya sendiri, tetapi hanya Towers Watson yang memiliki akses ke data gabungan, yang tidak dibagikan dengan salah satu perusahaan yang berkontribusi.

Data telematika ini mencakup informasi yang sangat terperinci yang dikumpulkan setiap detik perjalanan, dan dikaitkan dengan polis yang diasuransikan dan data kerugian untuk kendaraan yang terdaftar di UBI. Basis data juga mencakup data eksternal terkait seperti peta, jenis jalan, dan cuaca yang cocok dengan setiap kendaraan dan perjalanan. Data kerugian terkait dengan titik yang tepat di setiap perjalanan di mana kerugian terjadi. Pencocokan ini memungkinkan Towers Watson untuk melakukan analitik unik di mana semua perilaku pengoperasian kendaraan dapat dinilai selama perjalanan yang mengarah pada kecelakaan, dan perilaku yang umum diamati dapat dicatat untuk pengujian di setiap pembaruan model penilaian. Melalui metode ini, Towers Watson telah mengidentifikasi sejumlah karakteristik pengoperasian kendaraan yang tidak hanya sangat berkorelasi dengan kerugian, tetapi sebenarnya diyakini sebagai penyebab kerugian.

Menggunakan operasi kendaraan yang sebenarnya telah terbukti secara signifikan lebih memprediksi biaya kerugian yang diharapkan daripada variabel proksi yang biasa digunakan untuk pembuatan tarif asuransi mobil. Skor DriveAbility Towers Watson telah terbukti setidaknya tiga kali lebih prediktif daripada variabel peringkat mana pun yang digunakan sebelumnya ketika membandingkan perbedaan biaya kerugian antara desil paling berisiko dari kendaraan yang diasuransikan dan desil teraman.

Tujuan Towers Watson adalah untuk tidak hanya menghasilkan skor yang sangat memprediksi kerugian di masa depan, tetapi juga untuk mengembangkan program umpan balik pengemudi yang dapat meningkatkan perilaku mengemudi dan mengarah ke jalan raya yang jauh lebih aman. Bukti ada di Kanada, Inggris dan AS bahwa perilaku mengemudi ditingkatkan melalui pengoperasian program UBI. Ini hanya akan menjadi lebih berhasil karena umpan balik dan pembinaan yang lebih baik dikembangkan untuk mengidentifikasi perilaku yang paling berisiko dan perilaku yang paling dapat dikendalikan oleh tertanggung.

Ditulis oleh Robin Harbage, Direktur Towers Watson

Gambar: http://www.ubi.com.tr

One thought on “Pemodelan dan Analisis Telematika Usage-Based-Insurance

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s