In een eerder bericht bespraken we de dagelijkse bedrijfskosten van aanrijdingen en andere ongelukken, en hoe botsingsdetectie zowel geld als levens kan besparen. In dit bericht gaan we dieper in op het belang van betrouwbaarheid in botsingsdetectiealgoritmen.
Intense concurrentie tussen verzekeraars, neerwaartse prijsdruk en een overvloed aan bedrijven om uit te kiezen, hebben klanten een hoge motivatie en lage frictie gegeven om van provider te wisselen. Sterker nog, het wisselen van verzekeringsmaatschappij is goed voor bijna $ 6 miljard* aan omzet per jaar in de VS alleen. Voor een klant die een claim indient, is de kans dat hij overstapt naar een andere verzekeringsmaatschappij bijna twee keer zo groot. De kern van de zaak is dat verzekeringsmaatschappijen zich haasten om kosten te besparen en tegelijkertijd de service te verbeteren, met het oog op het cruciale doel van klantenbehoud.
Het verwerken van claims en het melden van het eerste verlies (FNOL) zijn logische kandidaten voor automatisering, omdat dit arbeidsintensieve en tijdrovende functies zijn die de grootste kostenpost vormen voor de verzekeraar en resulteren in langere vertragingen voor de klant.
Nauwkeurige crashdetectie zou dan de tools bieden om een belangrijk kostencentrum te verkleinen en tegelijkertijd een snellere, betere klantervaring te bieden. De sleutel hier is nauwkeurigheid: als crashdetectie betrouwbaar is, helpt het bij het behoud van klanten; als dat niet zo is, kan het een negatief effect hebben op het behoud van klanten. Om te begrijpen waarom, laten we eens kijken hoe ongelukken de klant beïnvloeden.
Voor een verzekeraar of wagenparkbeheerder die een grote vloot voertuigen beheert, zijn ongevallen frequent (ze gebeuren vaak), maar hebben ze weinig gevolgen (een individuele aanrijding hoeft niet per se significant schadelijk te zijn voor de gehele groep). Een systeem met een meetbare foutenmarge is belangrijk, maar geen prioriteit voor iemand die risico's en kosten beheert voor een verzekeringspool of een grote vloot.
Vanuit het oogpunt van een individuele bestuurder is een aanrijding echter een zeldzame gebeurtenis met zeer ernstige gevolgen . Consumenten die bij een aanrijding betrokken zijn, hebben een zeer lage tolerantie voor onnauwkeurigheden, met name valse positieven. Een voertuigrisicomanagementsysteem dat verkeersdrempels en dichtslaande deuren interpreteert als aanrijdingen, zou het consumentenvertrouwen ondermijnen en mogelijk leiden tot constante stress – absoluut geen positieve klantervaring. Een airbag die bijvoorbeeld afgaat wanneer de auto tegen de stoeprand botst, zou volstrekt onacceptabel zijn. Een systeem dat geen aanrijding detecteert, zou een ramp zijn: stel je voor dat een airbag niet afgaat wanneer dat nodig is! Voor een bestuurder is een aanrijding een zeldzame gebeurtenis die nauwkeurig moet worden afgehandeld, en de kleinste onnauwkeurigheid in de aanrijdingsdetectie kan levensbedreigende gevolgen hebben en uiteindelijk het verschil maken tussen klantbehoud en een hoog klantverloop.
Om crashdetectie te laten fungeren als een effectief hulpmiddel voor klantenbehoud en tegelijkertijd de kosten te verlagen, moet het een zeer hoog vermogen hebben om crashgebeurtenissen (het signaal) te onderscheiden van niet-crashgebeurtenissen (de ruis). Voor onze technische lezers vereist dit meerdere zelfkalibrerende accelerometers met voldoende dynamisch bereik - het vermogen om zeer kleine gebeurtenissen en zeer grote gebeurtenissen te meten - en een betrouwbaar algoritme om de gebeurtenissen te interpreteren en classificeren. Multi-assige sensoren kunnen onafhankelijk krachten meten in de rijrichting, van links naar rechts en verticaal om een compleet beeld van een gebeurtenis te geven. Een crashdetectiealgoritme moet net zo nauwkeurig zijn als een airbag-uitvouwsysteem, dat onfeilbaar afgaat tijdens een crash en nooit op een ander moment.
Het is duidelijk dat, vanwege de druk om de service te verbeteren en tegelijkertijd kosten te besparen, geautomatiseerde crashdetectie en FNOL hier zijn om te blijven, en dat is een goede zaak. Lagere kosten voor verzekeraars, samen met snellere claimverwerking en betere service voor klanten, zijn een netto voordeel voor alle betrokken partijen. Het vermogen om voertuigschade te schatten en het ongeval in bijna realtime te reconstrueren na een crash, betekent dat het herstelproces eerder begint voor de bestuurder en helpt de claimefficiëntie hoog te houden voor de verzekeraar. Systemen die zijn gebouwd op betrouwbare crashdetectie kunnen ook fraude verminderen door het erg moeilijk te maken om een valse ongevalsclaim in te dienen en het mogelijk maken om onmiddellijk op afstand voertuigtriage uit te voeren om te bepalen of het voertuig naar een reparatiewerkplaats moet worden gesleept of als total loss moet worden behandeld.
Het hangt allemaal af van de betrouwbaarheid van het algoritme.
Het CrashBoxx-voertuigrisicomanagementsysteem van CalAmp is ontwikkeld door veteranen uit de OEM-wereld op het gebied van voertuig- en veiligheidssystemen, getest door onafhankelijke testbureaus onder gecontroleerde laboratoriumomstandigheden en geleverd door een pionier in telematica. Voor meer informatie over het detecteren van aanrijdingen, zie Automating FNOL And Claims For Property And Casualty Insurers.
* Bron: Accenture Claims Customer Survey, 2014