کالبد شکافی هشت لایه ابهام در مطالبات صنعت بیمه ایران / کوررنگی در مدیران

به گزارش ریسک نیوز به نقل از نشریه بیمه اری نوین، مطالبات معوق دقیقاً «جعبه سیاه» (Black Box) صنعت بیمه ایران است. این چالش ریشه در فقدان «حاکمیت داده» (Data Governance) و عدم یکپارچگی سیستم‌های اطلاعاتی (Core Insurance) با واقعیت‌های مالی دارد.

اگر بخواهیم این «چالش داده‌ای» را کالبدشکافی کنیم و ببینیم چرا شفافیت وجود ندارد و راهکار چیست، باید این 8 لایه ابهام را تحلیل کنیم:

۱. ابهام در «سن و وضعیت» (Ageing & Status)

• مشکل: سیستم‌های حسابداری بیمه در ایران اغلب «تعهدی» هستند اما لینک دقیقی با «ماژول صدور» ندارند. یعنی یک بیمه‌نامه صادر می‌شود و یک بدهی ثبت می‌شود، اما سیستم به درستی ردیابی نمی‌کند که آیا این قسط اول پرداخت شد؟ آیا قسط دوم ۳ ماه عقب افتاده یا ۶ ماه؟
• چالش داده: عدم وجود Aging Report (گزارش سنی مطالبات) لحظه‌ای. مدیر مالی نمی‌داند چند درصد از مطالباتش بالای ۱۸ ماه است (سوخت شده بالقوه) و چند درصد زیر ۳ ماه. همه در یک سرفصل کلی «بدهکاران حق بیمه» گم می‌شوند.

۲. ابهام در «هویت بدهکار» (Segmentation: Retail vs Corporate)

• مشکل: در کدینگ حسابداری سنتی، بدهی یک مشتری خرد (مثلاً بیمه بدنه پراید) با بدهی یک «بیمه‌گذار عمده» (مثلاً قرارداد درمان تکمیلی شرکت ایران‌خودرو) گاهی در سرفصل‌های مشابه می‌نشیند یا تفکیک درستی ندارد.
• چالش داده: نبود KYC مالی متصل به حسابداری. مدیر نمی‌داند ۱۰ میلیارد تومان بدهی، ناشی از ۱۰۰,۰۰۰ نفر آدم است (که وصولش سخت است) یا ناشی از ۲ شرکت بزرگ (که با یک جلسه قابل حل است).

۳. ابهام در «علت‌شناسی» (Root Cause Analysis)

• مشکل: سیستم نمی‌گوید «چرا» پول نیامده.
• آیا مشتری «نمی‌تواند» بدهد (Default ریسک اعتباری)؟
• آیا مشتری «نمی‌خواهد» بدهد (چون از سرویس خسارت ناراضی است و پول را گرو نگه داشته)؟
• آیا مشتری گردن‌کلفت است (قدرت چانه‌زنی دارد) و عمداً دیر می‌دهد تا مدیریت نقدینگی کند؟
• چالش داده: فقدان فیلد «Reason Code» در سیستم‌های پیگیری مطالبات.

۴. ابهام در «محل رسوب» (Channel Conflict)

• مشکل: این شاید بزرگترین حفره باشد. پول کجاست؟
• دست نماینده است؟ (نماینده پول را از مشتری گرفته اما به حساب شرکت واریز نکرده تا سودش را ببرد).
• دست کارگزار/استارتاپ است؟ (تسویه‌های دوره‌ای دارند و پول را نگه داشته‌اند).
• دست خود مشتری است؟
• چالش داده: عدم شفافیت در «تسهیم» (Reconciliation). وقتی پولی واریز می‌شود، سیستم گاهی نمی‌تواند تشخیص دهد این پول مربوط به کدام بیمه‌نامه و کدام کانال فروش بوده است.

۵. ابهام در «عملکرد مدیران» (Performance Attribution)

• مشکل: تفکیک مدیران «فروش‌محور» (که فقط صدور می‌کنند تا پاداش بگیرند) از مدیران «سودمحور» دشوار است.
• چالش داده: گزارش‌ها معمولاً بر اساس «حق بیمه صادره» (Written Premium) است نه «حق بیمه وصول شده» (Earned/Collected Premium). این باعث می‌شود مدیری که قراردادهای زیان‌ده یا غیرقابل وصول می‌بندد، تشویق شود و بحران به آینده منتقل شود. اگر دیتا شفاف بود، «نسبت وصول به صدور» هر مدیر شعبه مشخص می‌شد.

۶. ابهام ناشی از «فروش اقساطی مدرن» (BNPL Confusion)

• مشکل: ورود استارتاپ‌ها (ازکی، بیمه بازار و…) و مدل‌های BNPL (الان بخر، بعداً بپرداز) سیستم‌های سنتی بیمه را گیج کرده است.
• چالش داده:
• در دفاتر شرکت بیمه، آیا این باید به عنوان «نقد» ثبت شود (چون استارتاپ تضمین کرده) یا «قسطی»؟
• اگر استارتاپ پول را به صورت تجمعی (Batch) واریز کند، تطبیق آن با هزاران بیمه‌نامه صادر شده، یک کابوس عملیاتی است که باعث می‌شود حساب‌ها ماهیت نامشخص (Suspense Account) پیدا کنند.

۷. ابهام در «طرح‌های خاص» (Special Schemes)

• مشکل: طرح‌هایی مثل «مهر دانا» (وام بانکی برای خرید بیمه) پیچیدگی را دوچندان می‌کنند. اینجا پای بانک هم وسط است.
• چالش داده: آیا این بدهی مشتری است یا بدهی بانک به بیمه؟ اگر مشتری قسط وام بانک را ندهد، بانک پول را به بیمه نمی‌دهد؟ ردیابی این جریان پول در سیستم‌های فعلی (Core) اغلب دستی و با اکسل انجام می‌شود که منشأ خطای بزرگی است.

.8 مطالبات مربوط به کدام رشته است؟ (تفکیک سبد پرتفوی)

مشخص نبودن اینکه پول در کدام رشته گیر کرده، باعث تصمیم‌گیری‌های غلط استراتژیک می‌شود. هر رشته «پاتولوژی» (آسیب‌شناسی) مخصوص به خود را در مطالبات دارد:

الف) رشته ثالث (Third Party Liability) – «چاله سیاه اجباری»

• مشکل اصلی: همانطور که قبلاً اشاره شد، منع قانونی ابطال.
• تحلیل داده: اگر بخش عمده مطالبات شرکت در «ثالث» باشد، یعنی با بدهی‌های «سخت‌وصول» یا «غیرقابل وصول» طرف هستیم.
• چالش داده‌ای: سیستم‌ها اغلب تفکیک نمی‌کنند که این بدهی ثالث مربوط به:
• خودروهای شخصی است؟ (ریسک خرد و پراکنده – هزینه وصول بالا)
• یا ناوگان حمل‌ونقل عمومی/شرکتی؟ (ریسک متمرکز – قابل مذاکره)
• نکته: مدیران ضعیف معمولاً حجم بالای مطالبات ثالث را پشت «اجبار قانونی» پنهان می‌کنند، در حالی که بسیاری از آن‌ها ناشی از فروش اقساطی بی‌حساب و کتاب به نمایندگان است.

ب) رشته درمان (Health) – «اهرم فشار معکوس»

• مشکل اصلی: این رشته معمولاً B2B (قرارداد با سازمان‌ها) است.
• اهرم وصول: برعکس ثالث، اینجا شرکت بیمه قدرت دارد. اگر پول ندهند، پرداخت خسارت بیمارستان‌ها و کارمندان قطع می‌شود (Hold می‌شود).
• چالش داده‌ای:
• مغایرت‌گیری (Reconciliation): بزرگترین کابوس حسابداری. سازمان لیست حقوق و دستمزد را می‌دهد، بیمه صادر می‌کند، نفرات کم و زیاد می‌شوند (الحاقیه)، اما پول واریزی با لیست‌ها نمی‌خواند.
• مشخص نیست مانده بدهی ناشی از «عدم پرداخت» است یا ناشی از «تاخیر در صدور الحاقیه حذف و اضافه».

ج) رشته عمر و زندگی (Life) – «بدهی واقعی یا انصراف؟»

• مشکل اصلی: ماهیت بدهی در عمر با بقیه فرق دارد.
• تحلیل داده: اگر مشتری قسط بیمه عمر را ندهد، در واقع «بدهکار» نیست، بلکه قراردادش باید به سمت «بازخرید» (Surrender) یا «تعدیل سرمایه» (Paid-up) برود.
• چالش داده‌ای: سیستم‌های سنتی ایران، قسط عقب‌افتاده بیمه عمر را در کنار قسط عقب‌افتاده بیمه ثالث در سرفصل «بدهکاران» نشان می‌دهند! این «تورم کاذب دارایی» ایجاد می‌کند. در حالی که آن پول اصلاً قرار نیست بیاید و فقط باید ذخیره ریاضی بیمه‌نامه کاهش یابد. تفکیک نشدن این مورد، صورت‌های مالی را به شدت غیرواقعی (Overstated) می‌کند.

د) سایر رشته‌ها (بدنه، آتش‌سوزی، باربری، مهندسی) – «منطق تجاری»

• مشکل اصلی: اینجا منطق “Cash before Cover” (نقد قبل از پوشش) بیشتر حاکم است یا چک‌های تجاری معتبر رد و بدل می‌شود.
• تحلیل داده: وجود مطالبات سنگین در این بخش (مثلاً مهندسی یا آتش‌سوزی صنعتی) معمولاً نشانه «فساد» یا «تبانی» است. چون عرف این رشته‌ها نقد یا اقساط بسیار کوتاه مدت است. اگر دیتای شفاف نشان دهد که مطالبات در رشته «مهندسی» انباشت شده، باید فوراً سراغ مدیر آن رشته و نماینده مربوطه رفت.

چرا این «کوررنگی» در تشخیص رشته خطرناک است؟ (Cross-Subsidization)

خطرناک‌ترین اتفاق در شرکت‌های بیمه ایران «سوبسید دادن متقاطع پنهان» است:

1. شرکت جریان نقدینگی (Cash Flow) خوب را از فروش «بیمه عمر» یا «ثالث نقد» می‌گیرد.
2. این پول را خرج پرداخت خسارت یا پوشش مطالبات سوخت شده در «درمان» یا «ثالث قسطی» می‌کند.
3. چون در سیستم حسابداری و گزارش‌دهی، مطالبات تفکیک شده نیست، مدیرعامل متوجه نمی‌شود که رشته درمان دارد کل نقدینگی شرکت را می‌بلعد و به جای سود، فقط «طلب» (کاغذ) تولید می‌کند.

 راهکار چیست؟ (Data Analytics Solution)

برای حل این چالش، شرکت‌های بیمه نیاز به یک لایه «هوش تجاری وصول» (Collection Intelligence) دارند که بتواند به سوالات زیر پاسخ دهد (داشبوردی که الان وجود ندارد):

1. تفکیک سنی هوشمند: تبدیل لیست تخت بدهکاران به ماتریس (سن بدهی × نوع بدهکار).
2. امتیازدهی وصول (Recovery Score): استفاده از دیتا برای پیش‌بینی اینکه کدام بدهی با احتمال ۹۰٪ برمی‌گردد و کدام یک سوخت شده است (به جای حدس و گمان).
3. شفافیت کانال: مشخص شدن دقیق اینکه هر ریال بدهی، دقیقاً دست چه کسی (نماینده، استارتاپ، مشتری) گیر کرده است.

این همان جایی است که اگر شما در حال ارائه راهکار (مثل همان سند قبلی) به بانک یا بیمه هستید، می‌توانید روی «شفافیت داده‌های مالی» به عنوان یک ارزش افزوده کلیدی دست بگذارید.

 در نهایت شرکت با بحران نقدینگی مواجه می‌شود در حالی که در ترازنامه سودده نشان می‌دهد (سود کاغذی ناشی از مطالباتی که وصول نخواهند شد).