Используя машинное обучение и методы цифровой обработки текста, Swiss Re смогла создать «прогнозирующее представление» о развитии частоты убытков в автостраховании на нескольких рынках. Эти альтернативные подходы могут обеспечить дополнительные преимущества на основе детализации существующих данных.
«Мы намеревались разработать альтернативу традиционным методам актуарных расчетов, которые дадут нам «внешнюю перспективу» в отношении частоты претензий в нашем портфеле моторных рисков и позволят нам прогнозировать изменения частоты на нескольких рынках моторного страхования», - сказал Никита Куксин, руководитель отдела моделирования в отделе исследований и разработок Swiss Re Institute.
Сурбхи Гупта, помощник вице-президента отдела исследований и разработок в Swiss Re, которая до своей нынешней должности проработала в течение трех лет в качестве специалиста по обработке данных, объяснила, как эти методы были реализованы. Сначала проверялся статус-кво изменений частоты по внешним данным, а затем объяснялась частота убытков в моторном страховании с использованием внешних данных для создания факторов, которые можно было бы спроецировать на будущее.
«Это сложные задачи, требующие надежных наборов данных и надежной аналитики», - пояснила Гупта. «Мы достигли наших целей, используя установленные алгоритмы машинного обучения, которые были новаторски применены нашей опытной командой с использованием правильных данных».
Команда начала с анализа частоты претензий в портфеле моторного страхования Swiss Re в США.
Имея базу данных Национальной администрации безопасности дорожного движения (NHTSA), они могли полагаться на набор данных, содержащий подробную информацию о каждой аварии в США, создавая полную картину за более чем 30 лет.
«Описательная информация в базе данных NHTSA доступна в текстовой форме или в виде «неструктурированных данных», если использовать жаргон машинного обучения», - пояснила Мириам Хук, вице-президент по глобальным клиентам Swiss Re.
Первоначально был использован процесс интеллектуального анализа текста, чтобы «прочитать» эти данные, чтобы их можно было использовать в числовом контексте.
Было обнаружено, что данные NHTSA показывают, что примерно 85% убытков по страхованию автогражданской ответственности связаны с тремя общими сценарными группами, одна из которых - «аварии при повороте».
«Мы также выявили сильные региональные различия в частоте претензий в США и, в свою очередь, могли скорректировать наши модели ценообразования, чтобы учесть это для более детального анализа», - добавила Гупта. «Эта оценка дала нам внешний ориентир, чтобы понять, верны ли наши собственные ценовые предположения.
«Мы включили эту информацию в нашу стратегию перестрахования моторных классов, что позволило нам, в частности, использовать вышеуказанные результаты для улучшения допущений о частоте, которые мы используем в наших моделях».
Чтобы проанализировать будущую частоту претензий, команда стремилась разработать прогнозную картину будущей частоты претензий по страхованию транспортных средств от убытков третьей стороне на различных рынках Европы, Ближнего Востока и Африки, Германии, Великобритании и Франции, чтобы улучшить управление портфелем Swiss Re и подтвердить существующие прогнозы.
«Мы снова использовали алгоритмы машинного обучения и внешние данные, чтобы дополнить наши традиционные подходы к моделированию для этого анализа: ключом к нашему подходу было определение (внешних) данных / факторов, которые влияют на ценность, которую мы пытаемся установить, в данном случае частота заявлений в автостраховании», - сказала Хук, которая вместе с двумя своими коллегами разработала несколько сценариев использования для клиентов в результате этой работы.
Чтобы найти эти факторы, команда изучила ряд различных наборов данных, от экономических показателей до данных об инфраструктуре, погодных условиях и т. д., чтобы установить, действительно ли эти параметры сами по себе или в сочетании существенно объясняют изменения частоты претензий в моторном страховании, как это воспринимается на любом рынке моторного страхования.
«Например, в Германии мы выявили четыре фактора, которые существенно влияют на частоту претензий. Одним из таких факторов являются региональные инвестиции в инфраструктуру, скорее всего, из-за того, что улучшение дорожных условий положительно влияет на количество аварий и, следовательно, на частоту претензий».
В конечном итоге объединение четырех факторов в обобщенной линейной модели позволило Swiss Re составить достаточно точную картину частоты исторических претензий.
«Мы протестировали модель на более длительных исторических отрезках времени и достигли хороших результатов. Основываясь на сочетании лучших факторов, мы смоделировали изменение частоты с течением времени в серии прогнозов на один шаг вперед.
«Хотя эти первоначальные результаты еще не идеальны, они позволили нам правильно спрогнозировать изменение частоты всех направленных претензий на год вперед».
Никита Куксин добавил, что, если Swiss Re сможет теперь спрогнозировать эти четыре ключевых фактора на следующие несколько лет (в основном на основе внешних данных), она сможет определить ожидаемую частоту будущих претензий в секторе автогражданской ответственности.
«Две упомянутые области применения иллюстрируют, как альтернативные методы моделирования, такие как машинное обучение, могут быть использованы в автомобильном секторе», - заключил Куксин.
«Подобные вопросы могут возникнуть и в других отраслях страхования. Новые технические возможности для анализа данных позволяют с относительно небольшими усилиями создавать сопоставимые модели или проверять допущения, которые можно использовать в дополнение к традиционным актуарным моделям.
Swiss Re считает, что эта стратегия предлагает большой потенциал для улучшения моделей, используемых в процессе андеррайтинга для рисков или портфелей.
Подготовлено порталом Allinsurance.kz