Qazanclar:
- Süni intellektin dəstəyi ilə zərərin tezliyi və zərərin miqdarı (ağırlığı), uyğun paylanmalar (Puason, mənfi binomial, qamma) və kompozit model məntiqi arasında fərq yaratmaq və şərh etmək bacarığı.
- Düzgün suallar və məlumatlarla süni intellektə son dərəcə böyük itkilərin çeşidlənməsi (həddən artıq itkilər/böyük itkilər), məlumatların məhdudlaşdırılması və trend/inkişaf korreksiyaları.
- Süni intellekt tərəfindən yaradılan paylama seçimi və parametrlərinin uyğunluq testləri və aktuar əsaslandırma ilə təsdiqləndiyini başa düşmək bacarığı.
Sığorta şirkəti üçün ən əsas sual budur: "Gələn il bu siyasət qrupu üçün nə qədər zərər ödəyəcəyik?" Bu suala düzgün cavab vermək həm mükafatın düzgün təyin edilməsi, həm də kifayət qədər ehtiyatların ayrılması üçün ilkin şərtdir. Aktuarilər bu sualı iki yerə bölməklə cavab verirlər; çünki bir parçada ümumi zərəri qiymətləndirmək əvəzinə iki ayrı davranışı ayrı-ayrılıqda modelləşdirmək daha doğrudur. Bu iki hissə tezlik və intensivlikdir.
Tezlik (zərərin tezliyi) hər bir məruz qalma zamanı nə qədər zərərin baş verməsidir; Məsələn, 100 nəqliyyat vasitəsi - ildə 8 qəza. Ciddilik hər bir dəymiş zərərin orta məbləğidir; məsələn, qəza başına 30.000 TL. İkisini vurmaq risk mükafatını verir: hər məruz qalma üçün gözlənilən zərər dəyəri (0,08 × 30,000 = 2,400 dollar). Bu bölmədə bu fərqi yaratmaq, düzgün ehtimal paylanmasını seçmək və kənar göstəriciləri idarə etmək üçün AI-dən necə istifadə edəcəyimizi addım-addım görəcəyik. Əvvəldən xatırladaq: AI paylamaları təklif edir və kod yazır, lakin uyğunluq testləri və mühakimə yolu ilə paylanma seçimini təsdiqləmək aktuaridən asılıdır.
Niyə tezlik və intensivlik ayrı-ayrılıqda modelləşdirilir?
Tezlik və intensivlik müxtəlif statistik davranışları göstərir. İddiaların sayı say dəyişənidir (0, 1, 2, 3...) və adətən Puasson paylanması və ya həddindən artıq dispersiya (variasiya > orta) olduqda mənfi binomial paylanma ilə modelləşdirilir. Puasson nadir və müstəqil hadisələrin sayını modelləşdirən klassik paylamadır. Zərər miqdarı davamlı və sağa əyilmiş dəyişəndir: əksər iddialar kiçikdir, bir neçə iddia çox böyükdür. Buna görə də, şiddət tez-tez qamma və ya lognormal paylanma ilə modelləşdirilir; bunlar müsbət və sağa əyilmiş paylamalardır.
İkisini ayrıca modelləşdirməyin üç konkret faydası var. Birincisi, hər birinin öz sürücülərinin (risk faktorları) olduğunu görə bilərsiniz: gənc sürücü tezliyi artırır, bahalı avtomobil zorakılığı artırır. İkincisi, məlumatlar dəyişdikdə, bunun səbəbini diaqnoz edə bilərsiniz: zərərin dəyəri və ya iddiaların sayı artıb? Üçüncüsü, yalnız şiddət tərəfində həddindən artıq böyük itkiləri ayrıca nəzərdən keçirə bilərsiniz. Bu ikisinin birləşməsi mürəkkəb model adlanır; gözlənilən ümumi zərər = gözlənilən tezlik × gözlənilən şiddət.
İpucu: “Zərər/mükafat nisbətimiz artdı” cümləsi özlüyündə heç nə demir. Tezliyin və ya intensivliyin artması ilə bağlı sualı ayırın; müdaxilə (qiymət, əhatə dairəsi, zərərin idarə edilməsi) tamamilə fərqli olardı.
Kəsmələr, kəsilmələr və trend korreksiyaları
Xam formada zərər məlumatları modelin qurulması üçün hazır deyil. Üç düzəliş demək olar ki, həmişə tələb olunur. Birincisi, həddindən artıq/böyük zərərin çeşidlənməsidir: bir neçə nəhəng zərər (məsələn, fabrik yanğını) ortalamanı əyir; bunlar ayrıca "əsas zərər yükü" kimi modelləşdirilmişdir. İkincisi qapaqdır: müəyyən bir tavana çox böyük ziyan vurmaq (məsələn, 1.000.000 TL) və yuxarı hissəni ayrıca hesablamaq modeli sabit edir. Üçüncüsü, tendensiya və inkişaf korreksiyası: keçmiş iddialar inflyasiya ilə bugünkü qiymət səviyyəsinə (trend) yenilənməlidir və hələ tam ödənilməmiş iddialar son səviyyəyə çatdırılmalıdır (inkişaf — bu mövzunu 3-cü bölmədə əhatə edəcəyik).
Aşağıdakı cədvəldə iki komponentin xüsusiyyətləri müqayisə edilir:
xüsusiyyət
Tezlik (tezlik)
Zorakılıq (miqdar)
Dəyişən növü
Sayma (0,1,2...)
daimi, müsbət
Tipik paylama
Puasson, mənfi binom
Qamma, lognormal
Usta sürücü nümunələri
Yaş, təcrübə, bölgə, istifadə
Avtomobilin dəyəri, əhatə dairəsi həddi, təmir dəyəri
Kənar problem
aşağı
Yüksək (böyük zərər)
İnflyasiya təsiri
zəif
güclü
Zərər modelləşdirməsində AI-dən necə istifadə etmək olar
Süni intellektin ən güclü olduğu yer paylama seçimini müzakirə etmək, kodu yazmaq və nəticəni şərh etməkdir. Aşağıda dörd kopyalana bilən şablon var.
1) Dağıtım seçimini müzakirə edin:
Rolunuz: aktuar modelləşdirmə köməkçisi. Sığorta iddiam AMOUNT məlumatım var (anonim, 1600 iddia). Xülasə: orta 30.300 TL, median 12.500 TL, maksimum 940.000 TL, əyrilik yüksəkdir. Sual: ciddilik modeli üçün qamma və ya lognormal daha uyğun olardı? Hər birinin fərziyyəsi nədir, plus/minus və hansı uyğunluq testi ilə (məsələn, qərar verəcəyimi izah edin (Q-Q chart, K-S test, AIC). Qəti qərar qəbul etmək; Mənə müqayisə çərçivəsi verin.
2) Tezlik-intensivlik hesablama kodu:
Aşağıdakı addımları yerinə yetirən Python + pandas ilə şərh edilmiş kodu yazın: 1) Df-də 'əzalandırma', 'iddia_sayı', 'iddia_miqdar' sütunları var. 2) Ümumi tezlik = ümumi iddia_sayi / ümumi məruz qalma. 3) Orta ciddilik = ümumi iddia_miqdarı / ümumi iddia_sayi. 4) Risk mükafatı = tezlik × şiddət. 5) Hər bir ara nəticəni ekrana çap edin ki, mən onu əl ilə yoxlaya bilim. Kitabxana uyğunluğu; sadəcə pandalardan istifadə edin.
3) Ekstremal dəyər / kəsilmə təhlili:
Məndə anonim iddia məbləği bölgüsü var. 950.000, 720.000, 610.000 TL kimi iddialar ümumi məbləğin 22%-ni təşkil edir. Mənə qapaq yanaşmanız haqqında danışın: - Hansı qapaq seçimləri məqbuldur (məsələn, 500K, 750K, 1M)? - Kəsilmiş hissəni ayrıca "böyük zərər yükü" kimi necə əlavə edə bilərəm? - Bu qərarın risk mükafatına necə təsir etdiyini addım-addım göstərin.
4) Nəticənin iş dilinə tərcüməsi:
Tezliyim 0,13-dən 0,15-ə yüksəldi; Orta şiddət 28.000-dən 34.000 TL-yə yüksəlib. Bunu menecerin başa düşəcəyi 4 cümlə ilə ümumiləşdirin: - Nə oldu, hansı komponent nə qədər artdı? - Risk mükafatına ümumi təsir necədir? - Yoxlamalı olduğum mümkün səbəbləri və 2 fərziyyəni yazın.
Zəif məlumat / Güclü göstəriş
Zəif çağırış:
Zərər modelini qurun və mükafatı hesablayın.
Aydın deyil: hansı məlumatlar, hansı komponent, hansı paylama, hansı dövr? Süni intellekt bu boşluğu uydurma ilə doldurur.
Güclü göstəriş:
Rolunuz: aktuar modelləşdirmə köməkçisi. Məlumatlar (anonim, trafik şöbəsi, 2024): məruz qalma 20.000 siyasət ili, iddiaların sayı 2.600, ümumi zərər 91.000.000 TL, 5 ən böyük zərər cəmi 12.000.000 TL. Tapşırıq: 1) Tezliyi və xam orta şiddəti hesablayın, düsturu göstərin. 2) 5 ən böyük zərəri 1.000.000 TL-yə endirin və düzəliş edilmiş şiddəti yenidən hesablayın. 3) Risk mükafatını qapaqlı və qapaqsız müqayisə edin, fərqi şərh edin. 4) Hər addımı aralıq nömrələrlə yazın ki, mən onu əl ilə yoxlaya bilim. Sadəcə verdiyim nömrələrdən istifadə edin; Əgər əskikdirsə, soruşun.
üç mini qutu
Məsələn 1 - Ayrılıq gücü. Bir aktuar mənzil filialında zərər/mükafat nisbətinin bir il ərzində 68 faizdən 81 faizə yüksəldiyini gördü. Çaxnaşma qiymət artımı təklif edilməzdən əvvəl tezlik-ciddi fərqi edildi: tezlik demək olar ki, sabit idi (0,041 → 0,043), lakin orta şiddət 14,200 TL-dən 19,800 TL-yə yüksəldi. Səbəb siyasətlərin və ya riskli müştərilərin sayı deyil, tikinti xərclərinin inflyasiyası idi. Düzgün müdaxilə, kor-koranə mükafat artımı deyil, əhatə dairəsini yeniləmək idi.
2-ci hal - kənar tələ. Bir iş sığortası portfelindəki 1800 iddianın orta qiyməti 42.000 TL idi. Ancaq tək başına 6,4 milyon TL-lik yanğın zərəri bu ortalamanı təxminən 3500 TL şişirdi. Bu böyük zərər modelləşdirildikdə və ayrıca "böyük zərər yükü" kimi məhdudlaşdırıldıqda, əsas ciddilik 38.500 TL-yə qədər azaldı və mükafat daha ədalətli oldu. Süni intellekt tez bir zamanda qapaq kodu və alternativ qapaqlar yaratdı; Aktuari qərar verdi.
3-cü hal - səhv paylanma. Şübhəsiz ki, bir köməkçi ciddilik üçün normal (Qauss) paylanmanı seçən AI kodunu işlətdi. Normal paylama mənfi dəyərlərə və simmetriyaya icazə verdiyi üçün, sağa əyilmiş zərər məlumatlarına uyğun gəlmədi; model kiçik zərərləri həddən artıq qiymətləndirdi və böyük olanları aşağı qiymətləndirdi. Q-Q süjeti və AIC müqayisə edildikdə, qammanın daha yaxşı uyğunlaşdığı görüldü. Dərs: AI tərəfindən təklif olunan paylama həmişə uyğunluq testi ilə sınaqdan keçirilir.
Ümumi səhvlər
- Tezliyi və intensivliyi birləşdirmək və tək bir modellə proqnozlaşdırmaq. İki fərqli davranışı gizlədir; sürücünü itirirsən və niyə.
- Həddindən artıq/böyük zərəri aradan qaldırmadan orta hesabla. Bir neçə nəhəng zədə bütün mənzərəni təhrif edir; mükafat süni şəkildə şişirdilir.
- İnflyasiya trendini tətbiq etmədən köhnə zərərdən istifadə. 2019-cu ilin zərəri bugünkü qiymətlə eyni deyil; trend korreksiyasına ehtiyac var.
- Sağa əyilmiş məlumatlara normal paylanmanın uyğunlaşdırılması. Mənfi dəyər və simmetriya fərziyyəsi məlumatların zədələnməsinə ziddir; Qamma/lognormal düşünün.
- Uyğunluq testi ilə paylama seçimini yoxlamaq. AI-nin təklifi bir başlanğıcdır; Q-Q, K-S, AIC ilə təsdiqləyin.
Diqqət: Qapaq (kəsmə) səviyyəsi özbaşına seçilmir. Çox aşağı tavan böyük zərər riskini gizlədir; çox hündür tavan bəzəkləri yararsız edir. Portfelin keçmiş əsas zərər təcrübəsi və təkrar sığorta şərtlərinə baxaraq seçin.
Xülasə
Ümumi zərəri dəqiq qiymətləndirməyin yolu onu tezliyə (tezliyə) və şiddətə (miqdar) bölməkdir. Tezlik Puasson/mənfi binomial, intensivlik qamma/loqnormal ilə modelləşdirilir; Risk mükafatı ikisini çarpmaqla tapılır. Xam data kənar göstəricilərin çıxarılmasını, kəsilməsini və trend korreksiyasını tələb edir. AI paylanması müzakirəsi kod və şərh üçün əla köməkçidir; lakin paylama seçimi və qalıq qərar uyğunluq testləri və aktuar mühakimə ilə təsdiqlənir.
Tətbiq tapşırığı
Anonim zərər xülasəsi hazırlayın (məruz qalma, iddiaların sayı, ümumi zərər, ilk 3-5 iddia). Süni intellektdən (a) xam tezlik-ciddiyyət-risk mükafatını, (b) böyük itkiləri məhdudlaşdırmağı və düzəliş edilmiş risk mükafatını hesablamağı xahiş edin. İki nəticəni əl ilə yoxlayın və risk mükafatını hansı faiz həddi ilə dəyişdiyini qeyd edin. Sonra AI-yə "zorakılıq üçün qamma və ya lognormal" sualını verin və verdiyi müqayisə çərçivəsini öz sözlərinizlə ümumiləşdirin.
yoxlama siyahısı
- [ ] Tezliyi və intensivliyi ayrıca hesabladım, yoxsa onlara bir parça kimi baxdım?
- [ ] Mən böyük/həddindən artıq zərəri müəyyən etmişəm və onunla ayrıca məşğul olmuşam?
- [ ] Mən köhnə iddialara inflyasiya/trend düzəlişi tətbiq etmişəmmi?
- [ ] Mən uyğunluq testi ilə intensivliyin paylanmasını yoxladımmı?
- [ ] Mən müstəqil olaraq risk mükafatını (tezlik × şiddət) yenidən hesabladımmı?
- [ ] Süni intellekt tərəfindən təklif olunan paylama və hədd səviyyəsini şübhə altına aldım və bunu mühakimə ilə təsdiqlədim?