Blog
Hoeveel risk appetite heb jij?
Blog
Hoeveel risk appetite heb jij?
Risk appetite geeft aan hoeveel risico’s je bereid bent aan te gaan bij het realiseren van je doelstellingen. Bij een verzekeraar wordt een hoge risk appetite vaak onterecht samen gezien met een hoge automatiseringsgraad. Een hogere automatiseringsgraad, wanneer je meer besluiten/acceptaties/uitbetalingen geautomatiseerd afhandelt, geeft het beeld van een hogere risk appetite en kan zorgen voor een gevoel van onzekerheid, terwijl dat eigenlijk niet terecht is. Je kiest er voor om bepaalde zaken niet handmatig te controleren en uiteindelijk bespaar je daarmee kosten en worden beslissingen voorspelbaarder.
Wat is risk appetite?
Bij risk appetite is er een balans tussen efficiency en controle. Stel je kunt € 50,- per dossier besparen, terwijl er tegelijkertijd een kans is dat er voor € 20,- wordt gefraudeerd, dan heb je nog steeds € 30,- netto besparing. Toch zijn verzekeraars er niet happig op om die € 30,- besparing te realiseren. Het zit in de aard dat we niet willen dat iemand fraudeert. Dat vinden we vaak belangrijker dan maximaal rendement. Niet rationeel, maar wel logisch vanuit het oogpunt van de verzekeraar. Stel dat een verzekeraar het durft om fraudebestrijding rationeel te bekijken en maximaal op kostenbesparing gaat sturen, is dat een duurzame oplossing?
Zo simpel is het niet. Op de korte termijn zal de mate van fraude op een gelijk niveau blijven en zijn de kosten door minder controle lager. Maar na een tijdje laten modellen zien dat op plekken waar frauderen eenvoudiger is door automatische controle, de hoeveelheid fraude toeneemt. Waar de bovengrens ligt is onduidelijk. Er zijn geen modellen in de praktijk goed getoetst, want geen enkele organisatie laat het zover komen dat we kunnen zien waar de toename van fraude stopt. Moeten we dan concluderen dat fraudebestrijding niet rendabel kan worden? Het antwoord is nee. We kunnen fraudebestrijding wel degelijk rendabel krijgen, alleen dit vergt effort en een goed uitgewerkt risicobeleid.
Risicobereidheid
Risico’s automatiseren is voor verzekeraars een lastige kwestie, want dat zit niet in het DNA van een verzekeraar. Het bestaansrecht van een verzekeraar is het zichtbaar uitsluiten van risico’s. Daarbij past geen hoge mate van automatisering. Toch willen verzekeraars hun automatiseringsgraad verhogen, als er een goede balans is tussen maatregelen, cijfers én inzicht in de gevolgen van maatregelen. Volledig in control zijn over de situatie aan de hand van cijfers en bij kunnen sturen wanneer hier om wordt gevraagd, is het optimum. Er bestaat geen model om de ideale automatiseringsgraad te bepalen. Als je in jouw organisatie streeft naar een hoge automatiseringsgraad, maar tegelijkertijd is er een lage risk appetite, dan botst dat met elkaar. Je risk appetite moet ondersteunend zijn aan automatiseringsgraad en andersom. Hoe je op dat ideale snijpunt komt, moet je uitvinden in de praktijk. Aan welke set van kennisregels ga je draaien zodat je als bedrijf de risico’s automatiseert die je wil automatiseren?
Corona casus
Denk maar eens terug aan de corona-maatregelen, dat ging ook om risk appetite. Leggen we de hele economie plat met een lockdown of accepteren we dat er meer mensen ziek worden? In hoeverre draagt een avondklok bij aan lager risico en is dat genoeg? Aan het begin van de coronacrisis had het kabinet nog niet veel parameters/cijfers om maatregelen te bepalen. Er werd op basis van ziekhuisopnames uiteindelijk besloten tot een (intelligente) lockdown, de zwaarste maatregel. Gedurende de crisis kwamen er meer parameters beschikbaar, zoals meting van het rioolwater, testresultaten, effecten van vakanties, thuiswerken, etc. Deze nieuwe parameters gaven de mogelijkheid een model te creëren: gaat het beter met besmettingscijfers en ziekenhuisopnames, dan laten we de teugels vieren, gaat het slechter met die cijfers, dan gaan we in een lockdown. Oftewel: koppel signaalwaarden aan maatregelen en neem beslissingen op basis van de waarden die je meet. En verfijn dit model met technieken en patronen, zodat de voorspellingen beter worden en de maatregelen maximaal rendabel worden ingezet.
Feiten in plaats van onderbuikgevoel
Het zwart-witte antwoord op jouw ideale snijpunt hebben wij niet, omdat dat niet bestaat. Wat wij adviseren is om het model te creëren, te implementeren en te testen. Inventariseer wat in jouw bedrijf de plekken zijn waar je routinematig, op basis van kennisregels, beslissingen zou kunnen nemen. Maak hier een model voor en maak het effect meetbaar. Daarbij kun je de eerste periode schaduwdraaien door de beslissingen alsnog te nemen op de plek waar dat tot nu toe ook gebeurt. Na verloop van tijd kun je de genomen beslissingen naast het model leggen en kijken wat de uitkomst hiervan is. Zo krijg je inzicht in welk effect de geautomatiseerde beslissingen hebben. Stel je hebt 100 handmatige uitkeringen gedaan, en daarnaast 100 geautomatiseerde beslissingen mee laten draaien. Dan hadden de geautomatiseerde processen je XX bespaard in personeelskosten en hoe verhoudt zich dat tot het uitgekeerde bedrag? Door de modellen te maken en ze overal in je organisatie op te starten, zie je op een gegeven moment wat dit je op kan leveren. Er ontstaat een besturingsmechanisme.
Het uiteindelijke resultaat is inzicht in hoe je met beslisregels je risico’s kan accepteren. Je maakt meetbaar wat er in je bedrijf gebeurt door automatisering, waardoor je kunt rationaliseren welke risico’s je wel of niet wilt nemen. Op basis van cijfers in plaats van op basis van een onderbuik gevoel.
In onze volgende blog nemen we jullie mee in een praktijkvoorbeeld waar we samen met een klant een tot een geaccepteerd model zijn gekomen die veel handmatige handelingen automatiseert.
Acumen realiseert procesoptimalisatie bij verzekeraars. Voor de optimalisatie van operationele processen kijken wij hoe IT en kennistechnologie kan worden ingezet om een hogere kwaliteit van dienstverlening en een goed rendement te behalen.