Datenvorbereitung und Feature Engineering: Umgang mit versicherungsmathematischen Daten mit künstlicher Intelligenz

Gewinne:

• Möglichkeit, fehlende Werte, Ausreißer, Gefährdungs- und Datenqualitätsprobleme in Policen- und Schadensdaten mit Unterstützung künstlicher Intelligenz zu erkennen und einen Korrekturentwurf zu erstellen
• Feature Engineering (Ableitung neuer Variablen, Gruppierung, Codierung) und Expositionsnormalisierung gegenüber künstlicher Intelligenz mit dem richtigen Kontext
• Machen Sie sich bewusst, dass durch künstliche Intelligenz vorgeschlagene Datentransformationen von einem Aktuar auf das Risiko von Datenlecks und versteckter Verzerrung geprüft werden sollten.

Der am wenigsten diskutierte, aber zeitaufwändigste Teil der versicherungsmathematischen Arbeit ist die Datenaufbereitung. Erfahrene Aktuare wissen, dass die meiste Zeit eines Modellierungsprojekts für die Bereinigung, Kombination und Korrektur der Daten aufgewendet wird. Egal wie elegant das Modell ist: Wenn die Eingabedaten beschädigt sind, ist auch die Ausgabe beschädigt – kurz: „Müll rein, Müll raus.“ In dieser Einheit werden wir typische Probleme von Policen- und Schadensdaten sehen, wie man sie mit KI erkennt und behebt, und den Feature-Engineering-Ansatz (abgeleitete neue Variablen, die aus vorhandenen Daten aussagekräftiger sind).

Eine Warnung gleich zu Beginn: Die Datenaufbereitung ist ein scheinbar technischer und harmloser Schritt, doch hier verbergen sich die gefährlichsten Fehler. Eine falsche Belichtungsnormalisierung, ein verstecktes Datenleck oder eine unabsichtlich eingeführte Verzerrung verfälscht stillschweigend alle nachfolgenden Modelle. KI beschleunigt diesen Schritt erheblich, aber wenn sie unkontrolliert bleibt, erhöht sie auch das Risiko.

Typische Probleme versicherungsmathematischer Daten

Policen- und Schadensdaten kommen fast nie sauber an. Die häufigsten Probleme sind: Fehlende Werte: In einigen Policen ist das Fahrzeugalter, der Beruf oder die Region leer. Wenn Sie diese Werte blind mit dem Durchschnitt füllen, kann dies zu einer Verzerrung führen. Der Mangel selbst trägt manchmal Informationen (die Fehlenden sind eine andere Gruppe). Ausreißer: unlogische Datensätze wie negative Prämie, 200-jähriger Versicherter, Null-Expositions-Police. Es muss unterschieden werden, ob es sich um Datenfehler oder echte Randfälle handelt. Inkonsistenz: unterschiedliche Schreibweisen derselben Region („Istanbul“, „Istanbul“, „34“), Verwirrung im Datumsformat. Doppelte Eintragungen: doppelte Eintragung des gleichen Schadens.

Das kritischste Problem im Versicherungswesen ist jedoch die Gefährdung. Wenn eine Police zur Jahresmitte beginnt, sieht sie für dieses Jahr eine Bruchteilsrisikoposition (z. B. 0,5 Jahre) vor, nicht ein vollständiges „Versicherungsjahr“. Häufigkeit und Schadensraten sollten immer auf die Exposition normiert werden; andernfalls erscheinen kurzfristige Policen als risikoreich einzustufen. Die KI kann die Expositionsberechnung codieren, Sie müssen jedoch die Definition und Geschäftsregel bereitstellen.

Die folgende Tabelle fasst typische Probleme und die richtige Vorgehensweise zusammen:

Problem

falscher Ansatz

richtige Herangehensweise

fehlender Wert

Füllen Sie alles mit Durchschnitt

Analysieren Sie den Mangel; Manchmal öffnen Sie eine separate Kategorie

Ausreißer

Automatisch löschen

Unterscheiden Sie zwischen Datenfehlern und echtem Lead

Belichtung

Zählen Sie alle Policen für 1 Jahr

Berechnen Sie die Teilbelichtung

Inkonsistenz der Kategorie

ignorieren

Übereinstimmung mit Standardwörterbuch

wiederkehrender Schaden

Merke es nicht

Mit Schlüsselfeldern deduplizieren

Feature Engineering: Wissen aus Daten ableiten

Feature Engineering ist die Kunst, aus vorhandenen Rohvariablen neue Variablen abzuleiten, die für das Modell nützlicher sind. Beispiele: „Alter“ aus dem Geburtsdatum, „Altersgruppe“ (Binning) aus dem Alter, „Risikosegment“ aus Fahrzeugmarke-Modell, „Schätzung der jährlichen Fahrleistung“ aus der Kombination aus Adresse und Richtlinie. Eine gute Funktion überträgt ein stärkeres Signal als die Rohdaten und erhöht sowohl die Genauigkeit als auch die Interpretierbarkeit des Modells.

In der versicherungsmathematischen Arbeit werden häufig drei Techniken eingesetzt. Bindung: Aufteilen einer kontinuierlichen Variablen (Alter) in sinnvolle Gruppen; Dadurch werden nichtlineare Zusammenhänge erfasst und der Tarif lesbar gemacht. Kodierung: Konvertieren kategorialer Variablen (Region) in ein für das Modell geeignetes numerisches Format; Eine risikobasierte Kodierung (die jede Kategorie mit ihrer eigenen Schadensrate darstellt) ist üblich, sollte jedoch mit Vorsicht erfolgen. Normalisierung: Alles vergleichbar machen, indem man es durch seine Belichtung dividiert. KI generiert schnell den Code für diese Transformationen; Aber Sie müssen die Logik jeder Transformation genehmigen.

Tipp: Die Zielkodierung ist leistungsstark, aber anfällig für Datenlecks: Das Modell „schummelt“, wenn Sie den eigenen Schaden einer Zeile in die Berechnung des durchschnittlichen Schadens einer Kategorie einbeziehen. Tun Sie dies immer innerhalb der Trainingsdaten in einem Kreuzvalidierungsmuster.

Die heimtückischste Gefahr: Datenlecks und implizite Voreingenommenheit

Unter Datenlecks versteht man die Einführung von Informationen in das Modell, die zum Zeitpunkt der Vorhersage tatsächlich nicht vorhanden waren. Klassisches Beispiel: Einführung einer Variablen, die das Ergebnis enthält, z. B. „bezahlte Ansprüche“, in ein Modell, das die Höhe des Anspruchs vorhersagt. Das Modell sieht in Testdaten perfekt aus, ist in der realen Welt jedoch nutzlos, da diese Informationen zum Zeitpunkt der Vorhersage nicht verfügbar sind. Leckagen bleiben oft verborgen und werden nur durch sorgfältige versicherungsmathematische Überlegungen erkannt – die KI bemerkt sie normalerweise nicht und lobt die Leckvariable manchmal sogar als „sehr starken Prädiktor“.

Die zweite heimtückische Gefahr ist implizite Voreingenommenheit. Wenn historische Daten eine bestimmte Gruppe unfair darstellen (z. B. wurden einem Gebiet in der Vergangenheit zu viele Richtlinien verweigert), tragen aus diesen Daten abgeleitete Merkmale diese Verzerrung und das Modell repliziert sie in die Zukunft. Die Feature-Engineering-Phase ist der kritischste Moment, in dem diese Verzerrung erkannt und korrigiert werden kann.

Achtung: Bevor Sie sich freuen, wenn eine Variable „die Vorhersagekraft enorm verbessert“, fragen Sie sich: Ist diese Variable zum Zeitpunkt der Vorhersage tatsächlich vorhanden, oder betrifft sie die Zukunft? Ein Ergebnis, das zu gut aussieht, ist oft ein Zeichen für ein Leck.

Wie man KI bei der Datenaufbereitung nutzt

1) Datenqualitätsprüfung:

Ihre Rolle: Datenqualitätsassistent. Sie haben eine versicherungsmathematische Policenrendite. Spalten: Richtlinien-ID, Startdatum, Enddatum, Alter, Region, Fahrzeugalter, Prämie, Anspruchsanzahl, Anspruchsbetrag. Geben Sie mir eine Checkliste und eine Python (Pandas)-Codeskizze: – Zählen Sie fehlende Werte nach Spalte. – Markieren Sie unangemessene Werte (negative Prämie, Alter <16 oder > 100, Ende <Start). – Berechnen Sie die anteilige Exposition (in Jahren) ab Anfang/Ende. NICHT löschen; Melde es einfach, damit ich entscheiden kann.

2) Merkmalsableitung:

Ich möchte aus meinen Verkehrsdaten neue Funktionen ableiten. Verfügbar: Alter, Fahrzeugalter, Region, Jahreskilometer, Nutzungstyp. – Welche Alters- und Kilometergruppen (Binning) empfehlen Sie und warum? – Wie kann ich eine risikobasierte Codierung für „Region“ ohne Datenverlust durchführen? – Schlagen Sie drei neue Funktionen vor, die einen Versuch wert sind, und schreiben Sie jeweils die versicherungsmathematische Begründung. Ich werde entscheiden.

3) Leckprüfung:

Mein Modell sagt die MÖGLICHKEIT eines Schadens anhand der folgenden Variablen voraus: Alter, Region, Fahrzeugalter, PAID_CLAIM_FLAG, SETTLEMENT_DAYS. Welche dieser Variablen stellen ein Risiko für Datenlecks dar? Bewerten Sie für jeden, ob er zum Zeitpunkt der Vorhersage verfügbar sein wird. Listen Sie die Verdächtigen auf und geben Sie an, warum.

4) Belichtungsnormalisierung:

Einige meiner Policen beginnen Mitte des Jahres. Erklären und kodieren Sie die Risikonormalisierung, um die Häufigkeit korrekt zu berechnen: Häufigkeit = Gesamtzahl der Schadensfälle / Gesamtrisiko (Versicherungsjahr). Zeigen Sie anhand eines Beispiels, wie das Risiko der Police berechnet wird, die Mitte des Jahres beginnt.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwache Eingabeaufforderung:

Bereinigen Sie die Daten und bereiten Sie sie für das Modell vor.

KI weiß nicht, welche Spalte welche ist, Geschäftsregeln, Expositionsdefinition; Es kann die Daten blind löschen, füllen und beschädigen.

Kraftvolle Aufforderung:

Ihre Rolle: Assistent für die versicherungsmathematische Datenvorbereitung. Datenwörterbuch: Policen-ID (Identität), Start-/Enddatum (Versicherungszeitraum), Alter (erwartet 16–90 Jahre), Prämie (muss > 0 sein), Anspruchsanzahl (>=0), Anspruchsbetrag (>=0). Aufgabe: 1) Schreiben Sie eine Angemessenheitsregel für jede Spalte und melden Sie Verstöße (Löschen). / Durchschnitt / separate Kategorie) vorhanden mit Plus-Minus; Überlassen Sie die Entscheidung mir.4) Warnen Sie, wenn es eine Spalte gibt, die ein Leckrisiko darstellen könnte.Automatische Löschung aller Datensätze; Ich werde jeder Entscheidung zustimmen.

drei Mini-Koffer

Fall 1 – Belichtungsfehler. In einem Portfolio wurden kurzfristige (3-monatige) Reisepolicen als ganze Jahre gezählt, sodass die Häufigkeit viermal niedriger erschien, als sie tatsächlich war; Der Preis ist fälschlicherweise gefallen. Als der Aktuar das Risiko als Bruchteil (0,25 Versicherungsjahr) berechnete, wurde die tatsächliche Häufigkeit ermittelt und der Tarif korrigiert. KI-generierter fraktionierter Belichtungscode; Der Aktuar gab die Definition.

Fall 2 – Latentes Leck. Als ein Helfer die Variable „Dateischließzeit“ zum Schadenswahrscheinlichkeitsmodell hinzufügte, erhöhte sich die Genauigkeit dramatisch. Die Freude währte nur kurz: Diese Variable konnte erst nach Eintritt des Schadens bekannt werden, war also zum Zeitpunkt der Vorhersage noch nicht verfügbar. Als die Leaky-Variable entfernt wurde, sank das Modell auf ein realistisches Niveau. Er lobte die KI-Variable als „leistungsstarken Prädiktor“; Das Urteil des Aktuars hat die Falle aufgedeckt.

Fall 3 – Replikation der Voreingenommenheit. Ein Unternehmen leitete aus historischen Daten ein Muster zur „Ablehnung von Bewerbungen“ ab und fügte es in das neue Modell ein. Die Analyse ergab, dass sich die Ablehnungen in der Vergangenheit überproportional auf ein bestimmtes Viertel konzentrierten, was bedeutet, dass es eine historische Verzerrung gab. Diese Funktion wurde aus dem Modell entfernt und durch neutralere Risikoindikatoren ersetzt. Die KI erstellte eine Analyse, bei der die Überlappung des Musters mit der Nachbarschaft gemessen wurde. Die ethische Entscheidung wurde vom Aktuar und der Compliance-Einheit getroffen.

Häufige Fehler

• Fehlende Werte ohne nachzudenken mit dem Mittelwert ergänzen. Der Mangel selbst kann Wissen sein; Blindes Ausfüllen schafft Vorurteile.
• Ausreißer automatisch löschen. Bei einigen handelt es sich um echte Randfälle; Das Löschen von Daten, ohne sie von Fehlern zu trennen, zerstört Informationen.
• Die Belichtung wird nicht normalisiert. Die Zählung kurzer Policen als ganze Jahre verzerrt die Häufigkeit und verzerrt den Preis.
• Datenlecks werden nicht bemerkt. Ein zu gutes Ergebnis ist oft ein Zeichen dafür, dass eine Variable die Zukunft betrifft; Fragen Sie ab, ob jede Variable zum Zeitpunkt der Vorhersage vorhanden ist.
• Implizite Voreingenommenheit in die Zukunft bringen. Ungerechtigkeiten in historischen Daten können sich auf abgeleitete Merkmale auswirken. Überprüfen Sie es in der Feature-Phase.

Zusammenfassend

Bei der versicherungsmathematischen Modellierung geht es hauptsächlich um die Aufbereitung von Daten. Wenn die Eingabe beschädigt ist, ist auch die Ausgabe beschädigt. Typische Probleme sind fehlende Werte, Ausreißer, Inkonsistenzen und Duplikate; Das entscheidende versicherungsmathematische Problem ist die Normalisierung des Risikos. Feature Engineering – Gruppierung, Codierung, Normalisierung – leitet stärkere Signale aus Daten ab. Die heimtückischsten Gefahren sind Datenlecks und implizite Voreingenommenheit; beide werden nur durch versicherungsmathematische Überlegungen erfasst. KI beschleunigt diesen Schritt erheblich: Durch das Scannen werden Code und Empfehlungen generiert. Löschen Sie jedoch keine Datensätze automatisch, sondern lassen Sie Menschen auf Lecks und Vorurteile prüfen und jede Konvertierung genehmigen.

Anwendungsaufgabe

Bereiten Sie ein kleines anonymes Richtliniendatenwörterbuch vor (5–7 Spalten, jeweils angemessener Bereich). Bitten Sie die KI um (a) die Angemessenheitsregel und den Verstoßberichtscode für jede Spalte, (b) die Berechnung der Teilbelastung, (c) Vorschläge für drei neue Funktionen zum Ausprobieren. Fügen Sie dann eine absichtliche „Leak-Falle“-Variable zur Liste hinzu (z. B. „Entschädigung gezahlt“) und testen Sie, ob die KI sie als Leck erkennt.

Checkliste

• [ ] Habe ich analysiert, warum, bevor ich fehlende und Ausreißer lösche?
• [ ] Habe ich die Belichtung richtig fraktioniert und normalisiert?
• [ ] Habe ich die versicherungsmathematische Begründung für jedes neu abgeleitete Merkmal geschrieben?
• [ ] Habe ich mich gefragt, ob jede Variable zum Zeitpunkt der Vorhersage tatsächlich vorhanden ist (Leckage)?
• [ ] Habe ich nach impliziten Verzerrungen in abgeleiteten Merkmalen gesucht?
• [ ] Hatte AI nicht automatisch alle Datensätze gelöscht und jede Entscheidung selbst genehmigt?