В этот четверг выступаю на InsurtechDay, буду презентовать совместный проект с АСН — Тепловую карту иншуртеха (бенчмарк зрелости решений срахового рынка РФ). Пока думали над методологией, оказалось много развилок:

- считать ли иншуртехом любое применение ии или только то, которое меняет процесс/имеет заметный измеримый эффект или какое?

- если это уже повсеместно (чат-бот), оно все еще иншуртех или уже нет?

- иншуртех только про ии или любые инструменты цифровизации годны?

Решили свериться с рынком и с вами. Опрос анонимный, 5 минут, бота под него я навайбкодила сама☺️. Ваш ответ повлияет на итоговое определение, не проходите мимо

Пройти опрос →


https://t.me/asnnewsru/4351

☕️ Успешные люди встают в шесть утра — значит, надо вставать в шесть утра

Слышу это регулярно, в разных обёртках. Успешные читают по книге в неделю. Успешные принимают холодный душ. И вывод, ну как же без него: делай так же — станешь как они.

Это снова про корреляцию, и про то, что она не равно причинность.

Первый вопрос в направлении причинной стрелки. Даже если связь между ранним подъёмом и успехом реальная — откуда известно, что подъём ведёт к успеху, а не наоборот? Может, человеку, который владеет своим временем, без начальника над душой и с ресурсом на спортзал и сон, вставать в шесть легко и приятно? Не ранний подъём сделал его успешным. Успех дал ему возможность так вставать. Стрелка вполне может смотреть в другую сторону, а люди копируют следствие, приняв его за причину.

И это ещё оптимистичный сценарий, где связь хотя бы есть.

Чаще срабатывает то, о чём я писала в прошлый раз, — невидимый третий фактор. Дисциплина, здоровье, поддержка семьи, деньги на старте. Всё это может дать и ранние подъёмы, и успех — одновременно и независимо. Другие смотрят на два следствия одной причины и соединяют их между собой стрелкой, которой нет.

А ещё вы видите только «выживших». Тысячи людей тоже вставали в шесть, но не взлетели, — про них книг не пишут и в интервью не зовут. В выборке остались одни победители, и на таком перекошенном материале что угодно «коррелирует» с успехом.

Как это знание перевести в рабочую привычку:

Услышали «делай X, как успешные», задаёмся вопросом:
✔️Это X приводит к результату — или результат позволяет X?
✔️Нет ли общей причины, которая даёт и то, и другое?
✔️А сколько делавших X никуда не пришли?

P.S. Тот же механизм не только в мотивационных цитатах. Он и в А/Б-тестах, и в отчётах «внедрили инструмент — выросла выручка», в кейсах «клиенты фичи X платят больше».

Data Driven Management

☕️ История не data-driven успеха


Вчера я, человек, который двадцать лет уговаривает всех принимать решения на данных, познакомилась со своим полным антиподом. И, кажется, прониклась его подходом, хотя половину времени внутренне с ним спорила.

Мы были на экскурсии в винодельне «Гай-Кодзор» под Анапой (87 ГА виноградников, 300 тысяч бутылок в год). К гостям вышел её основатель, и за разговором выяснилось, что это чистейший образец НЕ data-driven управления. Человек интуиции и ценностей, фанат своего дела, где-то даже упрямец. И у него работает.

Будний день, середина недели, винодельня не в центре города — а поток к магазину не прекращался ни на минуту. Люди подъезжали и покупали, покупали, покупали.

Его философия — из Франции, где он прожил много лет. Клиент должен чувствовать заботу. Он лично отвечает в Telegram, сам встречает гостей, ездит по виноградникам. Команду бережёт годами: французы работают с основания, а пожилым сотрудницам он спокойно даёт выходные в разгар сезона, если тем надо в огород. Всё это не оцифровано, не оптимизировано, но держит бизнес лучше многих таблиц.

Он рассказал две показательные истории:

Как во Франции они с женой ушли из ресторана через пять минут, потому что к ним никто не подошёл, хотя бы просто сказать bonjour и дать меню.

И как здесь однажды увидел в любимой кофейне ценник, выросший вдвое, «потому что известные события». Мол, а муку для булочки вам что, из-за границы везут? Спекулировать на цене внешними факторами для него — дно.

Я спросила: а вы пробовали поднять цену процентов на десять и посмотреть, как отреагирует спрос? Он не на шутку возмутился: нет, и не собираемся!

Вот здесь, по-моему, и проходит тонкая, но важная граница.

Держать цену, потому что «вино должно быть доступным», — это ценностный выбор. Он абсолютно законен, и я его уважаю. Данные тут вообще ни при чём: никакой график не скажет тебе, каким ты хочешь быть, — это ты решаешь сам.

Но «не буду проверять, я и так знаю, что спрос упадёт» — это уже другое. Это не знание, это убеждение, выданное за знание. Он не проверял. Возможно, основная часть покупателей платила бы на десять процентов больше и не заметила, а он направил бы эту разницу на то, чего ему сейчас не хватает, — новую линию, технику, запас прочности. А возможно, спрос правда просел бы, и тогда он с чистой совестью вернулся бы к своей цене.

Data-driven ведь не про «выжимай максимум» и не про «повышай цены». Он про не путай «я так решил, потому что это мои ценности» с «я так решил, потому что иначе будет плохо».

Что я вынесла с этой экскурсии: интуиция не против данных. Интуиция отвечает на вопрос «куда я хочу», и здесь наш герой сильнее большинства «датадривенных» менеджеров, которых я знаю. А данные отвечают на вопрос «а правда ли то, во что я по пути верю».


P.S. А может, я всё усложняю, и любой «потолок» — это и есть осознанный выбор: жить в устойчивом состоянии, которое приносит радость, а не гнаться за ростом, который тебе не нужен🩶

P.P.S. Кстати, и экскурсия, и винодельня замечательные. Если когда-нибудь окажетесь в Анапском районе, абсолютный рекомендасьён. Не реклама 😁

Data Driven Management

Чем мы займём освободившееся время?
— вопрос, который часто забывают задать при автоматизации в крупных компаниях.

Как обычно выглядит защита проекта:

Внедрим систему — сэкономим 400 часов в год. Все кивают, считают ФОТ, делят на ставку, получают цифру экономии. Проект уходит в работу.


Проходит год. Систему внедрили, она работает, часы формально сэкономлены. А в бюджете функции ничего не изменилось. Никого не сократили, никто не освободился, все по-прежнему заняты по горло.

Финдиректор смотрит на вас недобро, вы разводите руками: ну она же работает.


Что произошло:

Сэкономленное время не исчезает и не превращается в деньги само. Оно растекается. Люди начинают делать то, до чего раньше не доходили руки: чуть тщательнее проверять, чуть больше согласовывать, чуть подробнее оформлять.

Работа расширяется ровно настолько, чтобы занять освободившееся время, — и через полгода уже никто не помнит, что раньше жили без этих проверок.

Это обнаружили еще в 1955 году: в журнале The Economist вышла статья Сирила Паркинсона «Работа заполняет время, отпущенное на неё».

Поэтому экономия времени превращается в экономию денег только одним способом: если решено заранее, чем это время будет занято. Либо люди берут на себя объём, под который иначе нанимали бы новых. Либо перестают делать что-то другое. Либо их реально становится меньше.

Если получилось не так — вы не считали экономику проекта. Вы посчитали объём работ, который автоматизируете, и назвали его экономией.



P.S. Самое неловкое, что этот вопрос почти всегда некому задать. Заказчик влюблён в идею, вендор продаёт, ИТ считает сроки, а финансы подключаются, когда бюджет уже утверждён. Так что задавать его придётся вам. Лучше себе — и заранее. 🙃

Крысы, которых развели ради премии

Апрель 1902 года, Ханой. Французская колониальная администрация борется с чумой. Крыс в новой канализации развелось столько, что чиновники объявляют награду: один цент за каждый сданный крысиный хвост.

Метрика идеальная.
Простая, проверяемая, не нарисуешь в отчёте. Есть хвост — значит, крыса мертва.

Показатели пошли прекрасные. 12 июня 1902 года — 20 114 крыс за сутки. В соседние дни — тоже десятки тысяч. На бумаге город стремительно очищался.

А потом по Ханою забегали бесхвостые крысы.

Выяснилось, что местные ловили крысу, отрезали хвост, сдавали его за деньги и отпускали животное обратно — размножаться. А самые предприимчивые за городом начали крыс разводить. Специально. Чтобы поток хвостов был стабильным.

Метрику никто не подделывал. Все хвосты настоящие. Просто цель («меньше крыс») и мера («количество хвостов») разошлись, а люди оптимизировали ровно то, за что им платили.

У этого есть имя. В 1975 году Чарльз Гудхарт, советник Банка Англии, сформулировал: любая статистическая закономерность разрушается, как только на неё начинают давить с целью управления. Сейчас закон цитируют короче — когда мера становится целью, она перестаёт быть хорошей мерой.


Дальше каждый подставляет своё:
— платим за закрытые тикеты → тикеты дробятся на мелкие — меряем скорость первого ответа → в чат прилетает «принято в работу» и тишина — KPI по числу консультаций → одна консультация превращается в три звонка.

Все делают ровно то, за что им платят.


P.S. Самое показательное в ханойской истории — почему вообще выбрали хвост. Сдавать целую тушу сочли слишком обременительным для чиновников. Метрику выбрали за удобство сбора. Насколько точно она измеряет цель — оказалось вторично. Узнаёте? 🙃

Пять специалистов тратят по три часа в день на разбор входящих документов: проверить комплектность, вычитать ключевые поля, забить в систему.

5 × 3 часа × 21 рабочий день = 315 часов ручной работы в месяц.

Автоматизация извлечения данных снимает примерно 60% этой рутины — остальное всё равно смотрит человек. Остаётся ≈190 часов в месяц.

Полностью нагруженный час специалиста — оклад, страховые взносы, рабочее место — при окладе 90–100 тысяч это ≈900 ₽ за час.

190 × 900 = 171 000 ₽ в месяц. Около 2 млн ₽ в год.

Расходы: пилот на одном типе документа — 0,8–1,5 млн ₽ (рыночная вилка из публичных источников), поддержка ≈40 тыс ₽/мес. Чистая экономия — ≈131 тыс ₽/мес. Окупаемость — 6–12 месяцев. В любом конце вилки — меньше года.

Это одна страница. С ней уже можно идти к руководству — не «мы изучаем ИИ», а «вот процесс, вот точка приложения, вот сумма, вот срок».

Сам расчёт занимает 15 минут. Сложность в том, чтобы до него правильно выбрать процесс: половину процессов трогать не надо, и это тоже надо уметь увидеть — до того, как потрачен бюджет, а не после.

26.08 в 19-00 провожу бесплатный вебинар. Разбираю этот процесс от начала до конца: раскладка на шаги → фильтр «стоит ли вообще трогать» → расчёт окупаемости. На примере обработки входящих документов — процесса, который есть и в урегулировании, и в андеррайтинге, и в продажах. Меняется только название пакета.

Чего не будет: обучения методу целиком за час, разбора «какой инструмент выбрать», продажи вендорских решений.

Что будет: метод на одном живом примере и понимание, как это работает на практике, без ИТ-отдела.

Для кого: руководители функций страховых компаний, менеджеры направлений и все, интересующиеся темой.

1-1.5 часа. Регистрация: datadriven-course.com/webinar
(Не открывается в Safari на IPhone, на айфонах можно с Яндекс браузера зайти)

☕️ Больше 90% людей перед важным выступлением пытаются успокоиться.


И это худшее, что можно сделать.


Двадцать лет выступаю на конференциях и семинарах — но всегда за спиной стоял организатор. Зал собрал кто-то другой, программу утвердил кто-то другой, я приглашённый эксперт: пришла, сказала своё, ушла. Сейчас впервые всё на мне, и провал тоже будет мой. Оказалось, это волнительно до страшного.

Пошла искать, что с этим делают люди, которые изучают вопрос профессионально. Нашла три штуки — пригодятся перед защитой проекта, презентацией или отчётом руководству. Делюсь.


«Я взволнована» вместо «я спокойна»

В Гарвардской школе бизнеса Элисон Брукс усадила людей петь караоке под программу, которая оценивает попадание в ноты. Одних перед выходом просили сказать вслух «я спокоен», других — «я взволнован». Вторые спели заметно лучше. Потом то же самое проделали с публичным выступлением и устным счётом под таймер — результат держался. А люди, смотревшие записи выступлений и не знавшие, кто что говорил, называли «взволнованных» более убедительными.


Тест на двойной стандарт

Представь коллегу с твоим резюме. Он говорит тебе: «не уверен, что готов выступать/выдвигать идеи/защищать проект». Что ты ему ответишь? Вот этот ответ и есть объективная оценка. Асимметрия между стандартом к себе и к другим — известная история.


Не ждём готовности

Психолог Петер Голльвитцер тридцать лет изучал разрыв между «собираюсь сделать» и «сделал». Собрал 94 исследования, больше восьми тысяч участников. Вывод: намерение начинает работать, когда в нём появляются конкретные время и место.
«Напишу коллегам, когда буду готова» — это не план, потому что «готова» не наступает никогда.
«Собрать ещё материала, чтобы точно быть готовой». Это перфекционизм в костюме подготовки.
А план выглядит так: в четверг в 10:00 отправляю десять писем и закрываю ноутбук. Дата, час, количество.

P.S. А у вас есть лайфхаки к выступлениям?)

Data Driven Management

Сегодня в 19:00 МСК — бесплатный вебинар «Где в страховых процессах AI окупается, а где — деньги на ветер».


Две ситуации.

Первая. Сверху спустили цель по ИИ на год. Внедрять некому — ИТ загружены своим бэклогом, отдельного бюджета нет, а на комитете «что-то показать» надо. И главный вопрос, на который нет ответа: с какого процесса вообще начинать.

Вторая. Финансы срезали бюджет и просят экономию по функции. Автоматизация — очевидный ответ. Но чем доказать, что она окупится, а не станет ещё одной статьёй расходов? Цифр нет. Есть ощущение, что «где-то тут много ручного труда».

В обоих случаях не хватает одного и того же: способа понять, где применить и во сколько это обойдётся. Не стратегии цифровой трансформации. Не дорожной карты на три года. Одной страницы с расчётом, которую можно защищать, потому что вы понимаете каждую цифру в ней.

Такая страница собирается за 15 минут и состоит из трёх шагов:

1. Разложить процесс на шаги. По каждому: что на входе, что на выходе, кто делает, какой объём, какие исключения.

2. Прогнать через фильтр из четырёх вопросов — стоит ли этот процесс вообще трогать. Для части процессов правильный ответ «нет», и обоснованный отказ от автоматизации это тоже результат.

3. Посчитать окупаемость на уровне порядков. Что высвобождаем против того, что тратим. Не до копейки — вопрос не «сколько ровно», а «окупается или нет».

Покажу все три шага на одном живом примере — обработке входящих документов. Этот процесс есть и в урегулировании, и в андеррайтинге, и в продажах.

Бесплатно, 1-1,5 часа. Без вендоров и без обещаний внедрить ИИ за месяц.

Регистрация: datadriven-course.com/webinar
(Не открывается в Apple Safari, любые другие браузеры)


Два важных момента для тех, кто зарегистрировался:

1️⃣ Ссылка изменилась. Регистраций оказалось больше, чем я ожидала, — перешла на площадку без ограничения по числу участников.

Новая ссылка в почте

2️⃣ Проверьте папку «Спам». Письма с сайта могли попасть туда — если не видели подтверждения, ищите там.

Сапожник без сапог

В среду на вебинаре я рассказывала, почему ИИ-агенту нужна точка контроля: он выполняет цепочку шагов, ошибётся на втором — уверенно продолжит на третьем, и никто не заметит.

А после обнаружила, что запись не сохранилась. Разбор получился показательный, поэтому рассказываю — и заодно предупреждаю всех, кто проводит встречи в Яндекс.Телемосте.

Что произошло. Я вела запись «на компьютер». Через час с лишним меня выбило из встречи — пропал интернет. Я перезашла, увидела, что запись не идёт, и нажала «Записать». Была уверена, что продолжаю ту же запись.

А запись началась новая — поверх старой. Полтора часа эфира не сохранились. Это подтвердила служба поддержки Яндекса.

Как правильно, если вас выбило из встречи:
Не спешите включать запись заново — до повторного входа на встречу нажмите «Сохранить запись». Так сохранится тот кусок, который успел записаться до обрыва.

А лучше всего — включайте сразу две записи: на Яндекс.Диск и на компьютер.

Управленческая мораль, которая мне же и пригодится.

Процесс сломался как по учебнику:
✔️не было дублирования (одна точка отказа),
✔️не было проверки состояния (полтора часа я была уверена, что запись идёт),
✔️не было контроля на выходе (убедиться можно было только в конце, когда уже поздно).

Три вопроса, которые стоит задавать к автоматизации любого процесса — оказалось, полезно задать их и к своему.


Спасибо всем, кто был: почти 40 человек в будний вечер провели полтора часа за разбором страховых процессов. Для узкой отраслевой темы это много — и лучший аргумент, что тема нужна.🩶

2 сентября планирую второй открытый вебинар — для тех, кто не смог быть, и с новым ракурсом для тех, кто был. Анонс с деталями на днях.

Data Driven Management

Вашу страховую премию до сих пор считает математика конца девяностых


В конце 1990-х тарификация массовых видов перешла на GLM, обобщённые линейные модели. Если по-простому: программа берёт статистику убытков и считает, насколько каждый фактор влияет на риск. Пол, возраст, стаж вождения, регион, семейное положение. На выходе — коэффициент по каждому фактору, за которым видна статистика.

С тех пор прошло почти тридцать лет и появился ML. Важно понимать: новой математики он не принёс. GLM, градиентный бустинг, нейросеть — всё стоит на одной теории вероятностей и статистике. Отличаются гибкостью. GLM требует заранее задать форму зависимости, ML подбирает её сам и вытягивает взаимодействия признаков, которые человек мог пропустить.

Вот только это преимущество раскрывается на широком пространстве признаков. ML для того и придуман — перебирать сотни переменных и находить тонкие сочетания. Когда десяток факторов по отдельности выглядят безобидно, а вместе дают всплеск убыточности.

А подаём мы в него пол, возраст, стаж, регион, семейное положение. Те же пять полей, из которых очевидные зависимости актуарии выжали руками ещё двадцать лет назад. Модель добросовестно находит ровно то, что уже известно, и… обходится дороже.


Настоящее узкое место лежит в стороне от моделей.

У большинства компаний нет единого хранилища данных. Статистика по ДМС в одной системе, розничные полисы в другой, история платежей в третьей, поведение на сайте вообще нигде. Клиент в этих системах не сшит одним ключом. Внешние источники не подключены, обогащения нет.

И нет витрины признаков — той самой feature store, где на каждого клиента лежат готовые двести переменных: как часто он менял условия, сколько раз звонил перед покупкой, как быстро платит, что делал в приложении. Их надо считать, обновлять и хранить в одном месте, чтобы модель могла их взять.

Пока этого нет, смена алгоритма меняет мало. Вы ставите более мощный мотор в машину, к которой не подведено топливо.



Вопрос, который стоит задать до выбора ML-модели: сколько признаков на одного клиента мы реально можем подать ей завтра? Если ответ «пять» — проект не про модель, он про данные.

P.S. Модель — это последние десять процентов работы. Остальные девяносто называются скучным словом «подготовка данных», не выглядят инновацией и не звучат на конференциях. Поэтому продают всегда первые десять.

Data Driven Management

Я выложила один из своих вебинаров в открытый доступ. Целиком.


У меня есть убеждение, которое я много раз проверила на себе как покупатель: прежде чем что-то продавать, покажи, что ты умеешь. Не пообещай — покажи. Дай человеку пользу до того, как он заплатил хоть рубль, и пусть он сам решит, нужно ли ему больше.


Так работают лучшие люди в продукте и обучении, у которых я сама училась: они легко отдают ценное открыто.

Это честная сделка: я показываю, как я думаю, — вы решаете, со мной ли вам по пути.

В страховании так почти никто не делает. Лекции такого уровня живут в закрытых форматах: компании и конференции платят за них деньги, записи наружу не выходят, знание оседает внутри.

Что ж — буду первой. И хочу, чтобы в нашей отрасли это стало нормой.


Держите: 57 минут о том, какие пять инструментов называют «ИИ», где каждый из них ломается, и как за вечер посчитать, окупится ли автоматизация:
— пять инструментов и «где ломается первым» у каждого;
— лестница нормализации грязных данных: почему программный робот идёт последним, а не первым;
— живой расчёт: 4 200 операций в месяц → 2 млн ₽ экономии в год, окупаемость 10 месяцев;
— семь флагов «в этот проект не идти», проверьте их до похода за бюджетом.

▶️ ВКонтакте: https://vkvideo.ru/video-238221011_456239023

▶️ YouTube: https://youtu.be/3XUNW1ML3AI?si=VrZYKk__pb6A1jKP

Калькулятор из лекции — Excel с формулами и всеми флагами — пришлю на почту, напишите мне в комментарии.


И да, 8 сентября стартует мой курс, где мы будем препарировать все
эти шаги и инструменты уже на ваших процессах.

Приходите: datadriven-course.com

Одна ячейка, которая хоронит хорошие проекты


Быстрая проверка, 30 секунд.

Когда вы считаете экономию от автоматизации, во сколько вы оцениваете час сотрудника?

Большинство делит оклад на рабочие часы: 95 000 ₽ ÷ 160 ≈ 600 ₽.

Это ошибка. Компания платит за этот час не 600 ₽ — сверху страховые взносы и рабочее место: техника, лицензии, аренда. Полная цена часа считается как оклад × 1,5 ÷ 160. Те же 95 000 ₽ дают уже 900 ₽.

Что это меняет: экономия в вашем расчёте занижена в полтора раза. Проект, который реально окупается за год, в вашей таблице окупается за полтора-два — и не проходит защиту. Вы сами топите свои инициативы. Из скромности.



Это одна строка из расчёта окупаемости. На курсе мы собираем такой расчёт целиком — на вашем процессе, с флагами и подводными камнями, до вида, который можно нести руководству.


Будут записи всех встреч + домашка и тренажеры онлайн, которые можно делать в ЛК в удобное время, в среднем 2 часа домашка, 2 часа вебинар. Плюс чат вопросы-ответы. 16-20 часов за 4 недели.

Вдруг вы очень хотели, но тянули, но хотели, но тянули😀 Приходите — будет интересно и нескучно!


Записаться: datadriven-course.com/enroll

Привет, друзья! ☕️

Совсем забыла вас пригласить 🙈

Если у меня тут есть представители страхователей, сегодня открытый вебинар моих партнеров - Высшей школы страхования (ранее - страховой университет ВСК). Тема - корпоративный ДМС. Мы с Иваном Тереховым будем рассказывать изнанку андеррайтинга ДМС. Присоединяйтесь по ссылке!

Информация о вебинаре:
 
Дата: 08.09.2026
Время: 11:00-14:00
Формат: онлайн
Площадка: Высшая школа страхования и ВСК Университет
Ссылка: https://x0o1klnb.ktalk.ru/e61jq6uvcg5s
 
Тайминг:
11:00-12:00
Корпоративное страхование персонала для руководителя 
Спикер: Иван Терехов
Постановка целей и целевых параметров проекта
Грейдирование программ и персонификация
Структура, наполнение и принципы работы программ страхования персонала
Программа страхования и социальный пакет, кафетерий льгот
Практика 


12:00-14:00
Корпоративное страхование персонала для руководителя: андеррайтинг, цифровизация и приоритеты
Спикер: Анна Муковозова
Приоритеты 
Андеррайтинг личных видов страхования для руководителя
Разработка программ страхования персонала, согласование ключевых параметров
Программы управления здоровьем, дэшборды, личные кабинеты 
Практические рекомендации руководителям-страхователям

☕️ Телематика снижает убыточность. Или не снижает — и по вашим данным этого не понять.

Смотрите. Полисы с телематикой (датчиком, который собирает данные вождения) показывают результат лучше обычных. Напрашивается вывод: устройство дисциплинирует, надо ставить всем.

А есть второе объяснение, ровно такое же правдоподобное. Телематику ставят те, кто и без неё ездил аккуратно. Им просто предложили скидку за то, что они и так делают. Устройство ничего не изменило, оно сработало фильтром и отобрало осторожных.

Разница между этими объяснениями — деньги. Если верно первое, программу надо раскатывать на весь портфель. Если второе, при массовом внедрении эффект растворится: аккуратные закончатся, а телематику начнут брать все подряд ради скидки.

Неприятное в том, что из накопленной статистики отличить одно от другого нельзя.

Аккуратность водителя вы не измеряете, такого поля в системе нет. А она влияет сразу на две вещи: и на решение поставить устройство, и на убыточность. Это называется скрытый конфаундер — общая причина, стоящая за обеими переменными.


На такое обычно отвечают «дайте больше данных». Со статистической погрешностью это работает: растёт выборка — сужается доверительный интервал, мы все это усвоили на первом курсе. Но смещение от неучтённого фактора с ростом выборки не уменьшается вообще. Никогда. Миллион полисов вместо ста тысяч просто даст более узкий интервал вокруг неверного числа.

Чистый ответ даёт только эксперимент: предложить телематику случайной подвыборке, а не тем, кто сам захотел. Дольше и сложнее, зато точнее по результату.


Рабочая привычка отсюда такая:
Увидели в отчёте «клиенты с Х показывают результат лучше»? Спросите себя: Х это причина или фильтр? Кто выбирает Х, и не выбирают ли его те, у кого результат был бы лучше и без всякого Х.


В общем, если вы еще не окончательно запутались во всех этих иксах:

Про это и про то, почему ML-модели в андеррайтинге находят очевидное, написала большую статью на Хабр. Там про GLM, про data lake и витрину признаков, и про каузальные модели.

🔗 https://habr.com/ru/articles/1080354/

Подписывайтесь:
Telegram • MAX • Сайт

☕️ Пятничное, короткое

В моей визитке когда-то стояло «начальник андеррайтинга». Слово солидное, хотя переводится буквально: «тот, кто подписался снизу».

Лондон, 1686 год. Эдвард Ллойд держит кофейню на Тауэр-стрит. Публика — моряки, купцы, судовладельцы, и ходят они туда не за кофе, а за новостями: кто вышел в море, кто вернулся, где штормит.

Купцу нужно застраховать рейс. Он пишет на листке судно, груз, маршрут и оставляет листок на столе. Кто готов взять часть риска — ставит своё имя под описанием и указывает долю.

Подписался под риском — отвечаешь по нему. Under + write.

Из этих столиков выросла вся отрасль. Lloyd's of London начинался как кофейня.

P.S. Так что чашечка кофе ☕️ в начале каждого поста — не привычка, а отраслевая традиция. Ей триста сорок лет. 🙃

Подписывайтесь:
Telegram • MAX • Сайт

📌 Data Driven — термин,
который пришел из программирования, буквально означает «основанный на данных». Решение, принятое по результатам анализа.

А анализ бывает четырёх видов:
▫️ описательный — что произошло
▫️ диагностический — почему произошло
▫️ предиктивный — что произойдёт дальше
▫️ прескриптивный — что с этим делать

Большинство корпоративных отчётов застревают на первом. Потенциал в четвёртом.

Я тут почти год писала про прикладную аналитику, автоматизацию и процессы. А потом применила анализ к самому каналу (топ пересылаемых сообщений).

Результат меня развеселил.
Вы — аналитики, руководители, страховщики. А уносите бытовое: ипотеку, налог на вклады, задачки с собеседований.


Что уносили чаще всего
• Ипотека или вклад: как принять решение на данных
• Задачки на смекалку, которые я давала на собеседованиях вместо технических вопросов
• Налог на вклады: почему шестнадцать процентов превращаются в четырнадцать с половиной
• Manus: нейросеть, которая сделает презентацию за вас
• Средняя зарплата 160 тысяч, а вы получаете 100? Добро пожаловать в статистику

А это про аналитическое
• Расчёт окупаемости автоматизации, который помещается на одну страницу
• Product Owner: спаситель процессов или лишняя штатная единица
• Как читать графики: навык, который не купишь вместе с Power BI
• Как ставить задачу аналитикам, чтобы получить ответ, а не отчёт
• Мой вебинар целиком, в открытом доступе: пять инструментов, которые называют «ИИ», и где каждый ломается

То, что у аналитиков тоже есть ипотека и вклады, — это хорошо. А то, что заодно репостите и рабочее, — ещё лучше.

Кстати, меня зовут Анна Муковозова. Эксперт по Data Science, автор курсов для страховщиков, в прошлом начальник управления личного страхования в СОГАЗе и начальник андеррайтинга и аналитики в Ингосстрахе. Здесь — про то, где в процессах цифры работают, а где просто красиво стоят на витрине.


Подписывайтесь:
Telegram • MAX • Сайт

Машина, которой не приказывали


1972 год, Массачусетский технологический институт. Джек Деннис описывает вычислительную машину, у которой нет порядка действий.

В обычном компьютере есть счётчик команд. Программист написал: сначала это, потом то, потом третье. Процессор идёт по списку сверху вниз. Порядком распоряжается управление — control-driven.

Деннис предложил: пусть программа будет не списком, а графом: узлы — операции, рёбра — данные между ними. И операция срабатывает не тогда, когда до неё дошла очередь, а тогда, когда пришли все её входные данные.

Вот это и назвали data-driven.


Что из этого получалось

Возьмём выражение (a + b) × (c + d).

Обычный процессор посчитает первую скобку, потом вторую, потом перемножит. Хотя скобки друг от друга не зависят вообще никак.
Машина потока данных увидит, что все четыре числа на месте, и посчитает обе скобки одновременно.


Почему вы про это не слышали

Железо не взлетело. Накладные расходы на синхронизацию съели весь выигрыш, а массовые процессоры пошли другим путём: научились переставлять инструкции внутри себя. К середине восьмидесятых исследования затухли.

А слово осталось и разбрелось по смежным смыслам.

Data-driven управление

В 2011 году термин доехал до бизнеса. Бриньольфсон, Хитт и Ким сравнили 179 крупных компаний и показали, что те, кто принимает решения по данным, продуктивнее на 5–6%.

После этой работы data-driven поселился в стратегиях, вакансиях и презентациях для правления.

Ирония, которую стоит оценить

В управленческом смысле «data-driven» сегодня значит примерно «мы посмотрели в отчёт, прежде чем решить». Это довольно слабая версия исходной мысли.

Истинный Data-driven — это когда решение возникает из данных само.

А современную интерпретацию правильнее называть не data-driven, а data-informed. 🙃



Подписывайтесь:
Telegram • MAX • Сайт

☕️ Вчера выступала на форуме по ДМС. Доклад назывался «ИИ в ДМС: что работает, что не взлетает и почему».

В зале сидели и страховщики, и страхователи, а я собиралась рассказывать в том числе про то, где ИИ в ДМС не окупается. Обычно на конференциях про технологии слышать хотят совсем другое.

Оказалось, что и такое очень даже хотят. Вместо 30 минут выступала 45 и ко мне подходили ещё в перерывах с вопросами.

Поэтому решила закрепить и разобрать все как следует ещё раз, уже спокойно и в формате открытого вебинара.

Открытая встреча 23 сентября, 19:00 МСК

«ИИ в ДМС: что работает, что не взлетает и почему». Онлайн, около полутора часов.

Как приземлить пять инструментов на процессы ДМС
Семь этапов жизненного цикла договора, от котировки до пролонгации. Разберём, какой из пяти классов инструментов применим, что он там может делать и где решение нельзя отдавать машине.

Почему ML-тарификация упирается в потолок

Градиентный бустинг на тех же пятнадцати признаках, что были в GLM, даёт единицы процентов. Разберу, где лежит настоящий резерв в тарификации ДМС и почему добраться до него можно только в проекте, который к искусственному интеллекту отношения почти не имеет.

Подводные камни антифрод-моделей

Пять типов потерь в реестрах от клиник и почему их видно только в связях. И чего в компаниях обычно нет, без чего модель просто не обучится.

Почему розничное ДМС проигрывает коммерческой медицине

Откуда взялся разрыв выручки в 30 раз, при чём тут антиселекция и универсальный полис на пяти параметрах. Поговорим про физиков отдельно.

Что можно делать уже сегодня

Четыре задачи без бюджета, без проекта и без единого персонального данного.

На форуме многое пришлось проскочить. Здесь будет время и на разборы, и на ваши вопросы.

Регистрация: datadriven-course.com/webinar

(В Apple Safari может не открываться, используйте другие браузеры)


🩶 Тем, кто был вчера в зале: логика та же, но подробнее, с примерами и без спешки.
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

☕️Автор вашего дашборда

Столбчатую и линейную диаграмму придумал шотландец Уильям Плейфер в 1786 году. Круговую — в 1801-м.

Всё, из чего сегодня собирают отчётность, нарисовал один человек.
Послужной список у него был широкий: инженер, банкир, земельный спекулянт, памфлетист, шантажист.

В 1793-м он предложил британскому правительству напечатать сто миллионов фальшивых французских ассигнаций и распустить их по Франции. Сколько из этого исполнили — спорят до сих пор. Но к 1795-му ассигнация превратилась в бумагу.


Человек, который научил нас показывать цифры наглядно, лучше всех понимал, что с цифрами можно сделать.🙃