[보험사를 위한 AWS Data Analytics Day] 2_금융의 핵심자산 Data, 글로벌 보험사 활용 트렌드 및 사례_Jongho Lee.pdf

보험사를 위한 AWS DATA ANALYTICS DAY
FINANCIAL SERVICES |
© 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark.
금융의 핵심자산 Data,
글로벌 보험사 활용 트렌드 및 사례
이종호
Korea FSI 보험사업개발 담당

ISP/EA
이종호, Insurance Specialist
2
2000 2010 2020 2023
Process
Innovation
Biz.
IT
전략
IT
구현
차세대 보험코어
ERP, IFRS17
ERP
ERP
Digital
전략
Analytic
Platform

핵심자산 데이터의 가치

데이터는 기업의 가치창출과 경쟁력을 형성하는 핵심자산
4
한정된 공급
특정 소수에 의해 통제
거래를 통해 가치 증가
사용할 수록 자원 감소
무한한 공급
모두가 시장 참여자
공유를 통해 가치 증가
사용할 수록 자원 증가
Vs.

이젠, 데이터 증가에 못지 않게 유형도 중요합니다
5
5 13
26
64
123
221
-
50
100
150
200
250
2011 2014 2017 2020 2023 2026
데이터 생성 규모 (ZB)
1. Worldwide IDC Global DataSphere Forecast, 2022–2026 , https://www.idc.com/research/viewtoc.jsp?containerId=US49018922
데이터 생성 규모는
2.5년마다 약 2배씩 증가
IoT데이터가 생성될
데이터의 약 20% 차지
정형정보
37%
이미지
29%
IoT
11%
로그
11%
소셜미디어
9%
음성
3%
정형정보
29%
이미지
23%
IoT
19%
로그
16%
소셜미디어
11%
음성
2%
2022 2026
데이터 유형별 생성 유형 (%)

모빌리티 시장의 성장이 IoT 데이터의 증가를 견인
자 동 차 를 넘 어 다 양 한 이 동 수 단 과 사 물 의 이 동 분 야 까 지 확 장
6
90.1%
9.9%
59.9%
40.1
0.9X
6X
2.8 3.8
1.4X
ACES 시장
전통시장
전체 시장규모
자동차 산업 시장규모 (USD, trillion)
2020 2030
ACES(자율, 연결, 전동, 공유)1 시장은
2030년까지 6배 성장2
1. ACES : Autonomous(자율), Connected(연결), Electric(전동), Shared(공유)
2. World report series 2023 Property and Casualty Insurance Capgemini, https://prod.ucwe.capgemini.com/wp-content/uploads/2023/04/WPCIR_2023_web.pdf
실시간 성, 연계 데이터의
종합적 분석 역량이 중요
위험식별
보장대상
보장범위
개인 상해, 배상
개인
자산 (신체, 재산)
개인 상해/배상
알고리즘 배상
사이버보안
개인
OEMs
Fleets
자산 (신체,재산)
이동 여정

금융사는 분석 플랫폼에 집중, 활용 및 관리로 확장 고려 중
7
채널, 27%
데이터, 21%
컨트롤타워,
16%
신사업,
12%
기타, 11%
헬스케어,
7%
IFRS17, 4% 보험코어,
2%
AI/ML, MLOps 플랫폼
마이데이터 플랫폼
데이터관리 플랫폼
59%
24%
12%
AICC
Open API
디지털채널 앱
23%
14%
14%
채널 Top 3 워크로드
데이터 Top 3 워크로드
국내 금융사 클라우드 도입현황
* Source : AWS 금융사업부
내부자료 (2022)

데이터 분석 활용 트랜드

보험사는 전 Value Chain에 걸쳐 AI/ML을 활용
9
클레임
간편한 보험금 청구 및
보험사기 위험 탐지
신계약
데이터 기반 Risk 측정 및
개별화된 가격 제시
고객 서비스
자동화 된 고객 서비스 및
일관된 고객 경험 제공
고객접촉
고객 정보를 활용한
보험상품 추천
분석 및 AI/ML 서비스의 지속적 확대 적용
이러한 진화의 과정에서, 보험사는 현재의 “감지 및 조치”에서 “예측 및 방지”의
역할변화를 시도할 것이며, 이는 보험산업의 모든 프로세스를 혁신할 것이다.
“
”
– McKinsey & Company

판단의 업무에 ML을 업무 자동화에 DL을 활용
10
Artificial intelligence (AI)
컴퓨터가 로직을 사용하여 인간의 지능을 모방할 수 있도록 하는 모든 기술
Machine learning (ML)
기계학습을 통해 데이터의 패턴을 찾아내어 모델(프로그램)을 자동으로 구축하는 기술
활용 예: 신계약 자동심사, 사고보험금 자동심사, 보험사기 탐지, 계약해지 예측 등
Deep learning (DL)
음성, 이미지 인식과 같은 작업을 수행하는 신경망 형태로 모델을 구축하는 기술
활용 예: 신계약 서류 전자문서화, 자동사 사고 분석, 컨텍센터 음성 봇 등
Generative AI
대규모 데이터 셋으로 사전 훈련된 거대 모델 (Foundation Models)에 의해 작동
활용 예: 컨택센터 콜요약, 심사, 클레임 Q&A, 고객용 맞춤형 컨텐츠 제작 등

ML 활용: 보험사기탐지
11
Amazon
SageMaker
Amazon S3
AWS
Lambda
Amazon API
Gateway
Amazon Kinesis Model deployment:
SageMaker endpoint
Data analytics (machine learning)
Amazon S3에 저장된 데이터는
ML 보험사기 모델을 훈련하는 데 사용,
새 ML 모델이 Amazon SageMaker 운영에
배포되고 룰 엔진과 상호 작용
실시간 보험사기 탐지
소스 시스템으로 수백 밀리초 이내에 응답을 제공
계약 시스템
Data 수집
사용자 화면에서 데이터 수집, 서버리스 함수를
사용하여 보험사기 모델에 판단 요청

생성형 AI 활용: Q&A 챗봇
12
활용 시나리오
1. 사용자는 Amazon Lex 챗봇(App)을 통해 질의
2. Amazon Lex는 LangChain 오케스트레이터 호출
3. Amazon Kendra를 통해 검색결과(구문) 추출
4. 검색 결과와 질의와 프롬프트를 LLM에 제공
5. LLM은 요청을 처리하고 답변을 반환
6. Amazon Lex 챗봇을 통해 사용자에게 답변 제공
VPC
AWS Cloud
Amazon
S3
Langchain
Lambda
Orchestrator
Amazon
Lex
sync
Amazon
Kendra
금융문서,
법률 문서
관련 구문
질의+ 관련구문 + 프롬프트
LLM응답
사용자
1
2
3
4
5
6
Large Language
Model
6
* Source : https://aws.amazon.com/blogs/machine-learning/quickly-build-high-accuracy-generative-ai-applications-on-enterprise-data-using-amazon-kendra-langchain-and-large-language-models/

AI/ML 비즈니스 활용 사례

AXA의 IoT 정보를 활용한 UBI 사례
14
2015년 TEX1 V1 AWS서비스 개시
• Amazon EC2, Elastic Load Balance의 최소한의 AWS 서비스 사용
• 데이터분석, 모니터링, 배포 등은 오픈소스를 직접 설치
서비스 운영의 복잡성 증가
• 어플리케이션의 변경에 따른 배포의 복잡성 증가 및 지연 발생
• 보안 이슈로 인한 IPSec 사용에 따른 AWS 플랫폼과 연동 어려움
비즈니스 확장에 따른 대응 역량 확보 필요
• 유럽시장으로 서비스 확대 추진
• 어플리케이션 개발에 집중, 시스템 관리 최소화
1. Telematics Exchange Service

Serverless 아키텍처로 전환을 통해 문제 해결
15
Messaging /
event
streaming
ESBs
Amazon MSK Kinesis Amazon SQS / SNS
Kafka on
Amazon EC2
Compute Virtual
machine Amazon EC2 Elastic Beanstalk Lambda
Fargate
On-premises
Less
More
Relational
database
PostgreSQL PostgreSQL on
Amazon EC2
Amazon RDS Aurora Aurora Serverless
DynamoDB
MongoDB MongoDB on
Amazon EC2 Amazon
DocumentDB
Document-
oriented
database
TEX v1 TEX v2
Cloud - IaaS Cloud - Serverless

개인별 차별화된 보험료 및 서비스 제공
16
맞춤형 보험료 제공
ü 모든 운전자의 운행 정보 분석을 통해 최대 50% 할인 제시
ü 운전자 단위가 아닌 차량별 보험료 산정
사고감지, 차량정비 안내 등 서비스 제공
ü 운전자 운행 기록 및 안전운전 준수 피드백 실시간 제공
ü 차량 센싱 정보를 기반으로 사고감지, 차량정비 안내 등
고객 편의 서비스 확대 운행기록(점수) 세부기록(점수)
안정적이고 탄력적인 서비스 제공
ü 유럽 5개국, 4만명 이상 고객에게 서비스 제공
ü 일 6만건 이상의 차량 운행정보 처리

Lessons Learned
17
Aurora Serverless도 VPC configuration 필요
Kinesis shards and Aurora 도 매뉴얼 튜닝 작업 필요
Serverless도 Config 필요
Amazon RDS 대비 Aurora Serverless의 기능 차이
Kinesis는 사용하지 않아도 과금
기술적 성숙도 고려
로직, 아키텍처에 결함이 있을 경우 과다하게 확장되어 비용이
과다 발생될 수 있음-알람과 제한 설정 필요
오토 스케일 통제
전체 서버리스 환경이 항상 가능하지 않음
하이브리드 접근방식을 염두에 두고 IaC을 활용하여 통합 고려
하이브리드 아키텍처 채택

Root, 스마트 폰을 활용한 UBI 상품 판매
18
52%
47초
75%
까지 보험료 할인
내 보험가입 완료
의 계약이 모바일로 가입
정교한 데이터 식별모델 운영
스마트 폰에서 전송된 정보로 차량이동/타 운송수단 이동,
운전/동승의 판단으로 보험료 산정 정보만 추출
SageMaker를 사용하여 머신러닝 모델 적용
위험율에 따른 가격산출, 휴대폰에서 전송된 운행정보를
기반으로 운전습관을 분석하는 등의 기계학습 수행

AXA, AI/ML을 활용하여 전체 클레임 경험을 혁신
19
고객경험 단순화 및 운영효율 개선
• 규제, 보안, 레거시의 기술부채로 인한 클레임 처리의 개선 한계
• Accenture와 협업을 통해 9개월에 걸쳐 클라우드 아키텍처로 전환
• AWS로 마이그와 함께 새로운 기능과 자동화된 워크플로 추가
클라우드를 활용한 클레임 전 프로세스의 재설계
• 고객과 클레임담당의 정보 접근을 단순화하고 전체 경험을 재설계
• AXA는 Amazon SageMaker, Amazon API Gateway 및 AWS
Lambda의 AWS 서비스 활용
1. Telematics Exchange Service
Featuring AWS Financial
Services partner

고객 경험을 단순화하고 운영효율을 가속화
20
고객 포털
컨택센터
클레임 접수
API G/W
자연어 처리
영상/이미지 처리
스토리지
M/L
고객안내
정보 가공 고객 안내
40% 이상의 클레임이
디지털로 사고접수(FNOL)
및 보험금 지급 요청
클레임 청구건의 90%이상이
4시간 이내 고객에게 안내,
이중 40%는 즉시 발송
전체 청구건의 20%는 심사자
심사건으로 STP를 통해 처리,
사기 적발률과 회수율 2% 향상
AI/ML powered benefits
AI 상담
고객
100개 이상의 API를
통해 클레임 등록 및
결제시간 단축

© 2023, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 21
MOST OF THE CEOS I TALK TO
REGULARLY ARE FOCUSED ON
TRANSFORMING THEIR ORGS, AND
PART OF THAT DISCUSSION IS HOW
TO PUT DATA AT THE CENTER OF
DECISION-MAKING.
Adam Selipsky
CEO, AWS
“
”

Thank you!
이종호
jongho@amazon.com

[보험사를 위한 AWS Data Analytics Day] 2_금융의 핵심자산 Data, 글로벌 보험사 활용 트렌드 및 사례_Jongho Lee.pdf

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to [보험사를 위한 AWS Data Analytics Day] 2_금융의 핵심자산 Data, 글로벌 보험사 활용 트렌드 및 사례_Jongho Lee.pdf

Similar to [보험사를 위한 AWS Data Analytics Day] 2_금융의 핵심자산 Data, 글로벌 보험사 활용 트렌드 및 사례_Jongho Lee.pdf (20)

More from AWS Korea 금융산업팀

More from AWS Korea 금융산업팀 (16)

[보험사를 위한 AWS Data Analytics Day] 2_금융의 핵심자산 Data, 글로벌 보험사 활용 트렌드 및 사례_Jongho Lee.pdf