保険会社は近代化において大きな変化を遂げている。 伝統的にレガシーシステムの使用で知られる大手通信事業者は、収益性の高い成長を維持することを目標に、クラウドへの移行やAIなどの新技術の採用によってインフラを近代化している。
イノベーションで価値を生み出してきた企業に共通する先進的な手法は、新しいデジタル製品を迅速に市場に投入し、手作業のプロセスを自動化し、どこにいても顧客やそのデータとつながることができることだ。 これが当てはまる主な分野は以下の通りだ：
個人向け保険（自動車、持ち家、賃貸）は、保険会社が顧客に関する豊富なデータを持っている保険分野である。 多くの場合、個人向け自動車のように、これらのビジネスは多くの競合相手との競争が激化している。 その結果、保険会社はコモディティ化するビジネスの中で差別化を図ろうとしている。 プライシングのプレッシャーがかかる中、AI/MLは、データを洞察に変え、より良い保険価格設定、プロセスの自動化、顧客への商品ターゲティングのために行動することで、利益を最大化する方法として台頭してきている。 しかし、AI/MLを保険プロセスに組み込むことは難しい。
既存のビジネス・ワークフローに機械学習を導入する際の最大の課題の1つは、従来は全く異なる組織に属していた2種類のチームにまたがるために必要なスキルである。 データサイエンティストやデータエンジニアは、データを熟知し、トレーニングのためにモデルを指し示すことができ、ソフトウェア開発者は、アプリケーション・ランドスケープのどこでこれらの手動決定を傍受できるかを知っており、データと洞察を既存のアプリケーションに織り込むために必要な複雑なコードを書く方法を知っている人が必要だ。
さらに、データドリブンになるためには、企業は異種のシステムを統合し、リアルタイムのデータを取得し、より迅速に意思決定を行うためにAI主導のアプリケーションに頼らなければならない。 しかし、このようなAI主導のアプリケーションは、本番稼動が必要と なったときに複数の課題を抱えることになる：
このような複雑さから、保険のユースケースに最適な業務・分析プラットフォームを活用することで、業務と分析のニーズを簡素化し、リアルタイムのニーズを管理し、データ管理を簡素化する機会がある。
MongoDBとDatabricksを組み合わせることで、保険会社は組織全体でAIを拡張するために必要なシンプルさとリアルタイムのデータおよび分析管理を実現できる。
トランザクショナル／オペレーショナル（MongoDB）
アナリティクス（データブリックス）
この2つのテクノロジーを組み合わせ、トランザクショナルな世界と分析的な世界を結びつけるとどうなるのか？
これは（保険のユースケースにおいて）実際にどのように機能するのだろうか？
アーキテクチャー、設計、構築作業を活用することで、保険会社はレガシー・システムから流れ込んでくるイベントや、個別のマイクロサービス・ドメインやそれぞれのイベント・バスをリッスンすることができる。 イベントベースのアーキテクチャに成熟した組織は、ビジネス・ワークフローの重要なポイントに機械学習を織り込み始めるのに適している。
MongoDBは運用目的でイベントを捕捉し、保存することができる。 MongoDBアトラスは、ソフトウェアチームが少ない人数で迅速に動けるようにするため、大きな加速装置となる。 ドキュメントモデルは俊敏性と柔軟性を与えるだけでなく、トリガー、ファンクション、チャートなどのプラットフォーム機能により、ユーザーは本質的に"ローコード" ソリューションと考えられるものを実装することができる。 これにより、データ変換パイプラインの構築が加速され、生のモデル出力を、データを利用する必要のある人たちがより簡単に利用できる情報に変えることができる。 基本的には、データ決定プロセスのリアルタイム性を提供するアプリケーションを構築することができる。
しかし、データによって生み出されるビジネスインパクトは、機械学習で利用可能な過去のデータの量、質、多様性によってのみ決まる。 例えば、テレマティクスのデータは、セッションに集約することができる。 トリップ）は、MongoDBのような運用プラットフォーム上に置かれ、可視化のためにそのまま返されるが、行動モデリングやダイナミックプライシングに使用するには、さらなる強化が必要である。
データブリックスのレイクハウスに入る。 リアルタイムのデータ取り込みとAIをネイティブにサポートするDatabricksによって、データ実務者は、追加のリスク要因、車両情報、気象条件を組み合わせることで、ドライバーの行動（または行動の変化）に関するさらなる洞察を導き出すことができる。
トランザクショナルな世界と分析的な世界を組み合わせることで実現する価値を実証するために、上述したイノベーションの主な推進力の1つである「コネクテッド・インシュアランス」& モビリティを深く掘り下げてみよう。 具体的には、個人向け自動車保険におけるテレマティクス・プライシングのユースケースを取り上げる。
保険会社がパーソナライズされたリアルタイムの商品を提供しようと努力するにつれ、洗練されたリアルタイムのデータ駆動型引受モデルへの移行は避けられない。 これらすべての情報を効率的に処理するために、ソフトウェア・デリバリー・チームは、データ処理パイプラインの構築と維持のエキスパートになる必要がある。 次の例は、MongoDBとDatabricksを使って、利用ベースの保険モデルをいかに簡単に作成できるかを示すことで、保険会社が組織内の引受プロセスにどのような革命を起こせるかを示している。
このテレマティクス、利用ベースの保険デモがエンド・ツー・エンドでどのように機能するかを紹介するビデオをご覧ください。
私たちのGithubリポジトリにあるソリューションデモのコードコンパニオンも参照してください。 GitHub リポジトリには、MongoDB Atlas プラットフォームの機能を活用したデータアップロードと変換パイプラインの構築方法、および Databricks との間でイベントを生成、送信、処理する方法について、ステップバイステップで詳しく説明されています。
顧客の運転習慣や行動を考慮した、パーソナライズされた使用量ベースの保険料を提供できることを想像してみてほしい。 その ためには、コネクテッド・カーからデータを収集し、それを機械学習プラットフォームに送って分析し、その結果を使って顧客向けにパーソナライズされたプレミアムを作成する必要がある。 また、データを視覚化して傾向を把握し、洞察を深めたい。 このユニークでカスタマイズされたアプローチにより、顧客は保険コストをよりコントロールできるようになり、また、より正確で公正な価格設定ができるようになる。
このユースケースをサポートする基本的なデータモデルの例としては、顧客、彼らが利用する旅行、彼らが購入する保険、そしてそれらの保険によって保証される車両が含まれる。
この例では、3 つの MongoDB コレクションと 2 つのマテリアライズドビューを構築する。
この例のデータ処理パイプライン・コンポーネントは、サンプル・データ、日次マテリアライズド・ビュー、および月次マテリアライズド・ビューで構成されている。 IoT車両遠隔測定データのサンプルデータセットは、顧客が利用した自動車旅行を表している。 customerTripRaw'という名前のコレクションにロードされる。 データセットはここにあり、MongoImportやその他の方法で読み込むことができる。
マテリアライズド・ビューを作成するには、スケジュールされたトリガーが集約パイプラインを実行する関数を実行する。 そして、生のIoTデータの日次サマリーを生成し、'customerTripDaily'という名前のマテリアライズド・ビュー・コレクションに配置する。 同様に、月次マテリアライズド・ビューでは、スケジュールされたトリガーが関数を実行し、月単位で 'customerTripDaily' コレクションの情報を要約する集約パイプラインを実行し、それを 'customerTripMonthly' という名前のマテリアライズド・ビュー・コレクションに格納する(3)。
この例の意思決定処理コンポーネントは、スケジュールされたトリガーとアトラスチャートで構成されている。 スケジュールされたトリガーは必要なデータを収集し、Databricks ML Flow APIエンドポイントにペイロードをポストする（モデルは以前、DatabricksのMongoDB Spark Connectorを使って学習された）。 そして、ある顧客が1ヶ月間に走行したマイルに基づいて計算された保険料でモデルが回答するのを待つ。 次に、スケジュールされたトリガーは、'customerPolicy'コレクションを更新し、'monthlyPremium'配列内の新しいサブドキュメントとして、新しい月額保険料の計算を追加します。 そして、新たに算出された使用量ベースの保険料をアトラスチャートで視覚化することができる！
GitHub リポジトリには、MongoDB Atlas プラットフォームの機能を活用したデータアップロードと変換パイプラインの構築方法、および Databricks との間でイベントを生成、送信、処理する方法がステップバイステップで説明されています。ぜひご参照ください。
