هوش مصنوعی در قیمت گذاری و پشتیبانی از تحلیل اکچوئری

سود:

• توانایی توضیح مفاهیم اکچوئری مانند فراوانی خسارت، شدت خسارت و کفایت حق بیمه با هوش مصنوعی و تهیه پیش نویس تحلیل
• توانایی آزمایش خروجی مدل قیمت گذاری، کیفیت داده ها و مفروضات در برابر اصول حسابداری مستقل و اکچوئری
• توانایی درک اینکه تصمیمات نهایی تعرفه و تدارکات فنی بر عهده اکچوئرهای ذیصلاح است و هوش مصنوعی تنها یک ابزار پشتیبانی است.

قیمت بیمه تصادفی نیست. به صورت ریاضی محاسبه می شود. آکچوئری (رشته تخصصی بیمه که ریسک را با احتمال و آمار می سنجد و تعادل حق بیمه، تامین و پوشش را برقرار می کند) به این سوال پاسخ می دهد که این ریسک به طور متوسط ​​چه هزینه ای برای ما خواهد داشت و چگونه می توانیم آن را با حق بیمه منصفانه پوشش دهیم؟ آکچوئر (کارشناس ذیصلاحی که این محاسبه را انجام می دهد و از نظر قانونی مسئول است) داده ها، روندها و مفروضات خسارت را گرد هم می آورد و تعرفه (مقیاس قیمت) و مفاد فنی (پول برای مطالبات آتی) را تعیین می کند. هوش مصنوعی (نرم افزاری که الگوها را از داده ها می آموزد و متن، توصیف و طرح کلی تولید می کند) کمک کننده قدرتمندی در این کار تحلیلی سنگین است: توضیح مفاهیم، ​​خلاصه کردن داده ها، تجزیه و تحلیل پیش نویس، پیشنهاد کد و فرمول. اما تصمیم اکچوئری دارای امضا و مسئولیت است. هوش مصنوعی نمی تواند این امضا را ایجاد کند. در این واحد یاد خواهید گرفت که چگونه مفاهیم اولیه اکچوئری را با هوش مصنوعی توضیح داده و آنالیز کنید و چگونه خروجی را در برابر محاسبات مستقل و اصول اکچوئری آزمایش کنید.

مفاهیم اساسی: فرکانس، شدت و کفایت حق بیمه

سه مفهوم ستون فقرات قیمت گذاری را تشکیل می دهند:

• فراوانی ادعا: تعداد ادعاها در هر بیمه نامه (یا واحد) در یک دوره معین. به عنوان مثال، اگر در 1000 بیمه نامه خودرو، 45 خسارت در سال وجود داشته باشد، فراوانی آن 0.045 (یعنی 4.5٪) است.
• شدت خسارت: میانگین مبلغ پرداختی به ازای هر خسارت. اگر در همان سبد برای 45 خسارت مجموعاً 3 میلیون و 150 هزار لیره پرداخت شده باشد، شدت آن 70 هزار لیره است.
• هزینه خسارت مورد انتظار (حق بیمه): فراوانی × شدت. در مثال 0.045 × 70000 = 3150 TL. این هزینه زیان خالص مورد انتظار برای هر بیمه نامه است. حق بیمه ناخالص زمانی تشکیل می شود که هزینه ها، کمیسیون ها و حاشیه سود اضافه شود.
• کفایت حق بیمه: آیا حق بیمه جمع آوری شده برای پوشش خسارات و هزینه های مورد انتظار کافی است یا خیر. پاداش ناکافی باعث ضرر شرکت می شود. حق بیمه بیش از حد باعث قیمت گذاری غیررقابتی و ناعادلانه می شود.

هوش مصنوعی در توضیح این مفاهیم، ​​استخراج خلاصه فرکانس/شدت از یک مجموعه داده، و تشریح مراحل تجزیه و تحلیل بسیار مفید است. با این حال، همیشه باید نتیجه عددی را دوباره محاسبه کنید.

نکته: توضیح دادن یک مفهوم اکچوئری توسط هوش مصنوعی "با مثال عددی، گویی برای دانش آموز پایه دهم توضیح می دهد" هم در آموزش تیم و هم در توضیح آن برای مشتری بسیار مفید است. اما عدد را بررسی کنید: حتی ضرب مدل نیز می تواند اشتباه کند.

جایگاه هوش مصنوعی در اکچوئری کجاست؟

خط قرمز در اکچوئری مشخص است: تعرفه نهایی، تامین فنی و تصمیم کفایت حق بیمه بر عهده اکچوئر ذیصلاح است. هوش مصنوعی به وظایف زیر کمک می کند: شفاف سازی مفهوم، خلاصه داده ها، طرح کلی تجزیه و تحلیل اکتشافی، پیشنهاد فرمول/کد، خوانایی متن حاصل. در موارد زیر نمی تواند حرف آخر را بزند: تصویب تعرفه، اعلام کفایت تامین، قبول مفروضات به عنوان قطعی. زیرا این تصمیمات به طور مستقیم هم بر سلامت مالی شرکت و هم بر حق مشتری برای قیمت منصفانه تأثیر می گذارد و مشمول قوانین (SEDDK - مقررات سازمان نظارت و مقررات بیمه و بازنشستگی خصوصی) می باشد.

توجه: تعرفه یا نرخ پیشنهادی توسط هوش مصنوعی هرگز بدون آزمایش مستقل کیفیت داده ها و مفروضات منتشر نخواهد شد. یک فرض اشتباه (مثلاً نادیده گرفتن تأثیر تورم) می تواند کل پرتفوی را در معرض آسیب قرار دهد.

گام به گام: پیش نویس تجزیه و تحلیل اکچوئری با پشتیبانی هوش مصنوعی

1. داده ها را ناشناس و شناسایی کنید. بدون اطلاعات شخصی؛ فقط اعداد جمع شده دوره، پرتفوی و نوع وثیقه را مشخص کنید.
2. مفهوم و روش را روشن کنید. از هوش مصنوعی بخواهید مراحل تحلیل فرکانس/شدت را تشریح کند.
3. کیفیت داده سوال آیا هیچ گونه اثری از داده های از دست رفته، مقادیر پرت، عدم تطابق دوره، IBNR (ادعاهایی که هنوز گزارش نشده است) وجود دارد؟
4. فرضیات را به وضوح بنویسید. تورم، روند، عوامل توسعه بر چه فرضی استوار است؟
5. نتیجه را به طور مستقل محاسبه کنید. فرکانس، شدت و حق بیمه ریسک را با صفحه‌گسترده خودتان بازتولید کنید.
6. تست و تایید با اصل اکچوئری. یک اکچوئر ذیصلاح از نظر کفایت حق بیمه، انصاف و قانونگذاری ارزیابی و امضا می کند.

سه کیف کوچک

مورد 1 - گرفتن فرض اشتباه. یک دستیار اکچوئری پیش نویس تحلیلی را از هوش مصنوعی برای تعرفه بیمه خودرو دریافت کرد. هوش مصنوعی میانگین شدت آسیب در 3 سال گذشته را 62000 TL در نظر گرفت و حق بیمه خطر را محاسبه کرد. آکچوئر متوجه شد که خشونت برای تورم با ارزش فعلی تنظیم نشده است: با هزینه های فعلی تعمیر خودرو، خشونت در واقع 89000 دلار بود. این اصلاح، حق بیمه ریسک را تا 43 درصد افزایش داد. بدون کنترل مستقل، تعرفه به طور جدی ناکافی خواهد بود.

مورد 2 - تحریف نقطه پرت. مجموع 500 خسارت در یک سبد به نظر می رسد 40,000,000 TL باشد. اما 22,000,000 لیر از این میزان از یک خسارت عمده آتش سوزی بوده است. هوش مصنوعی میانگین خشونت را 80000 TL خلاصه کرد. آکچوئر این آسیب عمده را جداگانه ارزیابی کرد (زیرا هر سال تکرار نمی شود). میانگین خسارات "عادی" ~ 36000 لیره بود. تفکیک نقطه دور، تعرفه را واقع بینانه کرد.

مورد 3 - چک عدالت. در یک پروژه قیمت گذاری بیمه سلامت، هوش مصنوعی افزایش بسیار بالایی را برای یک گروه سنی خاص ارائه کرد. آکچوئر دریافت که توصیه فقط از یک نمونه کوچک و پر سر و صدا (تعداد کمی از ادعاها) آمده است. از نظر آماری قابل اعتماد نبود. علاوه بر این، این برخلاف اصل قیمت گذاری منصفانه مورد نیاز قانون بود. آکچوئر ابتدا یک محاسبه قابلیت اطمینان با داده های گسترده تر انجام داد و سپس تصمیم گرفت.

چهار فرمان قابل کپی

1) توضیح مفهوم (برای آموزش/مشتری):

مانند یک مربی اکچوئری رفتار کنید. مفاهیم "تکرار ضرر"، "شدت خسارت" و "حق بیمه" را گام به گام با یک مثال عددی متوالی توضیح دهید (مثلاً 1000 بیمه نامه، 45 خسارت، کل پرداخت 3،150،000 TL). فرمول و نتیجه متوسط ​​را در هر مرحله نشان دهید. از زبان ساده و قابل فهم استفاده کنید.

2) تجزیه و تحلیل اسکلت پیش نویس:

موارد زیر مراحل تجزیه و تحلیل فراوانی-شدت را برای داده‌های ادعاهای انبوه (بدون داده‌های شخصی) نشان می‌دهد: [دوره، تعداد سیاست‌ها، تعداد ادعاها، کل پرداخت] در هر مرحله: مشخص کنید چه چیزی محاسبه می‌شود، چه مفروضاتی مورد نیاز است، چه خطری از کیفیت داده‌ها وجود دارد (داده‌های از دست رفته، اطلاعات پرت، IBNR، تورم). من نتیجه عددی را دوباره محاسبه خواهم کرد. شما روش را تنظیم کردید

3) پرسشگر کیفیت داده ها و مفروضات:

تحلیل پیش نویس زیر را از دیدگاه یک کارشناس ارشد نقد کنید: [پیوند پیش نویس] بپرسید: آیا خشونت برای تورم تنظیم شده است؟ آیا نقاط پرت حذف شدند؟ آیا نمونه قابل اعتماد است؟ آیا IBNR در نظر گرفته شد؟ فرض روند چیست؟ هر نقطه ضعف را با یک پیشنهاد برای اصلاح در زیر "RISK" فهرست کنید.

4) ساده کردن متن نتیجه:

نتیجه تجزیه و تحلیل تایید شده زیر را به یک خلاصه اجرایی ساده برای مدیری که اکچوئر نیست تبدیل کنید: [نتیجه را بچسبانید] اعداد را تغییر ندهید، اعداد جدید اضافه کنید. عدم قطعیت ها و مفروضات را به وضوح بیان کنید. تبصره اضافه کنید: «تصمیم نهایی تعرفه منوط به تأیید اکچوئر ذیصلاح است».

اعلان ضعیف / اعلان قوی

ضعیف: "حق بیمه خودرو را با این داده ها محاسبه کنید و تعرفه را بنویسید."

مشکل: تعرفه مستقیم (منطقه قرمز) درخواست شده است. بدون فرضیات، بدون کیفیت داده و بدون اعتبار. مدل متناسب با نرخ غیر قابل اعتماد از داده های پر سر و صدا.

Strong: "مراحل تحلیل شدت فرکانس را پیش نویس کنید؛ فرض و ریسک کیفیت داده را در هر مرحله مشخص کنید. من نتیجه عددی را محاسبه خواهم کرد. تصمیم تعرفه را نگیرید."

چرا خوب است: هوش مصنوعی روش را تعیین می کند، آکچوئر محاسبه و تصمیم را حفظ می کند. فرضیات قابل مشاهده می شوند.

نمودار مقایسه

گام

نقش هوش مصنوعی

نقش اکچوئری

ریسک

توضیح مفهوم

توضیح می دهد، مثال

صحت را تایید می کند

مثال اشتباه

خلاصه داده ها

سنگدانه ها

منبع را بررسی می کند

اعوجاج پرت

فهرست مفروضات

توصیه می کند

قبول/رد

گمشده/فرض نادرست

محاسبه حق بیمه ریسک

فرمول پیش نویس

حساب های مستقل

خطای حساب

تصمیم تعرفه/تدارک

-

تصمیم می گیرد و امضا می کند

حق بیمه ناکافی

اشتباهات رایج

• دریافت مستقیم تعداد هوش مصنوعی این مدل حتی می‌تواند ضرب/جمع را نادرست کند. هر نتیجه را دوباره محاسبه کنید
• نادیده گرفتن تورم و اصلاح روند. وضع تعرفه ها بدون وارد کردن خشونت های گذشته به حال به مجموعه آسیب می رساند.
• اختلاط پرت با میانگین. یک آسیب عمده کل تعرفه را گمراه می کند. جداگانه ارزیابی کنید
• با تکیه بر نمونه گیری کوچک. نسبت تعداد کمی از خسارت ها غیر قابل اعتماد است. محاسبه اعتبار مورد نیاز است.
• نادیده گرفتن عدالت ارائه افزایش غیرمنصفانه حقوق به یک گروه بر اساس سر و صدای آماری خلاف قانون است.

به طور خلاصه

در کار اکچوئری، هوش مصنوعی مفاهیم را توضیح می دهد، داده ها را خلاصه می کند، تجزیه و تحلیل را ترسیم می کند و فرمول هایی را پیشنهاد می کند. اما در مورد تعرفه، تامین و کفایت حق بیمه تصمیم نمی گیرد. از مفاهیم فرکانس، شدت و حق بیمه به درستی استفاده کنید. کیفیت داده های سوال (غیرطبیعی، IBNR، تورم، قابلیت اطمینان نمونه)؛ محاسبه هر عدد به طور مستقل؛ فرضیات را به وضوح بنویسید. تصمیم نهایی بر عهده اکچوئر ذیصلاح بوده و تابع مقررات SEDDK می باشد.

وظیفه کاربردی

خلاصه فرکانس و شدت را با هوش مصنوعی از مجموعه داده های آسیبی که دارید (برای اهداف آزمایشی، جمع آوری) ایجاد کنید. سپس همان محاسبه را خودتان در یک صفحه گسترده انجام دهید. به تفاوت بین دو نتیجه توجه کنید. اگر تفاوتی وجود دارد، دلیل (تورم، پرت، ضرب اشتباه) را پیدا کنید. مفروضات خود را با اعلان شماره 3 نقد کنید و حداقل دو خطر کیفیت داده را شناسایی کنید.

چک لیست

• [ ] من فقط از داده های انبوه و غیر شخصی استفاده کردم.
• [ ] من خودم فرکانس، شدت و حق بیمه ریسک را دوباره محاسبه کردم.
• [ ] من اصلاح تورم/روند را اعمال کردم.
• [ ] من مقادیر پرت را جداگانه ارزیابی کردم.
• [ ] من قابلیت اطمینان نمونه را زیر سوال بردم.
• [ ] من فرضیات را به وضوح نوشتم.
• [ ] تصمیم نهایی تعرفه/تدارک را به تایید اکچوئری ذیصلاح واگذار کردم.