☕️ 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
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
❤5
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.
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.
Datadriven-Course
Курс «Автоматизация и AI в страховых процессах»
Матрица применимости ИИ к вашим процессам — без хайпа и обещаний внедрения.
🔥3❤1
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
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
❤2
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥2
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
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
Telegram
Data Driven страхование • Муковозова
Блог Анны Муковозовой:
- ex-начальника Управления ЛС СОГАЗ,ex-начальника андеррайтинга в Ингосстрах
- эксперта Data Science
- автора курсов для страховщиков
datadriven-course.com
Помогаю руководителям и аналитикам принимать решения, основанные на данных
- ex-начальника Управления ЛС СОГАЗ,ex-начальника андеррайтинга в Ингосстрах
- эксперта Data Science
- автора курсов для страховщиков
datadriven-course.com
Помогаю руководителям и аналитикам принимать решения, основанные на данных
❤2
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
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
VK Видео
Пять инструментов, которые называют «ИИ» — и как посчитать, окупится ли автоматизация
«Внедрить ИИ» — не задача. Задача — это конкретный шаг конкретного процесса. И для соседних шагов одного процесса нужны разные инструменты. Выложила запись открытой лекции для руководителей страховых — 57 минут о том, какие пять инструментов называют «ИИ»…
❤3
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
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
Datadriven-Course
Курс «Автоматизация и AI в страховых процессах»
Матрица применимости ИИ к вашим процессам — без хайпа и обещаний внедрения.
👍2❤1🔥1
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
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
❤1
☕️ 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
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
🔥3❤1👏1
☕️ 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
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
Telegram
Data Driven страхование • Муковозова
Блог Анны Муковозовой:
- ex-начальника Управления ЛС СОГАЗ,ex-начальника андеррайтинга в Ингосстрах
- эксперта Data Science
- автора курсов для страховщиков
datadriven-course.com
Помогаю руководителям и аналитикам принимать решения, основанные на данных
- ex-начальника Управления ЛС СОГАЗ,ex-начальника андеррайтинга в Ингосстрах
- эксперта Data Science
- автора курсов для страховщиков
datadriven-course.com
Помогаю руководителям и аналитикам принимать решения, основанные на данных
❤4🥰1😁1
📌 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
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
Telegram
Data Driven Management
📊 Ипотека vs вклад: как принять решение на данных
Привет, друзья! ☕️
В предновогодней суете работа отходит на второй план, пожалуй, сегодня отклонимся от корпоративной аналитики. Принципы data-driven работают и для личных финансов. У многих из нас есть ипотечные…
Привет, друзья! ☕️
В предновогодней суете работа отходит на второй план, пожалуй, сегодня отклонимся от корпоративной аналитики. Принципы data-driven работают и для личных финансов. У многих из нас есть ипотечные…
❤2👍1
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
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
❤3
☕️ 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.
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
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.
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Datadriven-Course
Курс «Автоматизация и AI в страховых процессах»
Матрица применимости ИИ к вашим процессам — без хайпа и обещаний внедрения.
🔥3❤1
☕️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.🙃
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.🙃
❤2
☕️ Выложила запись открытой встречи 2 сентября, она называлась «Ложные кандидаты: процессы, которые выглядят идеальными для автоматизации».
Час с небольшим про то, почему первый бюджет на ИИ чаще всего уходит не туда.
Главный тезис: первый процесс выбирают не по размеру выгоды, а по вероятности успеха.
Что внутри:
▫️ 36 публичных внедрений российских страховщиков за четыре года и общая черта почти всех
▫️ Семь признаков ложного кандидата, каждый с примером
▫️ Где решение нельзя отдавать модели
▫️ Разбор трёх случаев из ДМС: симптом или причина
▫️ Четыре вопроса своей ИТ-команде вместо просьбы «установите нам ИИ»
▶️ YouTube: https://youtu.be/EcVE7-TK-6c
▶️ ВКонтакте: https://vkvideo.ru/video-238221011_456239025
В описании к обеим версиям разложены главы, так что можно смотреть кусками или сразу прыгнуть в нужное место.
Там же на сайте лежит сканер процессов: прогоняете свой процесс и скачиваете PDF с рекомендацией, какой класс инструмента ему подходит. Регистрироваться не нужно, ссылка: datadriven-course.com/scanner
🎦 А 23 сентября в 19:00 будет следующая встреча, уже про ДМС: тариф, счета от клиник, антифрод. Регистрация: datadriven-course.com/webinar
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Час с небольшим про то, почему первый бюджет на ИИ чаще всего уходит не туда.
Главный тезис: первый процесс выбирают не по размеру выгоды, а по вероятности успеха.
Что внутри:
▫️ 36 публичных внедрений российских страховщиков за четыре года и общая черта почти всех
▫️ Семь признаков ложного кандидата, каждый с примером
▫️ Где решение нельзя отдавать модели
▫️ Разбор трёх случаев из ДМС: симптом или причина
▫️ Четыре вопроса своей ИТ-команде вместо просьбы «установите нам ИИ»
▶️ YouTube: https://youtu.be/EcVE7-TK-6c
▶️ ВКонтакте: https://vkvideo.ru/video-238221011_456239025
В описании к обеим версиям разложены главы, так что можно смотреть кусками или сразу прыгнуть в нужное место.
Там же на сайте лежит сканер процессов: прогоняете свой процесс и скачиваете PDF с рекомендацией, какой класс инструмента ему подходит. Регистрироваться не нужно, ссылка: datadriven-course.com/scanner
🎦 А 23 сентября в 19:00 будет следующая встреча, уже про ДМС: тариф, счета от клиник, антифрод. Регистрация: datadriven-course.com/webinar
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
YouTube
Семь процессов, которые нельзя автоматизировать первыми
Первый бюджет на ИИ в страховой чаще всего уходит не туда. Инструмент тут обычно ни при чём. Всё решает то, какой процесс взяли первым.
Запись открытой встречи 2 сентября 2026 года. Разбираю семь типов процессов: с виду идеальные кандидаты на автоматизацию…
Запись открытой встречи 2 сентября 2026 года. Разбираю семь типов процессов: с виду идеальные кандидаты на автоматизацию…
🔥3
🤩 Пришла благодарность из ВСК Университета — за курс, который я читала для страхователей.
Курс был для меня непривычный. Двадцать лет я смотрела на страхование изнутри страховой компании, а тут в аудитории сидели люди с другой стороны стола — те, кто отвечает за страховую защиту в своей компании и страхование покупает.
И вот что выяснилось: раздражает обе стороны одно и то же.
В ДМС до сих пор огромный пласт ручной работы. Согласования, справки, гарантийные письма, проверка счетов от клиник. Страхователь видит это как «медленно и непонятно». Страховщик — как «дорого и не масштабируется».
Что здесь интересно с точки зрения автоматизации.
ДМС — вид с самым высоким потенциалом для ИИ среди всего страхования. Данные в основном неструктурированные: медицинские заключения, счета, назначения, переписка. Это ровно тот тип задач, где языковые модели сильны, и ровно то, что роботу по правилам не даётся.
И он же вид с самым высоким порогом входа. Медицинские данные — специальная категория персональных, облачные модели здесь отпадают почти сразу, и любой проект начинается с вопроса, который в других видах даже не возникает.
Получается разрыв: там, где больше всего можно выиграть, больше всего и ограничений. Поэтому в ДМС так много пилотов и так мало промышленных внедрений.
Сегодня как раз об этом и говорим.
Провожу вебинар про ИИ и автоматизацию в ДМС: в каких процессах это уже применяют, что показывает мировой опыт, почему часть проектов не взлетает и где реальный потенциал.
⏰ 19-00 МСК
🔗 Телемост
Подключайтесь. 🩶
Telegram • MAX • Сайт
Курс был для меня непривычный. Двадцать лет я смотрела на страхование изнутри страховой компании, а тут в аудитории сидели люди с другой стороны стола — те, кто отвечает за страховую защиту в своей компании и страхование покупает.
И вот что выяснилось: раздражает обе стороны одно и то же.
В ДМС до сих пор огромный пласт ручной работы. Согласования, справки, гарантийные письма, проверка счетов от клиник. Страхователь видит это как «медленно и непонятно». Страховщик — как «дорого и не масштабируется».
Что здесь интересно с точки зрения автоматизации.
ДМС — вид с самым высоким потенциалом для ИИ среди всего страхования. Данные в основном неструктурированные: медицинские заключения, счета, назначения, переписка. Это ровно тот тип задач, где языковые модели сильны, и ровно то, что роботу по правилам не даётся.
И он же вид с самым высоким порогом входа. Медицинские данные — специальная категория персональных, облачные модели здесь отпадают почти сразу, и любой проект начинается с вопроса, который в других видах даже не возникает.
Получается разрыв: там, где больше всего можно выиграть, больше всего и ограничений. Поэтому в ДМС так много пилотов и так мало промышленных внедрений.
Сегодня как раз об этом и говорим.
Провожу вебинар про ИИ и автоматизацию в ДМС: в каких процессах это уже применяют, что показывает мировой опыт, почему часть проектов не взлетает и где реальный потенциал.
⏰ 19-00 МСК
🔗 Телемост
Подключайтесь. 🩶
Telegram • MAX • Сайт
🔥3
Выложила вводное видео курса
Записывала его для участников потока, но решила выложить.
Коллеги интересуются, что за курс, и почти в каждом разговоре: непонятно, что там внутри.
Поэтому в ролике сам курс изнутри: личный кабинет, программа по неделям, домашние задания, тренажёры, артефакты и сканер процессов.
Первая часть про то, почему этот курс вообще появился.
Руководителю функции говорят «нам нужен ИИ, идите и внедряйте», а методологии, как выбрать процесс и подобрать под него инструмент, никто не даёт. Я сама еще недавно была в таком же положении и очень хорошо его понимаю.
Вторая часть про то, как устроен сканер: восемь функций страховой компании, 56 типовых процессов. Сканер спрашивает про объём, повторяемость, чистоту данных, исключения и цену ошибки, а на выходе собирает карту приоритетов для вашей функции.
▶️ Смотреть на YouTube
▶️ Смотреть во ВКонтакте
🔎 Сканер процессов, открыт всем и без регистрации: https://datadriven-course.com/scanner
Курс стартовал, участники вчера получили доступ в ЛК и приступили к тренажерам. Но первая онлайн-встреча 30 сентября, поэтому если хотите присоединиться к группе, можно успеть.
📅 Программа и условия: https://datadriven-course.com/program
(Не открывать в Safari)
Записывала его для участников потока, но решила выложить.
Коллеги интересуются, что за курс, и почти в каждом разговоре: непонятно, что там внутри.
Поэтому в ролике сам курс изнутри: личный кабинет, программа по неделям, домашние задания, тренажёры, артефакты и сканер процессов.
Первая часть про то, почему этот курс вообще появился.
Руководителю функции говорят «нам нужен ИИ, идите и внедряйте», а методологии, как выбрать процесс и подобрать под него инструмент, никто не даёт. Я сама еще недавно была в таком же положении и очень хорошо его понимаю.
Вторая часть про то, как устроен сканер: восемь функций страховой компании, 56 типовых процессов. Сканер спрашивает про объём, повторяемость, чистоту данных, исключения и цену ошибки, а на выходе собирает карту приоритетов для вашей функции.
▶️ Смотреть на YouTube
▶️ Смотреть во ВКонтакте
🔎 Сканер процессов, открыт всем и без регистрации: https://datadriven-course.com/scanner
Курс стартовал, участники вчера получили доступ в ЛК и приступили к тренажерам. Но первая онлайн-встреча 30 сентября, поэтому если хотите присоединиться к группе, можно успеть.
📅 Программа и условия: https://datadriven-course.com/program
(Не открывать в Safari)
Datadriven-Course
Курс «Автоматизация и AI в страховых процессах»
Матрица применимости ИИ к вашим процессам — без хайпа и обещаний внедрения.
👍3
☕️ Математически доказанная обида. Пятничное
У ваших друзей в среднем больше друзей, чем у вас. Почти у каждого человека. Это называется парадокс дружбы, его описал социолог Скотт Фельд в 1991 году.
Причина обидно проста: общительный человек попадает в тысячу списков друзей, а нелюдимый — в три. Поэтому в вашем окружении общительные представлены гуще, чем в реальности.
В цифрах одного исследования соцсетей: у среднего пользователя 42 друга, у среднего друга — 91.
Всё это путаное объяснение сводится к одному: если у всех вокруг больше друзей, чем у вас — это не вы непопулярный. Это выборка кривая. 🩶
Подписывайтесь:
Telegram • MAX • Сайт
У ваших друзей в среднем больше друзей, чем у вас. Почти у каждого человека. Это называется парадокс дружбы, его описал социолог Скотт Фельд в 1991 году.
Причина обидно проста: общительный человек попадает в тысячу списков друзей, а нелюдимый — в три. Поэтому в вашем окружении общительные представлены гуще, чем в реальности.
В цифрах одного исследования соцсетей: у среднего пользователя 42 друга, у среднего друга — 91.
Всё это путаное объяснение сводится к одному: если у всех вокруг больше друзей, чем у вас — это не вы непопулярный. Это выборка кривая. 🩶
Подписывайтесь:
Telegram • MAX • Сайт
❤1😁1
ИИ_в_ДМС_открытая_встреча_23_сентября_2026_v4.pdf
968.6 KB
☕️ «Нейросеть за десять минут собрала мне презентацию. Почему у нас полгода не могут автоматизировать проверку счетов?»
Этот вопрос среднему звену в ДМС прилетает сверху примерно раз в месяц. Я разобрала его на встрече 23 сентября, запись можно смотреть.
…
Две женщины, обеим по сорок, живут в одном районе и прикреплены к одним и тем же клиникам. Для андеррайтера ДМС сегодня это один и тот же риск.
Одна регулярно проверяет ферритин, ходит к психологу и советуется с нутрициологом. Вторая — многодетная работающая мама, у которой день расписан по минутам. Кто из них чаще окажется в поликлинике, вы уже поняли. А модель не поймёт: таких признаков у страховщика просто нет. Можно ли их собрать и что первично в аналитике: модель или датасет — один из вопросов вебинара.
Что ещё разбирали:
▫️ Согласование услуг обходится без нейросети
▫️ Антифрод упирается в разметку снятий
▫️ Мир строит агрегаторы счетов
▫️ Что не взлетело у зарубежных страховщиков
1 час 38 минут, разбито на главы. Можно смотреть кусочками, как сериал 🙃
▶️ YouTube: https://youtu.be/WO7k48G4YhQ
🔵 ВКонтакте: https://vkvideo.ru/video-238221011_456239027
Презентацию прикрепляю, 29 слайдов.
P.S. А вам какой вопрос про ИИ чаще всего задают сверху? Соберу самые частые в отдельный разбор. 🩶
Подписывайтесь:
Telegram • MAX • Сайт
Этот вопрос среднему звену в ДМС прилетает сверху примерно раз в месяц. Я разобрала его на встрече 23 сентября, запись можно смотреть.
…
Две женщины, обеим по сорок, живут в одном районе и прикреплены к одним и тем же клиникам. Для андеррайтера ДМС сегодня это один и тот же риск.
Одна регулярно проверяет ферритин, ходит к психологу и советуется с нутрициологом. Вторая — многодетная работающая мама, у которой день расписан по минутам. Кто из них чаще окажется в поликлинике, вы уже поняли. А модель не поймёт: таких признаков у страховщика просто нет. Можно ли их собрать и что первично в аналитике: модель или датасет — один из вопросов вебинара.
Что ещё разбирали:
▫️ Согласование услуг обходится без нейросети
▫️ Антифрод упирается в разметку снятий
▫️ Мир строит агрегаторы счетов
▫️ Что не взлетело у зарубежных страховщиков
1 час 38 минут, разбито на главы. Можно смотреть кусочками, как сериал 🙃
▶️ YouTube: https://youtu.be/WO7k48G4YhQ
🔵 ВКонтакте: https://vkvideo.ru/video-238221011_456239027
Презентацию прикрепляю, 29 слайдов.
P.S. А вам какой вопрос про ИИ чаще всего задают сверху? Соберу самые частые в отдельный разбор. 🩶
Подписывайтесь:
Telegram • MAX • Сайт
❤1🔥1