Tietovarastointi vakuutusalalla

Vakuutusala data-analytiikka

Vakuutusalan erityispiirteet

Vakuutusalalla tietovarastoinnin avustama analytiikka tarjoaa laajoja mahdollisuuksia liiketoiminnan kehittämiseen, mutta varsinkin isommilla vakuutusyhtiöillä on omat haasteensa tietovarastoinnin toteuttamisessa.

Vaikeuksia voi sinällään jo aiheuttaa suuri tietomäärä, mutta erityisesti erilaisten lähdejärjestelmien suuri määrä. Vakuutusyhtiöllä voi olla historiansa takia useita vakuutus, korvaus sekä maksujärjestelmiä joista osa voi olla vieläpä vanhoja keskuskone eli mainframe - järjestelmiä.

Mainframe - järjestelmistä datat saadaan tuotettua useimmiten vain siirtotiedostoina, usein on myös niin etteivät vanhat lähdejärjestelmät tallenna välttämättä kaikkia muutoksia tiedoissa vaan sieltä voi olla saatavissa ainoastaan viimeisin versio tiedosta. Tiedot ovat hajallaan eri järjestelmissä, eri muodossa ja formaatissa, kentät eri nimillä ja peruskysymyksiin vastaaminen, kuten 'kuinka monta korvaushakemusta saimme yhteensä viime vuonna' tai 'montako autovakuutusta meillä oli voimassa viime vuonna', on vaikeaa.

Miten vakuutusyhtiöt voivat ratkaista tämän ongelman?

Lähestymistavat vakuutuksen tiedonhallintaan

  • Lähdejärjestelmien yhtenäistäminen: vanhat lähdejärjestelmät poistetaan käytöstä, ja tiedot siirretään uuteen järjestelmään, jolloin tietenkin tiedot yhtenäistyvät ja analytiikka sekä raportointi helpottuu. Usein myös rahaakin säästyy kun ei tarvitse ylläpitää enää niin monia järjestelmiä.
  • Tietovarastointi tai laajemmin modernin data-alustan kehittäminen

Lähdejärjestelmien yhtenäistäminen, eli esim. useista vakuutusjärjestelmistä luopuminen ja yhden uuden järjestelmän käyttöönotto kuulostaa yleensä ratkaisevan suurimman osan tiedonhallinnan haasteista, jonka jälkeen analytiikka helpottuu merkittävästi.

Näin toki osin onkin, käytännössä on kuitenkin pidettävä mielessä, että ensinnäkin tämä "yhden käyttöjärjestelmän käyttöönotto" -projekti voi kestää huomattavan pitkään, ja toisaalta uusia järjestelmiä voi tulla käyttöön esimerkiksi yrityskauppojen kautta. Lisäksi uusikaan järjestelmä ei välttämättä ole ikuinen. On myös olemassa esimerkkejä uusista vakuutusyhtiöistä, jotka pärjäävät kilpailussa erityisesti sillä että niillä on käytössä moderni perusjärjestelmä, ja vain yksi sellainen, näin parantaen operatiivista tehokkuutta.

Tietovarastointia tehdään yleensä samalla aikaa kun perusjärjestelmiä uudistetaan. Tietovarastointihankkeessa tulee päättää useista asioista:

Miten/millä välineellä tiedot ladataan? Vai pärjätäänkö loogisella DW ratkaisulla jossa tietoja ei tosiassa viedä minnekkään? Usein tässä käytetään erilaisia valmiita ETL-välineitä, kuten IBM Datastage, SSIS, Informatica ja SAS. Nykyään suosittua on myös tehdä ETL - prosessia data-alustan tukemilla skriptikielillä ilman että varsinaisesta ETL:stä enää tarvitsee puhua.

Mihin tietokantaan (järjestelmään) tiedot viedään? Suomessa vakuutusalalla käytetään paljon Teradataa, johtuen siitä että suurten hankkeiden alkaessa 1990 - luvulla Teradata oli yksi parhaista ratkaisuista.

Millaista tietomallia käytetään? Tässä on useita vaihtoehtoja, jotka tarjoavat erilaisen tiedon yhtenäisyyden tason jatkokäyttöön, ja toisaalta lähestyvät muutoshistorian tallennusta eri tavoin.

Tietomallinnusvaihtoehdot

  • Ralf Kimballin dimensionaalinen tietomalli eli suoraan fakta - ja dimensiorakenteisiin
  • Data Vault: laajaa suosiota saavuttanut metodologia tietomallinnuksesta aina data-alustan kehittämisprosessiin asti
  • Data Lake -malli jossa tiedot lähinnä viedään ja muutoshistoria tallennetaan ilman mitään tietojen yhtenäistämistä.
  • Ostettu toimialakohtainen tietomalli. Näitä on tarjolla usealta toimijalta kuten IBM, Teradata sekä Microsoft.

Lopulta tiedot on usein kuitenkin muokattava dimensionaalisiin rakenteisiin jotta loppukäyttäjät voivat niitä helposti käyttää.

Katso myös nämä!

-Referenssiprojektimme vakuutusalalta

-Data engineering - palvelumme

Lisää ajankohtaisia julkaisuja:

Mitä on Unit Economics -analyysi?
Tiedät liikevaihtosi, katteesi ja tuloksesi — mutta tiedätkö, tuottaako yksittäinen asiakkuus enemmän arvoa kuin sen hankkiminen ja palveleminen maksaa? Unit economics vastaa juuri tähän kysymykseen. Tämä artikkeli avaa, mitä unit economics tarkoittaa, mistä komponenteista se rakentuu ja miten sitä sovelletaan käytännössä — esimerkkinä sopimusperusteinen B2C-liiketoiminta, jossa asiakas voi pitää yhtä aikaa useita voimassaolevia sopimuksia.
Tutustu tarinaan
Millainen on data-alustan kehittämisprojekti?
Organisaation data-alustan rakentaminen tai modernisointi ei ole perinteinen IT-projekti. Se on kehityshanke, jossa teknologia, liiketoiminnan ymmärrys ja tiedonhallinta kietoutuvat yhteen — ja jossa todellinen työ alkaa vasta kun oikea data kohtaa oikean maailman haasteet. Tässä blogissa pureudumme data-alustaprojektin luonteeseen, vaiheisiin, riskeihin ja parhaisiin käytäntöihin. Käymme läpi, miksi data-alustaprojekti on enemmän tutkimusmatka kuin kartta, ja miten tekoäly muuttaa tätä kokonaisuutta.
Tutustu tarinaan
Mitä on henkilöstöanalytiikka
Jokainen organisaatio tekee jatkuvasti päätöksiä ihmisistä — rekrytoinneista, palkankorotuksista, osaamisen kehittämisestä, työvoimasuunnittelusta. Mutta kuinka moni näistä päätöksistä perustuu dataan? Tämä artikkeli avaa, mitä henkilöstöanalytiikka käytännössä tarkoittaa, mitä hyötyjä se tuo ja miten hajallaan oleva HR-data muutetaan päätöksentekoa ohjaavaksi kokonaisuudeksi.
Tutustu tarinaan
Datasopimus käytännössä — miten data-alustan luotettavuus rakennetaan
Datatiimit käyttävät jopa 40–60 % ajastaan virheiden selvittämiseen, joiden syy on muualla. Sarake vaihtaa nimeä, tyyppi muuttuu, kenttä alkaa tulla tyhjänä — ja loppupään raportit hajoavat ääneti. Datasopimus estää tämän tekemällä odotukset näkyviksi ja valvottaviksi.
Tutustu tarinaan
Mitä on tekoälyavustettu sovelluskehitys?
Lisää tuottavuutta ohjelmistokehitykseen agenttisella kehityksellä.
Tutustu tarinaan

Lisää ajankohtaisia julkaisuja:

Mitä on Unit Economics -analyysi?
Tiedät liikevaihtosi, katteesi ja tuloksesi — mutta tiedätkö, tuottaako yksittäinen asiakkuus enemmän arvoa kuin sen hankkiminen ja palveleminen maksaa? Unit economics vastaa juuri tähän kysymykseen. Tämä artikkeli avaa, mitä unit economics tarkoittaa, mistä komponenteista se rakentuu ja miten sitä sovelletaan käytännössä — esimerkkinä sopimusperusteinen B2C-liiketoiminta, jossa asiakas voi pitää yhtä aikaa useita voimassaolevia sopimuksia.
Tutustu tarinaan
Millainen on data-alustan kehittämisprojekti?
Organisaation data-alustan rakentaminen tai modernisointi ei ole perinteinen IT-projekti. Se on kehityshanke, jossa teknologia, liiketoiminnan ymmärrys ja tiedonhallinta kietoutuvat yhteen — ja jossa todellinen työ alkaa vasta kun oikea data kohtaa oikean maailman haasteet. Tässä blogissa pureudumme data-alustaprojektin luonteeseen, vaiheisiin, riskeihin ja parhaisiin käytäntöihin. Käymme läpi, miksi data-alustaprojekti on enemmän tutkimusmatka kuin kartta, ja miten tekoäly muuttaa tätä kokonaisuutta.
Tutustu tarinaan
Mitä on henkilöstöanalytiikka
Jokainen organisaatio tekee jatkuvasti päätöksiä ihmisistä — rekrytoinneista, palkankorotuksista, osaamisen kehittämisestä, työvoimasuunnittelusta. Mutta kuinka moni näistä päätöksistä perustuu dataan? Tämä artikkeli avaa, mitä henkilöstöanalytiikka käytännössä tarkoittaa, mitä hyötyjä se tuo ja miten hajallaan oleva HR-data muutetaan päätöksentekoa ohjaavaksi kokonaisuudeksi.
Tutustu tarinaan
Datasopimus käytännössä — miten data-alustan luotettavuus rakennetaan
Datatiimit käyttävät jopa 40–60 % ajastaan virheiden selvittämiseen, joiden syy on muualla. Sarake vaihtaa nimeä, tyyppi muuttuu, kenttä alkaa tulla tyhjänä — ja loppupään raportit hajoavat ääneti. Datasopimus estää tämän tekemällä odotukset näkyviksi ja valvottaviksi.
Tutustu tarinaan
Mitä on tekoälyavustettu sovelluskehitys?
Lisää tuottavuutta ohjelmistokehitykseen agenttisella kehityksellä.
Tutustu tarinaan