Keuntungan:
- Kemampuan untuk membangun konsep model linier umum (GLM), faktor risiko, tarif dan premi risiko dengan dukungan kecerdasan buatan dan menerjemahkan koefisien ke dalam bahasa bisnis
- Kemampuan untuk mendiskusikan keseimbangan pemilihan variabel, interaksi, overfitting, dan interpretabilitas model pembelajaran mesin (GBM) dengan kecerdasan buatan
- Mampu memahami bahwa model penetapan harga bebas dari variabel-variabel yang dilarang/diskriminatif dan kepatuhan tarif akhir terhadap peraturan perundang-undangan dan persaingan diserahkan kepada aktuaris.
Harga suatu polis asuransi tidak ditentukan secara sembarangan. Risiko kecelakaan lalu lintas bagi pengemudi baru berusia 22 tahun yang tinggal di kota besar secara statistik lebih tinggi dibandingkan risiko pengemudi berusia 45 tahun dengan pengalaman 20 tahun; Dalam sistem yang adil, premi juga harus berbeda. Tugas aktuaris untuk mengukur perbedaan ini dan mencerminkannya pada harga disebut klasifikasi penetapan harga dan risiko. Dalam unit ini, kita akan membahas model linier umum (GLM), tulang punggung aktuaria penetapan harga, dan alternatif pembelajaran mesinnya, serta melihat cara menggunakan AI dengan aman dalam proses ini.
Beberapa istilah dasar. Faktor risiko adalah variabel yang mempengaruhi risiko dan digunakan dalam penetapan harga (usia, usia kendaraan, wilayah, tujuan penggunaan). Tarif adalah seperangkat aturan yang menentukan bagaimana premi akan dihitung berdasarkan faktor risiko. Premi risiko adalah biaya kerugian murni yang diharapkan; Ketika biaya, komisi, margin keuntungan dan biaya modal ditambahkan, premi komersial (harga jual) terbentuk. Mari kita ingatkan dari awal: AI menyarankan variabel, membuat model, menjelaskan koefisien; Namun variabel mana yang legal dan etis serta apakah tarif final sesuai dengan peraturan perundang-undangan dan persaingan menjadi tanggung jawab aktuaris dan unit kepatuhan.
Mengapa GLM menjadi standar dalam aktuaria
Metode yang paling banyak digunakan dalam penetapan harga adalah GLM. GLM adalah singkatan dari “model linier umum”: GLM memperluas regresi linier klasik agar sesuai dengan target yang tidak terdistribusi normal, seperti data kerusakan. Ini memiliki dua komponen dasar. Keluarga distribusi: Poisson dipilih untuk frekuensi, gamma dipilih untuk intensitas (logika dalam unit 2). Fungsi tautan (link): biasanya logaritmik, yang memungkinkan faktor-faktor tersebut mempunyai efek perkalian. Struktur perkalian sangat berharga dalam aktuaria karena tarifnya ditentukan: premi dasar × faktor usia × faktor wilayah × faktor kendaraan.
Keuntungan terbesar GLM adalah kemampuan interpretasi. Sebuah koefisien memberi tahu Anda secara langsung: "kelompok pengemudi muda meningkatkan frekuensi sebesar 1,6 kali lipat dibandingkan dengan kelompok referensi." Transparansi ini penting dalam tiga hal: (1) regulator dan audit internal dapat memahami dan menyetujui model tersebut; (2) terlihat adanya dampak yang dilarang/diskriminatif; (3) logika harga dapat dijelaskan kepada tim penjualan dan manajemen. Model pembelajaran mesin yang lebih kompleks (di bawah) terkadang memberikan akurasi yang lebih tinggi, namun mengorbankan transparansi.
Petunjuk: Koefisien GLM dalam skala log. Minta AI untuk mengubah koefisien menjadi "faktor pengali" dengan exp(koefisien); Akan lebih mudah untuk menerjemahkannya ke dalam bahasa bisnis (misalnya koefisien 0,47 → faktor ≈ 1,60 → “60% lebih berisiko”).
Pemilihan variabel, overfitting, dan pembelajaran mesin
Keputusan paling penting dalam penetapan harga adalah variabel mana yang akan tetap ada dalam model. Ada dua jebakan. Hanya ada sedikit variabel yang membutakan model ini: jika faktor pendorong risiko yang penting terlewatkan, harga akan salah. Terlalu variabel/overfitting membuat model mengingat data masa lalu: model salah mengira noise sebagai sinyal dan gagal dengan kebijakan baru. Keseimbangan dibangun melalui validasi silang - membagi data menjadi bagian pelatihan dan pengujian dan mengujinya pada data yang tidak dilihat oleh model, kesederhanaan dan alasan aktuaria.
Interaksi juga penting: terkadang efek gabungan dari dua faktor berbeda dari jumlah efek masing-masing faktor (kendaraan muda + sporty mungkin lebih berisiko daripada jumlah efek individualnya). Di GLM, interaksi ditambahkan secara eksplisit.
Dalam beberapa tahun terakhir, model seperti GBM (mesin peningkat gradien — metode pembelajaran mesin canggih yang menggabungkan banyak pohon keputusan kecil) telah menjadi hal yang umum dalam penetapan harga. Ini secara otomatis menangkap pola dan interaksi yang kompleks, seringkali memberikan prediksi yang lebih akurat dibandingkan GLM. Namun hal ini ada harganya: kecenderungan untuk menjadi "kotak hitam". Praktek yang umum saat ini adalah menggunakan GBM untuk penemuan dan pembangkitan ide dan GLM untuk tarif akhir yang transparan; atau menafsirkan keluaran GBM dengan alat penjelasan seperti SHAP.
Tabel berikut membandingkan kedua pendekatan tersebut:
kriteria
GLM
GBM (pembelajaran mesin)
Interpretasi
Tinggi (koefisien aktif)
Rendah (membutuhkan alat anotasi)
Tangkapan interaksi
Ditambahkan secara manual
otomatis
Risiko overfitting
rendah-sedang
Tinggi (diperlukan penyesuaian yang cermat)
Persetujuan regulator/audit
mudah
Sulit, memerlukan dokumentasi tambahan
Penggunaan yang umum
tarif akhir
penemuan, perbandingan
Cara menggunakan AI dalam penetapan harga
1) Menerjemahkan koefisien GLM ke dalam bahasa bisnis:
Saya mengatur frekuensi GLM (Poisson, log link). Beberapa koefisien (skala log): age_group_18_25: 0.47 ; wilayah_mayoritas: 0,22 ; arac_yasi_10plus: -0,15. Ubah masing-masing menjadi faktor pengali dengan exp() dan jelaskan dalam satu kalimat yang dapat dipahami oleh manajer. Ingatkan juga apa itu kelompok referensi.
2) Pembahasan variabel/interaksi:
Peran Anda: asisten penetapan harga. Variabel kandidat saya untuk model frekuensi lalu lintas adalah: usia, jenis kelamin, wilayah, usia kendaraan, tenaga mesin, km tahunan, profesi. - Variabel manakah yang mungkin berisiko dari sudut pandang peraturan/etika (misalnya diskriminasi tidak langsung)? - Interaksi bilateral manakah yang masuk akal untuk dicoba? - Langkah verifikasi apa yang harus saya ikuti untuk menghindari overfitting? Pengambilan keputusan; Beri saya kerangka untuk kontrol dan diskusi.
3) Kode kontrol yang berlebihan:
Tulis kode komentar yang mengevaluasi GLM dengan validasi silang k-fold menggunakan Python + scikit-learn / statsmodels. Gunakan deviasi Poisson sebagai metriknya. Bandingkan skor pelatihan dan tes dan jelaskan di baris komentar cara membaca tanda overfitting. Perpustakaan itu palsu.
4) Penyaringan variabel diskriminasi/pengganti:
'Kode Pos' ternyata menjadi variabel kuat dalam model penetapan harga saya. Jelaskan risiko yang secara tidak langsung mewakili karakteristik terlarang (misalnya etnis, pendapatan) sebagai variabel proksi. - Analisis apa yang harus saya lakukan untuk menguji risiko ini? - Alternatif apa yang ada untuk mengurangi risiko? Memberikan nasihat hukum; menggambar kerangka teknis dan etika.
Perintah lemah / Perintah kuat
Perintah yang lemah:
Menetapkan model penetapan harga terbaik untuk asuransi lalu lintas.
"Terbaik" tidak ditentukan; Tidak ada data, tidak ada batasan, tidak ada undang-undang. AI memberikan jawaban yang umum dan tidak dapat diterapkan.
Perintah yang kuat:
Peran Anda: asisten aktuaris penetapan harga. Konteks: Saya sedang membangun model frekuensi cabang lalu lintas, GLM (Poisson, log link). Variabel yang saya miliki: kelompok umur, umur kendaraan, wilayah (provinsi), km tahunan, tujuan penggunaan. Kendala: gender tidak dapat digunakan dalam peraturan perundang-undangan; Saya perlu menghindari diskriminasi tidak langsung.Tugas:1) Menyarankan spesifikasi model awal dengan variabel-variabel ini (termasuk kelompok referensi).2) Memberikan alasan untuk 2 interaksi yang harus saya coba.3) Memberikan daftar langkah-langkah untuk memeriksa overfitting.4) Menambahkan catatan perhatian khusus untuk 'wilayah' dalam hal diskriminasi tidak langsung.Saya akan membuat keputusan; Anda memberikan kerangka dan pembenaran.
tiga kasus mini
Kasus 1 — Nilai transparansi. Sebuah perusahaan menyajikan model penetapan harga yang sangat akurat yang dibuat dengan GBM kepada regulator, namun tidak dapat menjelaskan koefisiennya; persetujuan tertunda. Aktuaris membuat GLM yang menangkap sinyal yang sama; Akurasi turun sebesar 2 persen, namun karena setiap faktor dapat diperhitungkan, model tersebut divalidasi dalam waktu satu bulan. GBM disimpan untuk pengintaian, GLM menjadi tarif. YZ dengan cepat membuat kode dan deskripsi regulator yang membandingkan kinerja kedua model.
Kasus 2 — Jebakan yang berlebihan. Seorang helper mendapat skor sempurna pada data pelatihan ketika dia menambahkan lebih dari 40 variabel dan banyak interaksi ke model. Namun pada validasi silang, skor tes turun: model telah mengingat kebisingan. Kinerja dunia nyata meningkat ketika jumlah variabel dikurangi menjadi 12 dan disederhanakan. Pelajaran: lihatlah skor data yang belum pernah terjadi sebelumnya, bukan skor pelatihan.
Kasus 3 — Diskriminasi tidak langsung. Dalam salah satu model, variabel “lingkungan” menjelaskan premi dengan kuat. Analisis menunjukkan bahwa variabel ini sebagian besar tumpang tindih dengan konsentrasi etnis, yaitu mewakili karakteristik terlarang. Aktuaris mengganti variabel ini dengan indikator risiko yang lebih netral (jenis jalan, kondisi parkir); risiko etika dan hukum telah menurun. AI menghasilkan analisis korelasi yang mengukur saran variabel yang tumpang tindih dan alternatif; Keputusan tersebut diambil oleh unit aktuaris dan kepatuhan.
Kesalahan umum
- Menjadikan model yang tidak dapat ditafsirkan sebagai resep utama. Harga yang tidak dapat dijelaskan kepada regulator, audit, dan pelanggan adalah harga yang tidak berkelanjutan; Transparansi sangatlah penting.
- Mengandalkan skor pendidikan. Overfitting hanya terdeteksi pada data yang tidak terlihat (validasi silang).
- Menggunakan variabel terlarang/pengganti tanpa memeriksa. Variabel seperti kode pos dan pekerjaan mungkin mengandung diskriminasi tidak langsung; Pastikan untuk mengujinya.
- Membingungkan premi risiko dengan premi komersial. Biaya kerusakan murni saja bukanlah harga jual; biaya, keuntungan dan biaya modal ditambahkan.
- Membiarkan koefisien pada skala log dan salah menafsirkannya. Mengomentari tanpa mengubahnya menjadi faktor pengali dengan exp() akan menyebabkan kesalahan.
Perhatian: Rekomendasi AI terhadap model yang "memberikan akurasi terbaik" belum tentu merupakan model yang "seharusnya digunakan". Transparansi, keadilan dan kepatuhan terhadap peraturan perundang-undangan merupakan kriteria wajib sekaligus keakuratan dalam penetapan harga aktuaria.
Singkatnya
Penetapan harga adalah proses mengukur risiko dengan faktor-faktor risiko dan mengubahnya menjadi premi yang adil. GLM adalah standar penetapan harga aktuaria dengan struktur perkalian dan interpretasinya; Koefisien diubah menjadi faktor dengan exp(). Model pembelajaran mesin seperti GBM mungkin lebih akurat, namun mengurangi transparansi dan biasanya digunakan untuk penemuan. Pemilihan variabel harus dilindungi dari overfitting melalui validasi silang, dan diskriminasi tidak langsung (variabel pengganti) harus dikontrol dengan hati-hati. AI membangun model, menulis kode, dan menjelaskan koefisiennya; Namun kepatuhan hukum-etika dan tarif final menjadi tanggung jawab unit aktuaris dan kepatuhan.
Tugas aplikasi
Sebutkan 5-6 faktor risiko utama. Mintalah AI untuk (a) spesifikasi awal GLM dengan faktor-faktor tersebut, (b) 2 interaksi yang akan dicoba dan alasannya, (c) penyaringan variabel yang mungkin berisiko terhadap diskriminasi tidak langsung. Kemudian berikan contoh 3 koefisien log, minta AI untuk mengubahnya menjadi faktor pengali dengan exp() dan mentransfernya ke bahasa bisnis, dan memverifikasi faktor tersebut secara manual.
daftar periksa
- [ ] Dapatkah model saya ditafsirkan; Bisakah saya menerjemahkan dampak setiap faktor ke dalam bahasa bisnis?
- [ ] Sudahkah saya memeriksa overfitting dengan validasi silang?
- [ ] Sudahkah saya memindai diskriminasi tidak langsung untuk variabel terlarang dan variabel proksi?
- [ ] Sudahkah saya secara sadar memisahkan premi risiko dari premi komersial?
- [ ] Apakah saya mengubah koefisien menjadi pengali dengan exp() dan menafsirkannya dengan benar?
- [ ] Apakah saya membuat keputusan tarif final bersama dengan unit legislasi dan kepatuhan?