- 1 -- 1 -

보험사, Big Data에 답을 묻다!- 비즈니스 상상력이 필요한 때 -

2014. 10. 1

김욱 상무

- 2 -- 2 -

Big Data하면 생각나는 것들...

BIG BROTHER

영화, 마이너리티 리포트2054년 워싱턴 _ “프리크라임 시스템”

DATA IS THE NEW OIL

- 3 -- 3 -

요즘 가장 Hot한 이슈들…

소셜

클라우드컴퓨팅빅 데이터

New비즈니스

모델

5가지 기술은 비즈니스 전반에 변화를 가져올 것!

사물인터넷

모바일

- 4 -- 4 -

Gartner의 IT 10대 전략기술 발표에도…

2011년 2012년 2013년 2014년

1 클라우드 컴퓨팅 미디어 태블릿 그 이후 모바일 대전 다양한 모바일 기기 관리

2 모바일웹/ 미디어 태블릿

모바일 중심애플리케이션과 인터페이스

모바일 앱& HTML5

모바일 앱과어플리케이션

3 소셜 커뮤니케이션및 협업

상황인식과소셜이 결합된 사용자 경험 퍼스널 클라우드 만물 인터넷

4 비디오 사물 인터넷 사물 인터넷 하이브리드 클라우드와서비스 브로커로서의 IT

5 차세대 분석 앱스토어와마켓 플레이스

하이브리드 IT &클라우드 컴퓨팅

클라우드/ 클라이언트 아키텍쳐

6 소셜 분석 차세대 분석 전략적 빅 데이터 퍼스널 클라우드의 시대

7 상황인식 컴퓨팅 빅 데이터 실용분석 소프트웨어의 정의

8 스토리 지급 메모리 인메모리 컴퓨팅 인메모리 컴퓨팅 웹 스케일 IT

9 유비쿼터스 컴퓨팅 저전력 서버 통합 생태계 스마트 머신

10 패브릭기반 컴퓨팅 및인프라스트럭처 클라우드 컴퓨팅 앤터프라이즈 앱스토어 3D 프린팅

Source : Gartner IT Symposium

- 5 -- 5 -

Big Data, 경쟁사들은 어떻게 활용하고 있을까?

92% Big Data 자사 비즈니스 적용 성과 만족 비율

< 현재 Big Data 활용 분야 >

20%

33%

37%

53%

57%

운영비용 절감

신종상품/서비스 개발

고객관계관리 강화

고객 맞춤형 상품/서비스 제공

고객 행동 분석

Source : Accenture, “Big Success With Big Data” April 2014 _ C 레벨 응답자 n=1,007명 대상

- 6 -- 6 -

Big Data, 향후 어느 분야에 가장 많은 영향을 줄까?

89% Big Data의 향후 기업 비즈니스 방식 변화 촉진 예상 비율

< 향후 5년간 Big Data가 가장 많은 영향을 미칠 분야 >

27%

47%

56%

58%

63%

비즈니스의 근본적 변화

프로세스 최적화

운영조직 변화

상품개발 재디자인

고객관계관리 변화

Source : Accenture, “Big Success With Big Data” April 2014 _ C 레벨 응답자 n=1,007명 대상

- 7 -- 7 -

Big Data, 검색 트렌드(2007.1~2014.9)

빅데이터 <한글 검색>

Big data <영문 검색>

• 2012년부터 검색 지속 상승

• 2014년부터 검색 답보

NAVER 트렌드

- 8 -- 8 -

소셜에서 Big Data는?

•소셜검색 (전체, 트위터, 블로그)

•소셜인사이트 (탐색어맵, 추이, 여론)

1. 연관어 : 본방사수,2. 다양한3. 새로운4. 크다5. 고민6. 가치창출

분류 : 중립중립중립중립부정긍정

§ [#엠카운트다운비긴스] 9/25(목) #WINNER 편빅데이터 SNS 투표가오늘 5시까지진행…

SOCIAL metrics

- 9 -- 9 -

요즘 보험사들의 고민은?

“Big Data는

고민 해결을 위한

하나의 방법”

시장 성장 정체(보험가입율 %)

규제 강화(RBC, IFRS 등)

수익구조 악화(ROE, 보험사기)

새로운 경쟁자 출현(산업간 경계 모호)

- 10 -- 10 -

Big Data, 활용전에 개념부터 이해하고 공유해야…

“ 보다 향상된 의사 결정, 비즈니스 통찰력 또는 프로세스 최적화를 위해

새롭고 혁신적인 형태의 처리를 요하는 대용량, 고속, 다양성의 특성을 지닌 정보자산 “

Source : Gartner, ‘The Impotance of ‘Big Data’ : A Definition”

Value

Volume(규모)

Velocity(속도)

Veracity(정확성)

Variaty(다양성)

- 11 -- 11 -

Big Data, 어떻게 활용하지?

“비즈니스의 고민과 Big Data의 정의에 답이 있다”

고민 정의

• 시장 성장 정체

• 수익 구조 악화

• 새로운 경쟁자 출현

• 규제 강화

“ 어떻게 활용 ”

• 향상된 의사결정

• 비즈니스 통찰력

• 프로세스 최적화

• 정보 자산화▪▪▪

- 12 -- 12 -

보험사에 적용 가능한 Big Data 활용 분야는?

고객/시장

• 고객 / 시장 이해

- Micro-segmentation

• 고객 경험 차별화

- Customization

• 고객 관계 관리

• 시장에 대한 통찰력

- 신 상품/서비스 개발▪▪▪

수익성

• 언더라이팅

- 역선택 방지

- 유병자, 간편 인수

• 클레임

- 보험사기 방지

• 자원 배분 효율화

• 모니터링/투명성

프로세스

• 영업채널 리쿠르팅

- Pool 확대

• 영업채널 활동관리

- 정착↑& 탈락↓

• 가입-유지-지급단계

프로세스 개선

• 의사 결정 프로세스▪▪▪

▪▪▪

“ 현업의 비즈니스 상상력 ”

- 13 -

활용사례 _ ① 고객 Segmentation

고객 세분화 모델링 Loan Needs 예측 모델링

고객현황 분석 잠재고객등급 도출

최근 대출, 이용건수, 이용금액, 대출가능금액, 타사 신용대출 여부, 고객 프로파일 등90개 항목 분석

A3 : 한도소진율 90% 미만 &가능금액 1,000만 이상

A2 : ----------------------------A1 : ----------------------------

B2 : 최근 1년내 실행 有B1 : --------------------------

---------------------------

C3 : 보안카드 등록이력 有C2 : ---------------------------C1 : ---------------------------

A1 A2 A3

B1 B2

C1 C2 C3

잠재고객 등급

60만(16.1%)(이용율 20.4%)

13만(3.6%)(이용율 14.2%)

300만(80.4%)(이용율 0.9%)

이용군(A)

경험군(B)

미경험군(C)

고객의 보험계약대출 잠재 니즈 분석을 통한 타깃고객 마케팅

* 이용율 : 향후 3개월간 대출이용 확률

현재고객 등급현재등급 / 잠재등급 Matrix로 총 8개의 잠재고객군 개발

36만(9.6%)(2.0%)

5만(1.4%)(24.0%)

5만(1.3%)(24.0%)

대출이용확률 예측

고객/세대 프로파일, 보험상품정보, 가입정보,보험계약 대출정보, 신용대출 정보, 중도인출 등336개 항목 분석

[성과] C3 고객군 대출 이용율이 기존 2% → 18% 수준으로 확대 (2013.12)

- 14 -- 14 -

활용사례 _ ② 고객 관계 관리

고객참여 건강관리 프로그램 ‘Vitality’를 통해 고객 이탈 방지, 사망률 감소 등

데이터

[ 성과 ]

회 사 제휴처

HealthyFood

HealthyGear

HealthyCare

Gym

건강체크 정보

피트니스, 다이어트 정보

프로그램 신청건강나이 측정

‘Vitality Point’ 지급 구매 정보

1

2 고객 구매

※ 제휴상품 최대 25% 할인

※ 위험률 변동분 보험료 Repricing 반영

1. 고객 이탈율 52%P 감소

2. 고객 사망률 34%P 감소

※ 실행 3년이후 ‘Vitality’ 프로그램 미참여자 대비

※ 항공, 문화, 레저 활동 포인트 사용에따라 최대 85%까지 할인

3

4

Vitality Point

고 객

- 15 -- 15 -

미래에는 보험사가 고객의 행동을 통제하게 된다?

“자율 감시 사회”로의 진화 예견

“ 보험회사들은 고객들에게 보험료를 납입하도록

요구할 뿐만 아니라

위험에 처할 확률을 최소한으로 줄이기 위해서

지켜야 하는 기준을

고객이 잘 지키고 있는지도 감시해야 한다.

보험회사는 점차 전 지구적으로 통용되는 규범이나

기준을 강요하게 될 것이다.

- 중 략-

다시 말해서 보험회사가 제시하는 규범은

결국 사회적으로 적절하다고 통용되는

행동양식의 기준으로 자리잡을 것이다. “

자크 아탈리, 프랑스 미래학자

- 16 -- 16 -

고객

회사 MIB1)

적정 사망/장해보장 제공

매월 건강체크

검진정보 통보

검진 소견 및건강관리 조언

1) MIB : Medical Information Bureau(건강정보원)

[ 성과 ]

§ 프로그램 참여자(HIV 감염자)의

감염수치 15% 개선 효과

§ 신규 시장(피보험자) 확대

※ 프로그램 참여자를 연간 50%씩

확대하여 2016년까지 30만명의

신규시장(피보험자) 확보 계획

엄격한 검진관리 중에 있는

① HIV(면역결핍) 감염자② 당뇨 질환자※ 기존 거절체 고객

건강 체크 중단 시→ 보장금액 삭감 또는

최초 경고 이후계약 해지

활용사례 _ ③ 언더라이팅 + 신규시장 창출

언더라이팅 리스크 분석 강화로 신규 시장(유병자) 시장 확대

- 17 -

HighRisk

Low Risk

심사자노하우

(저위험 판단)

심사 기준(위험크기별)

심사자노하우

(고위험 판단)

신계약청약

보험금청구

“위험 분류→측정 → 평가(Scoring)“ [ 보험 심사 활용 ]

성,연령,치료내역

…

신체적

직업,근무환경

...

환경적

역선택경험,보험사기 여부

...

도덕적

소득규모,신용상태

…

재정적

위험정보 위험평가 모델 (KIROS)

통계 데이터 심사 데이터

저위험계약/청구건

중위험계약/청구건

고위험계약/청구건

§ 심사자 등급별 배분(U1~U6) / 자동승낙→ 위험의 크기에 따라 저숙련~고숙련

언더라이터 자동 배분

§ 방문 확인 판단→ 방문확인조사 필요건 자동 분류

§ 유사 Case 심사 지원정보 자동 제공

[ 부당보험금 지급방지 활용 ]

§ 심사처 분류 : 현지 심사/본사 심사(고난이도 건 본사 심사)

§ 고위험 청구건 자동 조사 의뢰

§ 통합 SCORE 기준 심사 물량 조절

§ 유사 Case 심사 지원 정보 자동 제공

활용사례 _ ④ 언더라이팅, 클레임

언더라이팅 업무효율 개선, 위험률차손익 개선

외부Data

- 18 -- 18 -

공정A 공정B 공정C

0.3분 4.9분 1.8분

[전체건수]47,344건평균 4.9분

[ 전결건수 ]35,344건(74.7%

)[ 소요시간 ]

3.2분

[ 문의건수 ]12,010건(25.3%)

[ 소요시간 ]9.9분

건수 코드

1,359 코드A

655 코드B

579 코드C

262 코드D

188 코드E

… …

12,010

[ 목표 설정 ]하위 심사자 대상 문의건 과다항목

선정 및 재교육, 가이드 개선 등의

후속조치로 상위 2개코드의 문의

횟수를 절반으로 감소시킴.

[ 개선 효과 ]1,359건 +655건 : 총건수

▲ 50% : 문의 감소

× 6.7분 : 1건당 효과

=6,744분 : 총 절감효과

약 3배

6.7분 차

상위 심사자문의 및 확인

심사자 본인전결처리

☞ 지급 처리 효율화로연간 9억원의 비용 절감

분석대상 프로세스 선정(코드 적용 업무)

로그분석에 의한평균소요시간 분석

특정 공정부분심화 분석

개선 포인트 발견과 효과 산출

코드별 횟수 분석

1

2

3

4

5

활용사례 _ ⑤ 프로세스 개선 자원 배분 효율화

시스템 로그분석으로 지급사무 프로세스 개선 및 비용 절감Source : 2014 IBM 보험미래전략 세미나

- 19 -

활용사례 _ ⑥ 프로세스 개선 지급심사 자동화

진단서로부터 질병 코드 분류 심사자의 노하우 반영

심사자판단데이터

의료사전

청구서

진단서

청구접수

진단명, 급부금 등자동 산정

계약정보

지급심사

최종확인

심사결과

의료사전조정

시스템축적

자동코드화

의사 소견란문장 및 수기입력텍스트 마이닝

§ 수술,진단명 등을추출하여 자동 코드화

§ 지급사유에 해당할가능성 있는 정보의 추출

80만 어휘로 구성된메이지야스다의고유 용어 사전과3,500개의 지급관련키워드로 구성

[ 성과 ]

§심사자가 변경한 내용을의료사전에 반영

§ 심사 결과의 경향을 분석하여데이터 축적

2일내 지급처리 비율이 50%에서 80%로 30%P 향상, 지급누락 예방

진단서 텍스트 마이닝을 통한 지급심사 효율 개선

입력지원

고객지급

Source : 2014 IBM 보험미래전략 세미나

자동지급대상

심사자판정

- 20 -- 20 -

기계약

고객

기계약

고객

예측

모델

예측

모델

후보자 FP 활동가능성

우수FP 가능성

AA1 상 중

AA2 상 중상

AA3 중상 중하

AA4 상 상

… … …

점포단위 배분

리크루팅

우선 대상자

리크루팅활동 수행

Feedback

적성 FP후보자 예측모델 적용 프로세스

분석을 통해 Target 패턴과의 유사성을 수치로 예측

데이터

패턴분석

73.1

예측점수 산출

Target Group

XXX X

XXXX X

계약자상품

계약유지지급/ 약대

접촉

후보변수

[ 기대 효과 ]

§ 우수FP 리쿠르팅을 위한프로세스 체계화

§ 우수FP 후보 Pool 확대예측모델예측모델

활용사례 _ ⑦ 영업채널(FP) 리쿠르팅

영업현장의 적성 FP 리쿠르팅 고민 해결 모색

- 21 -- 21 -

보험계약 청약(진단 대상)

소변검사

혈액검사

유 진단

U/WRating

승낙 or 거절무 진단

[ 리스크 예측 ]

데이터 모델링을 통해

진단 절차없이 가입고객의

신체적 위험 리스크를 예측,

이를 심사기준에 적용

[ 개선 효과 ]

§ 진단비용 절감§ 고객 가입 편의성 증대

[ 신뢰성 검증 ]

6만건의 실제 진단대상 게약과

비교검증을 통해 검진 측정치

결과보다 모델링의 신뢰성이

더 높은 것으로 판단

리스크 예측모델링 적용

활용사례 _ ⑧ 가입 프로세스

유진단 계약의 무진단 가입으로 비용 절감 및 고객 편의성 증대

소변검사

혈액검사

- 22 -- 22 -

기업의 비즈니스요구에 대한정의 및 확인

필요한데이터의

준비

데이터분석모델의

구축

모델링 검증 작업을거쳐

실제 적합성 확인

1

2 3

4

Big Data를 제대로 활용하기 위해서는…

• Big Data 활용에 대한 의사결정 -> 활용범위, 활용방법, 의사결정 프로세스

• Top Down 및 현업 주도의 프로젝트 추진 및 운영 -> Governance

• Big Data 전문가 양성, 확보 -> 자체 양성, 외부 영입

선행검토이슈

- 23 -- 23 -

Thank You!

“Big Data, 잘 쓰면 약, 못 쓰면 독”

BIG DATA 관련사진

- 24 -- 24 -

End Of Document