Используя машинное обучение и методы цифровой обработки текста, Swiss Re смогла создать «прогнозирующее представление» о развитии аварийности и частоты убытков моторных рисков на нескольких рынках.
В перестраховочной компании Swiss Re объяснили, как эти альтернативные подходы могут обеспечить дополнительную детальность существующих данных.
«Мы намеревались разработать альтернативу традиционным методам актуарных расчетов, которые дадут нам перспективу в отношении частоты страховых случаев в нашем портфеле автострахования и позволят нам прогнозировать изменения аварийности на нескольких рынках», - сообщили в группе моделирования и развития травм Swiss Re Institute.
Swiss Re удалось достичь целей, используя установленные алгоритмы машинного обучения, которые были новаторски применены опытной командой с использованием больших данных. Команда начала с анализа частоты претензий в автомобильном портфеле 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 терминологию машинного обучения.
Затем они использовали процесс интеллектуального анализа текста, чтобы «прочитать» эти данные для их дальнейшего использования в числовом контексте.
Данные NHTSA показывают, что примерно 85% убытков по страхованию автогражданской ответственности связаны с тремя общими сценарными группами, одна из которых - «аварии при повороте».
Перестраховщик также выявил сильные региональные различия в частоте убытков в США и, в свою очередь, могли бы скорректировать модели ценообразования, чтобы учесть это для более детального анализа. Эта оценка дала ориентир, чтобы понять, верны или нет страховые и перестраховочные тарифы.
«Мы включили эту информацию в нашу стратегию по автострахованию, что позволило нам, в частности, использовать результаты исследования для улучшения допущений о частоте и аварийности, которые мы используем в наших моделях», заявили в Swiss Re.
Чтобы проанализировать будущую частоту претензий, команда стремилась разработать прогнозную картину будущей частоты претензий по страхованию транспортных средств третьей стороной 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 по автострахованию».
Чтобы найти эти факторы, команда изучила ряд различных наборов данных, от экономических показателей до данных об инфраструктуре, погодных условиях, чтобы установить, действительно ли эти параметры сами по себе или в сочетании существенно объясняют изменения частоты двигателя.
«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 все же позволили нам правильно спрогнозировать изменение частоты всех направленных претензий на год вперед».
Если Swiss Re сможет теперь спрогнозировать эти четыре ключевых фактора на ближайшие несколько лет (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 секторе автострахования.
«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. | Фориншурер
