Willis Towers Watson выпустила обновленную версию своего программного обеспечения для ценообразования Radar. Radar 4.4 представляет новые функции безопасности, которые обеспечивают более сложный процесс управления, а также улучшения возможностей машинного обучения и оптимизации программного обеспечения.
«Страховщики находятся под постоянным давлением предоставления передовых технологий ценообразования только для того, чтобы сохранить рыночные позиции, но при этом обеспечение надлежащего управления остается критически важным», - сказал Колин Тауэрс, руководитель подразделения Radar в Willis Towers Watson.
«Этот последний релиз обеспечивает значительные аналитические улучшения, а также преимущества управления и безопасности, имеющие решающее значение для операционной эффективности, помогая страховщикам повысить скорость выхода на рынок и точность ценообразования», - добавил он.
«Риски, присущие бизнесу, использующему программное обеспечение с открытым исходным кодом для своих ключевых возможностей, могут быть значительными», - сказал Тауэрс.
«В дополнение к потенциальным рискам безопасности, компания также уязвима к решениям, которые не прозрачны и подвержены произвольным изменениям, которые могут оказать существенное влияние на способность вести бизнес. Сложное управление должно быть частью ДНК любого бизнеса, который хочет быть устойчивым и успешным в цифровом мире», - сказал он.
В Radar 4.4 реализованы новые детальные средства управления безопасностью, которые упрощают применение программного обеспечения для ценообразования, особенно при использовании в больших группах и организациях. Групповой контроль доступа позволяет, например, аналитическим и ценовым группам обеспечить надлежащее разделение работы, в то же время обеспечивая полную картину всего бизнеса, сказал Willis Towers Watson.
В сочетании с Radar Live это гарантирует, что организация может безопасно внедрять инновационные идеи из моделей машинного обучения на рынок в считанные минуты, продолжила компания.
Другие обновленные функции Radar включают в себя усовершенствование метода Elastic Net, инструмента машинного обучения, для обеспечения поиска гиперпараметров. Это упрощает процесс моделирования, давая возможность пользователям быстрее и проще оценивать, какие параметры включить в традиционный тарифный рейтинг, а также снижая чувствительность моделирования и риск, высвобождая ценные ресурсы, чтобы сосредоточиться на принятии быстрых и обоснованных ценовых решений.
Подготовлено порталом Allinsurance.kz