Financiële instituten en de snelle technologische verandering

Blijven denken in doelen

Technologische ontwikkelingen veranderen de wereld om ons heen in hoog en alleen maar toenemend tempo. Deze veranderingssnelheid is de nieuwe realiteit – en dat gaat niet minder worden. Welke kansen biedt dit voor verzekeraars en banken?

Door de versnelling in technologische ontwikkeling is het steeds beter mogelijk om digitale dienstverlening te personaliseren. Daardoor wordt het voor nieuwe bedrijven steeds makkelijker om de financiële markten te betreden en daarbij van toegevoegde waarde te zijn. Een andere manier om er naar te kijken, is te zeggen dat het in de verzekeringsbranche al decennia gebruikelijke intermediairmodel hierdoor een nieuw en vooral veel ruimer jasje aangemeten heeft gekregen.

Specialisatie

Een van de indirecte gevolgen van technologische ontwikkelingen is dat de algehele klantverwachting omtrent de kwaliteit van de dienstverlening alleen maar zal stijgen. Immers, wanneer één schaap succesvol de dam over is, móet de rest in deze wereld van vrije communicatie en keuze bijna wel volgen. Uiteindelijk lijkt het dus onvermijdelijk dat ook banken en verzekeraars simpelweg de meeste non-core activiteiten gaan uitbesteden aan specialistische partijen[1]. Dit gebeurt nu al, op grote schaal.

Het goede nieuws voor verzekeraars en banken is dat de vraag naar risicotransformatie niet snel zal afnemen. Sterker nog, zolang de welvaart in de derde wereld blijft stijgen, zal deze zelfs alleen maar toenemen. Wat wel kan veranderen, is dat de macht bij het nieuwe jasje van de intermediair kan komen te liggen, in plaats van bij de risicodrager. Omdat betere digitale personalisatie veelal zorgt voor een betere klantbeleving, is dat vooral aannemelijk in segmenten waar intrinsiek veel relatief homogene informatie te ontsluiten valt. De retailmarkt dus. Maar ook dat is geen nieuwe ontwikkeling.

Voor core activiteiten is er dus geen keuze: best in class worden is de enige optie. Het is dan ook logisch dat iedereen zich vol overgave op de ‘nieuwe technologie’ stort.

Financieel risicobeheer

Binnen ons domein, het financieel risico- en balansbeheer, is het gebruik van deze ‘nieuwe’ (en complexe) algoritmes nog altijd erg beperkt. Dat is op zich logisch: ‘onze modellen’ worden vaak ingezet ten behoeve van sterk gereguleerde activiteiten, dus daar waar vaak direct of indirect hedgingbeslissingen uit voortkomen. Het is niet verstandig daarvoor algoritmes te gebruiken waarbij we niet écht begrijpen hoe wijzigingen in brondata zich vertalen naar een andere schatting. Dat vinden de toezichthouders gelukkig ook.


Maar ook binnen ons domein is er genoeg ruimte om algoritmisch te experimenteren. Dat doen al onze klanten en wijzelf dus ook, continu. En toch hoor en lees je er weinig over. Daar valt uit op te maken dat de meeste van deze experimenten simpelweg falen. Een gedegen kennis opdoen van de voor- en nadelen van ‘het middel’ is belangrijk. Maar het is daarbij cruciaal ‘het doel’ – efficiënter werken, breder publiek kunnen bedienen, winstgevend blijven – niet uit het oog te verliezen.

Ouderwetse statistiek

De verwachtingen rond ‘intelligente’ of zowaar ‘zelflerende algoritmes’ zijn vaak hoog. Toch zal iedereen die met de spreekwoordelijke poten in de modder heeft gestaan, beamen dat er veel werk gaat zitten in het maken van een goed intelligent algoritme. Het modelleerproces is namelijk niet wezenlijk anders dan de ouderwetse statistiek die we al decennia bedrijven. ‘Even’ een nuttig machine learning-algoritme neerzetten is er echt nog steeds niet bij[2]. En waarschijnlijk komt dat er voorlopig ook niet. Een algoritme dat generiek inzetbaar is, dat wil zeggen zonder noemenswaardige aanpassingen, zal nooit lang optimaal functioneren ten opzichte van concurrenten omdat het generiek is. Het werkt alleen zolang er echt nog niets anders voorhanden is, en daarna wordt het ingehaald door specialistische toepassingen – analoog aan hoe de markten zich ontwikkelen.


Daarbij komt dat dergelijke nieuwe algoritmes[3] veelal worden losgelaten op ouderwetse ‘positiedata’. Deze datasets zijn beperkt van omvang en vaak uit vele bronsystemen samengeraapt, dat wil zeggen: zonder noemenswaardige onderlinge consistentie. Zonder óf enorm veel óf kwalitatief hoge data kan zo’n nieuw algoritme per definitie niet de complexere verbanden vinden waarvoor het toegevoegde waarde heeft. Hetgeen betekent dat ouderwetse statistiek, zoals gegeneraliseerde lineaire modellen (GLM) of logistische regressie, het even goed doet als dat hippe algoritme waar je collega’s maanden aan hebben gewerkt.

Kennis en ervaring

Ook wanneer de datasignalen wel op groen staan, is succes binnen ons domein nog niet gegarandeerd. Het leger datawetenschappers dat de wereld aan het veroveren is, kan zich prima inbeelden hoe en wanneer een klant een vlucht boekt op z’n smartphone (dat doen ze zelf namelijk ook), maar ze snappen weinig van balansbeheer of financiële markten. Daardoor kunnen ze ook inconsistenties in brondata of voorspellingen niet ontdekken. Er zijn visionairs die roepen dat, vanwege de eindeloze stroom aan beschikbare data, domeinexpertise op termijn niet meer nodig is. Wellicht zal dat zo zijn. Maar tot die tijd blijft het in al deze trajecten cruciaal.


Beschikbaarheid van een expert is ook dan niet voldoende. Experts moeten kunnen inschatten wat waarom wanneer wel en niet werkt om de datawetenschappers effectief aan te kunnen sturen. Om het verschil te kunnen maken tussen de goede dingen doen en de dingen goed doen. Met andere woorden: deze experts zullen naast domeinkennis óók praktische ervaring met zowel moderne algoritmes als de bijbehorende data en infrastructuur naar de tafel moeten brengen. De noodzaak hiertoe werd een paar jaar terug door McKinsey reeds geïntroduceerd: de rol van data strategist en analytics translator. Zonder de benodigde rollen in dergelijke trajecten adequaat in te vullen, zakt de gemiddelde slagingskans beneden het vriespunt.


Natuurlijk zegt elke zakelijke financiële dienstverlener dat u deze kennis en ervaring kunt inhuren – en dat kunt u. Onze ervaring leert echter dat deze ook prima intern te ontwikkelen is. Echter daar is meer voor nodig dan wat aangewezen personen een weekje op cursus sturen. Net zoals u in uw vak hopelijk steunt op de betreffende wetenschap, is het verstandig om in deze naar de didactiek te luisteren. Laat intrinsiek gemotiveerde en capabele medewerkers een jaar lang twee à drie dagen per week aan belangrijke gerelateerde en vooral niet-urgente zaken en/of innovatie werken, en er zal voldoende creatieve ruimte en ontwikkeling ontstaan die uw organisatie op lange termijn vooruit kan helpen.

Conclusie

Technologische ontwikkelingen brengen heel snel, heel veel erg mooie nieuwe inzichten en mogelijkheden. Dat verandert de verzekeringsmarkten wezenlijk, maar zinvolle toepassing ligt genuanceerd. Technologie, in welke vorm dan ook, blijft een middel voor een doel. Als je vooraf niet kunt bedenken welk probleem met deze ‘nieuwe’ (ten opzichte van ‘oude’) technologie verholpen kan worden, dan betekent dat meestal dat er ook geen probleem mee opgelost gaat worden. Een expert kan zijn of haar tijd maar één keer besteden. Zet alleen de juiste experts op de juiste wijze in, en u heeft een bovengemiddelde kans om aan de oppervlakte te blijven.

Voetnoten

[1] De eerste stappen worden gelukkig breed gezet. De meeste van onze klanten beseffen inmiddels dat specialistishe IT dienstverleners vaak beter IT infrastructuur diensten kunnen leveren dan het eigen IT apparaat. Dat betekent overigens niet dat het eigen IT apparaat daarmee overbodig geworden is: voor beheer en medewerkercontact blijven zij broodnodig.

[2] Dat gezegd hebbende: zelflerende algoritmes zijn met beperkte effort wel degelijk nuttig om snel challenger modellen neer te kunnen zetten. Die hebben namelijk niet als doel het onderste uit de statistische kan te halen, maar om aan te tonen dat het hoofdmodel (wat we wél begrijpen) helemaal prima is.

[3] Voor de volledigheid: methodologisch nieuw zijn ze niet, nieuw is dat we nu de rekencapaciteit en data hebben om schatters te bepalen.

Contact

Neem voor vragen of meer informatie over technologische uitdagingen en/of overwegingen contact op met Jeroen van der Heide via +31 35 692 89 89.