Hoeveel data verzamelt jouw organisatie dagelijks? Waarschijnlijk meer dan ooit. Polisgegevens, schadehistorie, klantcontact, financiële informatie, documenten, data uit CRM-systemen en gegevens uit externe databronnen en feeds. Aan informatie is meestal geen gebrek. Maar hoeveel van die data helpt je ook echt om betere beslissingen te nemen? In deze blog lees je waarom zoveel verzekeringsdata onbenut blijft, wat dat betekent voor AI en hoe je data stap voor stap inzet voor betere besluitvorming.

Veel verzekeraars investeren in AI. Maar waarde ontstaat pas als data, governance en processen op orde zijn. Uit onderzoek van BCG onder ruim 1.250 organisaties wereldwijd blijkt dat 60% ondanks significante AI-investeringen nog nauwelijks meetbare waarde realiseert. Dat betekent niet dat die data waardeloos is. De waarde van data is er vaak wel, maar blijft opgesloten in verschillende systemen, definities en databronnen. En juist nu verzekeraars steeds meer met AI willen doen, wordt dat probleem ineens een stuk zichtbaarder.

Hoeveel van je data wordt écht gebruikt bij besluitvorming?

Als verzekeraar ben je niet gisteren begonnen met data verzamelen. In tientallen jaren heb je enorme hoeveelheden informatie opgebouwd over klanten, polissen, schadegevallen en processen. Alleen staat die informatie niet altijd op één plek. Een deel staat in de polisadministratie, andere informatie in CRM-oplossingen, kennisbanken, documenten of andere specialistische applicaties. .

Bovendien kunnen teams of systemen dezelfde gegevens anders definiëren, bijvoorbeeld wat precies onder een actieve klant, polisstatus of productcategorie valt. Het gevolg? Je hebt veel data, maar niet automatisch een betrouwbaar beeld. En dat wordt juist extra belangrijk als je AI wil inzetten. Want een AI-toepassing kan razendsnel informatie verwerken, combineren en een antwoord of advies genereren, maar weet niet vanzelf welke bron klopt of welke informatie actueel is.

Is de onderliggende data onvolledig of onbetrouwbaar? Dan wordt het antwoord dat ook. Bij verzekeraars kan dat directe gevolgen hebben. Denk aan een klant die vraagt of een bepaalde behandeling, schade of situatie onder zijn polis valt. Als AI daarvoor niet over de juiste of volledige polisgegevens beschikt, kan er een verkeerd advies uitkomen. Meer data betekent dus niet automatisch betere data.

Waarom AI-pilots stranden op datakwaliteit

Dat dit geen theoretisch probleem is, blijkt ook uit onderzoek van De Nederlandsche Bank . In een onderzoek onder verzekeraars gaf DNB aan dat 15 van de 36 onderzochte verzekeraars AI toepassen. Tot de belangrijkste obstakels behoorden onder andere het kennisniveau en de kwaliteit en infrastructuur van data.

Dat is niet zo gek. Je kunt een AI-model technisch prima laten werken in een afgebakende proof of concept (PoC). Maar zodra je de toepassing wilt koppelen aan echte klant- of bedrijfsprocessen, moet je inzichtelijk hebben welke informatie beschikbaar is, hoe actueel die is en of de toepassing überhaupt toegang mag krijgen.

Veel gegevens zijn persoonlijk, financieel of medisch van aard. Niet iedere medewerker mag iedere databron gebruiken en voor AI geldt precies hetzelfde. Data governance gaat daarom niet alleen over de vraag of je data klopt, maar ook over wie erbij mag, waarvoor die data gebruikt mag worden en welke bron leidend is. Zonder die stevige basis kan een succesvolle AI-pilot al snel vastlopen als je wilt opschalen.

Als je basis op orde is, verandert ook wat je met data kunt doen. Veel organisaties gebruiken data vooral om terug te kijken: hoeveel schadegevallen hadden we afgelopen kwartaal? Hoeveel klanten zegden hun polis op? Hoe ontwikkelde de schadelast zich? Maar ook voorspellende analyses spelen bij verzekeraars natuurlijk al langer een belangrijke rol. AI kan die analyses versnellen, verrijken en toepasbaar maken op grotere hoeveelheden en meer verschillende databronnen.

Denk bijvoorbeeld aan:

• Schadelast: patronen herkennen die kunnen wijzen op een hogere toekomstige schadelast.

• Verloop en persistency: eerder signaleren welke klanten waarschijnlijk niet verlengen.

• Fraude: afwijkende patronen herkennen en dossiers gerichter laten beoordelen. 

• Klantbeeld: informatie uit verschillende bronnen combineren om medewerkers sneller een completer klantbeeld te geven.

• Acceptatie en pricing: realtime risico-inschattingen ondersteunen met data uit meerdere bronnen.

• Zorgkosten en risicoverevening: toekomstige zorgkosten beter voorspellen voor bijvoorbeeld zorginkoop en preventie.

• Capaciteit en doorlooptijd: verwachte instroom van schademeldingen of klantcontact voorspellen om je personeelsplanning beter af te stemmen.

Daar ontstaat de stap van inzichten uit data naar betere besluitvorming. De technologie kan patronen herkennen die in losse systemen nauwelijks zichtbaar zijn, maar ook hier geldt: een voorspelling is alleen zo betrouwbaar als de data waarop die is gebaseerd. Daarom hoort bij voorspellende analyses altijd de vraag: kunnen we uitleggen waar dit inzicht vandaan komt, is de data betrouwbaar en gebruiken we die binnen de juiste kaders?

Je hoeft dus niet te beginnen met de opdracht ‘we moeten onze data op orde krijgen’. Dat voelt vaak zo groot dat het al snel een eindeloos programma wordt. Begin liever bij één concrete businessvraag:

• Welk besluit wil je beter of sneller kunnen nemen?

• Welke inzichten heb je daarvoor nodig? Welke databronnen voeden dat inzicht?

• Waar zitten op dit moment de gaten?

Een data-assessment helpt om dat gericht in kaart te brengen. Kijk bijvoorbeeld naar:

• Welke databronnen voor de use case nodig zijn;

• Hoe compleet en betrouwbaar die informatie is;

• Welke definities en systemen leidend zijn;

• Wie eigenaar is van de data en wie toegang mag krijgen;

• Hoe je de data beschikbaar maakt voor analytics en AI;

• Welke governance- en compliancekaders nodig zijn om verantwoord op te schalen.

Zo maak je datakwaliteit behapbaar en wordt dit direct gekoppeld aan businesswaarde. Want de grootste kans zit waarschijnlijk niet in nóg meer data verzamelen, maar in de informatie die je al hebt eindelijk laten wegen op het moment dat je een beslissing maakt. HSO helpt jouw organisatie om die stap te zetten. Zo ga je van versnipperde data naar een betrouwbare basis voor analytics en AI, binnen je Microsoft-ecosysteem.