Sigortacılıkta veri analitiği ve raporlama mimarisi nasıl kurulur?

Sigorta veri analitiği, poliçe, hasar, tahsilat, acente ve müşteri verilerini tek bir güvenilir modelde birleştirerek fiyatlama, kârlılık, satış ve yasal raporlama kararlarını veriye dayandırmak demektir. Sigorta şirketleri doğası gereği veri üreten kurumlardır; ancak bu veri çoğu zaman farklı sistemlere dağılmış, farklı tanımlarla tutulmuş ve raporlama ekiplerinin elle birleştirdiği tablolara sıkışmıştır.

Bu rehberde sigortacılıkta veri analitiğinin kaynaklarını, raporlama mimarisinin katmanlarını, veri ambarı ile veri gölü arasındaki farkı, temel göstergeleri ve bir analitik platformun adım adım nasıl kurulacağını ele alıyoruz.

Sigorta şirketinde analitik veri hangi kaynaklardan gelir?

Analitik verinin çekirdeği poliçe ve hasar sistemleridir; bunları tahsilat, muhasebe, kanal ve dış kaynak verileri tamamlar. Mimari tasarıma başlamadan önce bu kaynakların envanterini çıkarmak gerekir.

• Poliçe yönetim sistemi (Policy Administration System, PAS): Teklif, poliçe, zeyil, teminat, prim ve iptal kayıtları.
• Hasar yönetim sistemi: İhbar, dosya, rezerv, ödeme, rücu ve eksper verileri.
• Tahsilat ve muhasebe: Taksit, ödeme kanalı, gecikme, komisyon ve genel muhasebe kayıtları.
• Kanal sistemleri: Acente portalı, bankasürans, web ve mobil satış kanallarından gelen teklif ve dönüşüm verisi.
• Reasürans sistemi: Anlaşma, devir ve reasürör payı bilgileri.
• Dış kaynaklar: SBM ve TRAMER kaynaklı sorgu sonuçları, adres ve bölge verisi, doğal afet risk haritaları gibi referans veriler.
• Etkileşim verisi: Çağrı merkezi, şikâyet kayıtları, web ve mobil kullanım olayları.

Bu kaynakların her birinin kendi müşteri numarası, ürün kodu ve tarih mantığı vardır. Analitiğin asıl zorluğu da buradadır: aynı müşteriyi, aynı ürünü ve aynı dönemi bütün sistemlerde aynı şekilde tanımlamak.

Sigorta raporlama mimarisi hangi katmanlardan oluşur?

Modern bir sigorta raporlama mimarisi; veri alımı, depolama, dönüştürme, semantik katman ve sunum olmak üzere beş katmandan oluşur. Her katmanın sorumluluğu net ayrıldığında hem performans hem de güvenilirlik artar.

Veri alımı (ingestion)

Kaynak sistemlerdeki veri; toplu aktarım (batch), değişen veriyi yakalama (Change Data Capture, CDC) veya olay akışı (event streaming) yöntemleriyle alınır. Günlük yönetim raporları için gece çalışan toplu aktarım yeterli olabilirken, satış kanalı izleme veya dolandırıcılık uyarıları için yakın gerçek zamanlı akış gerekir.

Depolama

Ham veri önce değiştirilmeden saklanır, ardından temizlenmiş ve iş modeline göre düzenlenmiş katmanlara taşınır. Bu yaklaşım sıklıkla bronz, gümüş ve altın katman olarak adlandırılır: ham, temizlenmiş ve raporlamaya hazır.

Dönüştürme ve veri modeli

Sigorta verisi için en yaygın model, olgu (fact) ve boyut (dimension) tablolarından oluşan boyutsal modeldir. Tipik olgular poliçe primi, hasar ödemesi, rezerv hareketi ve tahsilattır; boyutlar ise ürün, teminat, kanal, acente, bölge, müşteri ve zamandır. Sigortaya özgü kritik nokta tarih boyutudur: tanzim tarihi, başlangıç tarihi, hasar tarihi, ihbar tarihi ve ödeme tarihi farklı analizler için farklı anlam taşır.

Semantik katman

Semantik katman, "kazanılmış prim", "hasar/prim oranı" veya "yenileme oranı" gibi metriklerin tek bir yerde, tek bir formülle tanımlandığı katmandır. Bu katman olmadığında her departman aynı metriği farklı hesaplar ve yönetim toplantıları rakamların doğruluğunu tartışmakla geçer.

Sunum

İş zekâsı (Business Intelligence, BI) panoları, düzenli raporlar, self servis analiz araçları ve veri bilimi ekiplerinin kullandığı çalışma ortamları bu katmandadır.

Veri ambarı, veri gölü ve lakehouse arasındaki fark nedir?

Veri ambarı yapılandırılmış ve modellenmiş veriyle raporlamaya, veri gölü ham ve çeşitli veriyle keşfe ve makine öğrenmesine, lakehouse ise ikisini tek platformda birleştirmeye odaklanır. Seçim; veri çeşitliliğine, ekip yetkinliğine ve bulut stratejisine bağlıdır.

Türkiye'deki sigorta şirketlerinde sık görülen tablo, yıllardır çalışan ilişkisel bir veri ambarının yanına hasar fotoğrafları, belgeler ve etkileşim verisi için bir veri gölü eklenmesidir. Bulut tabanlı çözümler değerlendirilirken kişisel verinin nerede tutulacağı ve yurt dışı aktarım koşulları da mimari kararın parçasıdır; bu konuyu sigorta şirketleri için bulut dönüşümü yazımızda ayrıntılandırdık.

Sigorta veri analitiğinde hangi göstergeler izlenir?

Sigorta analitiğinin temel göstergeleri kârlılık, büyüme, operasyon ve müşteri başlıkları altında toplanır. Göstergelerin değeri, formüllerinin bütün şirkette aynı olmasına bağlıdır.

• Hasar/prim oranı (loss ratio): Gerçekleşen hasarın kazanılmış prime oranı; ürün ve kanal kârlılığının temel göstergesi.
• Birleşik oran (combined ratio): Hasar, gider ve komisyon toplamının kazanılmış prime oranı.
• Kazanılmış ve yazılan prim: Dönemsel üretim ile döneme düşen gelir arasındaki fark; tahakkuk mantığının doğru kurulmasını gerektirir.
• Yenileme (retention) oranı: Vadesi gelen poliçelerden yenilenenlerin payı.
• Teklif-poliçe dönüşüm oranı: Kanal ve ürün bazında satış verimliliği.
• Hasar dosya süresi: İhbardan kapanışa geçen süre ve açık dosya yaşlandırması.
• Tahsilat performansı: Gecikmeli taksit oranı ve prim alacak yaşlandırması.
• Müşteri şikâyet ve memnuniyet göstergeleri: Kanal ve süreç bazında.

Aktüeryal analizler (rezerv hesaplamaları, gerçekleşmiş ancak rapor edilmemiş hasarlar için IBNR tahminleri, hasar gelişim üçgenleri) aynı veri platformundan beslenmelidir. Muhasebe tarafında IFRS 17 standardı, sözleşme grupları bazında ayrıntılı nakit akışı ve kârlılık verisi gerektirdiği için veri mimarisi üzerindeki etkisi büyüktür; bunu IFRS 17 ve sigorta yazılımı rehberinde ayrıca ele alıyoruz.

Veri kalitesi ve yönetişim neden kritiktir?

Analitik çıktıların güvenilirliği, veri kalitesinden ve verinin kimin sorumluluğunda olduğunun netliğinden daha iyi olamaz. Yönetişimi olmayan bir veri platformu, pahalı ama güvenilmeyen bir rapor fabrikasına dönüşür.

Sağlam bir veri yönetişimi (data governance) şu unsurları içerir:

• Veri sahipliği: Poliçe verisinin sahibi üretim, hasar verisinin sahibi hasar birimidir; teknik ekip değil.
• İş sözlüğü: Metriklerin, ürün kodlarının ve durum değerlerinin yazılı tanımları.
• Ana veri yönetimi (Master Data Management, MDM): Müşteri, acente ve ürün için tek ve tutarlı kayıt.
• Veri kalitesi kuralları: Boş kimlik numarası, geçersiz plaka, başlangıcı bitişinden sonra olan poliçe gibi kontrollerin otomatik çalışması ve raporlanması.
• Veri kökeni (data lineage): Bir rapordaki sayının hangi kaynaktan, hangi dönüşümle geldiğinin izlenebilmesi.
• Erişim ve maskeleme: Kimlik numarası, sağlık bilgisi gibi alanların rol bazlı erişimle korunması ve analiz ortamlarında maskelenmesi.

Eski sistemlerden taşınan tarihsel veride kalite sorunları özellikle belirgindir. Migrasyon projeleri analitik platform için de temizlik fırsatıdır; bu süreci sigorta veri migrasyonu rehberimizde anlattık.

Sigorta analitik platformu adım adım nasıl kurulur?

Analitik platform, bütün veriyi bir anda taşımaya çalışarak değil, yüksek değerli bir iş sorusundan başlayarak ve her adımda güven inşa ederek kurulur.

1. İş sorularını belirleyin: Yönetimin en sık sorduğu ve en çok tartışılan beş on soruyu listeleyin (ör. "Hangi kanal ve ürün kombinasyonu zarar ediyor?").
2. Metrik sözlüğünü yazın: Bu soruları yanıtlayan metriklerin formüllerini iş birimleriyle birlikte netleştirin.
3. Kaynak envanteri çıkarın: Her metrik için gereken tabloları, alanları ve sistemleri eşleştirin.
4. Hedef mimariyi seçin: Veri ambarı, veri gölü veya lakehouse kararını veri çeşitliliği, bütçe ve veri yerelliği koşullarına göre verin.
5. İlk veri alanını modelleyin: Genellikle poliçe ve prim verisiyle başlamak, ardından hasar verisini eklemek en yönetilebilir sıradır.
6. Kalite kurallarını devreye alın: Veri yüklenirken kontrolleri çalıştırın ve hataları kaynak sistem sahiplerine raporlayın.
7. Mutabakat yapın: Platformdaki prim ve hasar toplamlarını muhasebe kayıtlarıyla karşılaştırın; tutmayan rapor yayına alınmamalıdır.
8. Panoları yayınlayın: Önce sınırlı bir kullanıcı grubuyla başlayın, geri bildirimle iyileştirin.
9. Genişletin: Tahsilat, kanal, reasürans ve etkileşim verisini sırayla ekleyin; ileri analitik ve makine öğrenmesi kullanım senaryolarını bu sağlam temelin üzerine kurun.

Güvenilir bir analitik temel; fiyatlama, müşteri segmentasyonu ve sigorta dolandırıcılığı tespiti gibi ileri kullanım alanlarının da ön koşuludur.

Analitik projesi için kontrol listesi

• Metriklerin formülleri yazılı ve iş birimlerince onaylı mı?
• Her veri alanının bir iş sahibi var mı?
• Tarih mantığı (tanzim, başlangıç, hasar, ihbar, ödeme) raporlarda doğru ayrışıyor mu?
• Platform toplamları muhasebe ile düzenli mutabık ediliyor mu?
• Kişisel veriler analiz ortamlarında maskeli ve rol bazlı erişimle korunuyor mu?
• Veri kökeni izlenebiliyor mu?
• Veri kalitesi hataları kaynak sistemde düzeltiliyor mu, yoksa yalnızca raporda mı yamanıyor?
• Yasal ve yönetim raporları aynı veri kaynağından besleniyor mu?

ProdayTech olarak sigorta projelerinde analitik mimariyi, poliçe ve hasar sistemlerinin veri modeliyle birlikte tasarlamayı öneriyoruz; raporlama sonradan eklenen bir katman olarak düşünüldüğünde tanım farkları kalıcılaşıyor. Mimari ve veri modeli desteği için hizmetlerimize göz atabilirsiniz.