Data Sapience: только полезное и ничего лишнего
Раз в две недели — только ценная аналитика.
Самые важные и интересные новости в одном письме.
Самые важные и интересные новости в одном письме.
Нажмите «принять», если вы соглашаетесь с условиями обработки куки‑файлов/cookie-файлов и данных о поведении на сайте, нужных нам для аналитики. Запретить обработку куки‑файлов/cookie-файлов можно через браузер
СК «Гелиос» внедрила интеллектуальную систему принятия решений для автострахования на базе продукта TALYS.SDE вендора Data Sapience совместно с GlowByte
08.07.2026
Ключевым результатом проекта стала возможность настраивать и запускать стратегии приема на страхование за часы вместо месяцев.
Страховая компания «Гелиос» совместно с интегратором GlowByte завершила внедрение интеллектуальной системы принятия решений для андеррайтинга КАСКО и ОСАГО на базе продукта TALYS.SDE вендора Data Sapience. Параллельно запускается модель машинного обучения (ML) для персональной тарификации ОСАГО, учитывающая всю доступную информацию по клиенту и автомобилю. Проект заложил технологический фундамент для кратного роста бизнеса страховщика и стал одним из первых в сегменте небольших страховых компаний, где система принятия решений промышленного класса внедрена в полном объеме. Для клиентов «Гелиос» это означает более быстрое рассмотрение заявок, гибкий и персонализированный подход к расчету стоимости полиса.
До старта проекта внесение изменений в процесс андеррайтинга в «Гелиос» занимал значительное время. Принятие решения по входящей заявке было непрозрачным. Для тарификации ОСАГО не использовались модели машинного обучения (ML), позволяющие учитывать индивидуальный профиль клиента и автомобиля. Любые изменения в логике приема на страхование требовали длительных итераций с участием ИТ-команды.
В ходе проекта команда GlowByte внедрила продукт TALYS.SDE вендора Data Sapience, который позволяет без привлечения ИТ-специалистов настраивать процесс принятия решений по входящему потоку заявок на автострахование. Бизнес-пользователи получили возможность самостоятельно формировать и запускать стратегии андеррайтинга в едином интерфейсе. Параллельно была разработана и протестирована модель машинного обучения (ML) для тарификации ОСАГО на Python: в отличие от табличного подхода, модель анализирует весь доступный массив данных по клиенту и автомобилю и формирует персональный тариф, точнее отражающий реальный уровень риска.
Это позволяет предлагать клиентам справедливую стоимость страхования: аккуратные водители и автомобили с низким уровнем риска получают точную индивидуальную оценку, а компания быстрее принимает решение по заявке.
В результате процесс андеррайтинга стал более прозрачным, управляемым и технологичным. Изменения в логике приема на страхование, которые раньше занимали недели и месяцы, теперь реализуются за часы без привлечения разработчиков. Кроме того, компания начала использовать персональный подход к тарификации в отдельных сегментах, что повышает точность оценки риска и конкурентоспособность продуктов компании.
В перспективе планируется масштабирование инструментов на другие виды страхования: имущество, ипотека и т.д. Кроме того, предусмотрено расширение числа моделей машинного обучения (ML) для повышения конверсии и улучшения работы с оттоком клиентов.
До старта проекта внесение изменений в процесс андеррайтинга в «Гелиос» занимал значительное время. Принятие решения по входящей заявке было непрозрачным. Для тарификации ОСАГО не использовались модели машинного обучения (ML), позволяющие учитывать индивидуальный профиль клиента и автомобиля. Любые изменения в логике приема на страхование требовали длительных итераций с участием ИТ-команды.
В ходе проекта команда GlowByte внедрила продукт TALYS.SDE вендора Data Sapience, который позволяет без привлечения ИТ-специалистов настраивать процесс принятия решений по входящему потоку заявок на автострахование. Бизнес-пользователи получили возможность самостоятельно формировать и запускать стратегии андеррайтинга в едином интерфейсе. Параллельно была разработана и протестирована модель машинного обучения (ML) для тарификации ОСАГО на Python: в отличие от табличного подхода, модель анализирует весь доступный массив данных по клиенту и автомобилю и формирует персональный тариф, точнее отражающий реальный уровень риска.
Это позволяет предлагать клиентам справедливую стоимость страхования: аккуратные водители и автомобили с низким уровнем риска получают точную индивидуальную оценку, а компания быстрее принимает решение по заявке.
В результате процесс андеррайтинга стал более прозрачным, управляемым и технологичным. Изменения в логике приема на страхование, которые раньше занимали недели и месяцы, теперь реализуются за часы без привлечения разработчиков. Кроме того, компания начала использовать персональный подход к тарификации в отдельных сегментах, что повышает точность оценки риска и конкурентоспособность продуктов компании.
В перспективе планируется масштабирование инструментов на другие виды страхования: имущество, ипотека и т.д. Кроме того, предусмотрено расширение числа моделей машинного обучения (ML) для повышения конверсии и улучшения работы с оттоком клиентов.
“
Внедрение системы принятия решений — это не просто автоматизация процесса. Прежде всего, это инвестиция в качество клиентского сервиса. Это переход к управляемой, прозрачной и масштабируемой логике андеррайтинга, где каждое решение можно объяснить, изменить и проверить. Для нас это фундамент для роста: теперь мы можем запускать новые стратегии в разы быстрее и точнее реагировать на изменения рынка.
“
TALYS.SDE создавался как инструмент, который возвращает контроль над бизнес-логикой в руки бизнеса, ломая барьер в виде программирования и длинных циклов разработки. Проект в «Гелиос» это подтвердил: платформа адаптируется под реальные процессы страховщика и масштабируется вместе с его амбициями. Переход на TALYS.SDE — это именно тот технологический задел, который позволяет небольшой компании конкурировать с лидерами рынка.
“
Особенность этого проекта в том, что мы решали сразу две задачи: автоматизировали процесс принятия решений и дополнили классическую тарификацию персонализированной моделью машинного обучения (ML). Теперь в компании развернут полноценный интеллектуальный контур андеррайтинга, где для решения используется вся доступная информация, а процесс становится прозрачным и управляемым . Крупные страховщики инвестируют в системы принятия решений уже несколько лет. «Гелиос» доказал, что небольшая компания способна быстро и качественно выстроить андеррайтинг того же технологического уровня. Такой подход меняет расстановку сил на рынке автострахования.
Вам может быть интересно
Новости