ಲಾಭಗಳು:
- ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬೆಂಬಲದೊಂದಿಗೆ ಹಾನಿ ಅಭಿವೃದ್ಧಿ ತ್ರಿಕೋನ, IBNR (ಉಂಟಾದ ಆದರೆ ವರದಿಯಾಗದ ಹಾನಿ) ಮತ್ತು ಚೈನ್-ಲ್ಯಾಡರ್ ವಿಧಾನವನ್ನು ಸ್ಥಾಪಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಅಭಿವೃದ್ಧಿ ಅಂಶಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಬೊರ್ನ್ಹ್ಯೂಟರ್-ಫರ್ಗುಸನ್ ಮತ್ತು ಮ್ಯಾಕ್ನಂತಹ ಪರ್ಯಾಯ ವಿಧಾನಗಳೊಂದಿಗೆ ಫಲಿತಾಂಶಗಳನ್ನು ಹೋಲಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ಮೀಸಲು ಅನಿಶ್ಚಿತತೆಯನ್ನು (ವ್ಯತ್ಯಯ, ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರ) ವಿವರಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಲೆಕ್ಕಾಚಾರ ಮಾಡಲಾದ ನಿಬಂಧನೆಯ ಅಂಕಿ ಅಂಶವು ಕರಡು, ಅಂತಿಮವಲ್ಲ ಮತ್ತು ಅಭಿವೃದ್ಧಿಯ ಅಂಶ ಮತ್ತು ನ್ಯಾಯಾಂಗ ತಿದ್ದುಪಡಿಯ ಆಯ್ಕೆಯು ಜವಾಬ್ದಾರಿಯುತ ವಿಮಾಗಣಕಕ್ಕೆ ಸೇರಿದೆ ಎಂದು ನಿರ್ವಹಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.
ವಿಮಾ ಕಂಪನಿಯು ಇಂದು ಹಾನಿಗೆ ಪಾವತಿಸಿದಾಗ, ಅದು ಹಿಂದೆ ಮಾರಾಟವಾದ ಪಾಲಿಸಿಯ ಸಾಲವನ್ನು ವಾಸ್ತವವಾಗಿ ಪಾವತಿಸುತ್ತದೆ. ಆದರೆ ಪ್ರತಿ ಹಾನಿಯನ್ನು ತಕ್ಷಣವೇ ವರದಿ ಮಾಡಲಾಗುವುದಿಲ್ಲ ಮತ್ತು ವರದಿಯಾದ ಪ್ರತಿಯೊಂದು ಹಾನಿಯನ್ನು ತಕ್ಷಣವೇ ಪೂರ್ಣವಾಗಿ ಪಾವತಿಸಲಾಗುವುದಿಲ್ಲ. ಇಂದು ಟ್ರಾಫಿಕ್ ಅಪಘಾತ ಸಂಭವಿಸುತ್ತದೆ, ಕಂಪನಿಗೆ ಮೂರು ತಿಂಗಳ ನಂತರ ಸೂಚಿಸಲಾಗುತ್ತದೆ, ನ್ಯಾಯಾಲಯದ ಪ್ರಕ್ರಿಯೆಯು ಎರಡು ವರ್ಷಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಅಂತಿಮ ಪಾವತಿಯು ನಾಲ್ಕು ವರ್ಷಗಳ ನಂತರ ಸ್ಪಷ್ಟವಾಗುತ್ತದೆ. ಆದ್ದರಿಂದ, ಕಂಪನಿಯು ಇನ್ನೂ ಸಂಪೂರ್ಣವಾಗಿ ಪಾವತಿಸದ ಅಥವಾ ಇನ್ನೂ ವರದಿ ಮಾಡದ ಹಾನಿಗಳಿಗೆ ಇಂದು ಹಣವನ್ನು ಕಾಯ್ದಿರಿಸಬೇಕು. ಈ ಹಣವನ್ನು ಮೀಸಲು ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ ಮತ್ತು ಅದರ ನಿಖರವಾದ ಲೆಕ್ಕಾಚಾರವು ವಿಮಾ ಕಂಪನಿಯ ಅತ್ಯಂತ ನಿರ್ಣಾಯಕ ಕಾರ್ಯವಾಗಿದೆ. ಅವನು ಕಡಿಮೆ ಬಿಟ್ಟರೆ, ಕಂಪನಿಯು ದಿವಾಳಿತನಕ್ಕೆ ಹೋಗುತ್ತದೆ; ಹೆಚ್ಚು ಮಂಜೂರು ಮಾಡಿದರೆ ಬಂಡವಾಳವನ್ನು ವ್ಯರ್ಥವಾಗಿ ಕಟ್ಟಿ ಲಾಭವನ್ನು ಮರೆಮಾಡಲಾಗುತ್ತದೆ.
ಈ ಘಟಕದಲ್ಲಿ, ನಾವು ನಿಬಂಧನೆ ಲೆಕ್ಕಪತ್ರದ ಹೃದಯಭಾಗದಲ್ಲಿರುವ ಮೂರು ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಒಳಗೊಳ್ಳುತ್ತೇವೆ: ಹಾನಿ ಅಭಿವೃದ್ಧಿ ತ್ರಿಕೋನ, IBNR ಮತ್ತು ಚೈನ್-ಲ್ಯಾಡರ್ ವಿಧಾನ. ನಂತರ ನಾವು ಪರ್ಯಾಯ ವಿಧಾನಗಳನ್ನು (ಬೋರ್ನ್ಹ್ಯೂಟರ್-ಫರ್ಗುಸನ್, ಮ್ಯಾಕ್) ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯನ್ನು ಪರಿಗಣಿಸುತ್ತೇವೆ. AI ಈ ಲೆಕ್ಕಾಚಾರಗಳಿಗೆ ಕೋಡ್ ಅನ್ನು ಬರೆಯುತ್ತದೆ, ತ್ರಿಕೋನವನ್ನು ತುಂಬುತ್ತದೆ, ಅಂಶಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ ಮತ್ತು ಫಲಿತಾಂಶವನ್ನು ವಿವರಿಸುತ್ತದೆ; ಆದರೆ ಅಭಿವೃದ್ಧಿ ಅಂಶದ ಆಯ್ಕೆ, ನ್ಯಾಯಾಂಗ ತಿದ್ದುಪಡಿ ಮತ್ತು ಅಂತಿಮ ನಿಬಂಧನೆ ಅಂಕಿಅಂಶಗಳ ಜವಾಬ್ದಾರಿಯು ಜವಾಬ್ದಾರಿಯುತ ವಿಮಾಗಣಕರದ್ದಾಗಿದೆ.
ಹಾನಿ ಅಭಿವೃದ್ಧಿ ತ್ರಿಕೋನ ಎಂದರೇನು?
ನಿಬಂಧನೆ ಲೆಕ್ಕಾಚಾರದ ಆಧಾರವು ಅಭಿವೃದ್ಧಿ ತ್ರಿಕೋನ / ರನ್-ಆಫ್ ತ್ರಿಕೋನವಾಗಿದೆ. ಸಾಲುಗಳು ಹಾನಿ ಸಂಭವಿಸಿದ ಅವಧಿಯನ್ನು ತೋರಿಸುತ್ತವೆ (ಅಪಘಾತದ ವರ್ಷ), ಮತ್ತು ಕಾಲಮ್ಗಳು ಆ ಹಾನಿಗೆ (ಅಭಿವೃದ್ಧಿ ವರ್ಷ) ಎಷ್ಟು ಪಾವತಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ. ಇದು ಈ ರೀತಿ ಓದುತ್ತದೆ: 2021 ರ ಅಪಘಾತ ವರ್ಷದ 1 ನೇ ಅಭಿವೃದ್ಧಿ ವರ್ಷದಲ್ಲಿ 4 ಮಿಲಿಯನ್ ಪಾವತಿಸಲಾಗಿದೆ, 2 ನೇ ವರ್ಷದಲ್ಲಿ ಸಂಚಿತ 6.2 ಮಿಲಿಯನ್ ಪಾವತಿಸಲಾಗಿದೆ ಮತ್ತು 3 ನೇ ವರ್ಷದಲ್ಲಿ 7 ಮಿಲಿಯನ್ ಪಾವತಿಸಲಾಗಿದೆ. ಹಳೆಯ ಅಪಘಾತದ ವರ್ಷಗಳು ಪ್ರಬುದ್ಧವಾಗಿವೆ (ಬಹುತೇಕ ಎಲ್ಲಾ ಪಾವತಿಗಳನ್ನು ಮಾಡಲಾಗಿದೆ), ಹೊಸ ವರ್ಷಗಳು ಇನ್ನೂ ಅಭಿವೃದ್ಧಿ ಹೊಂದುತ್ತಿವೆ. ಆದ್ದರಿಂದ ತ್ರಿಕೋನದ ಹೆಸರು: ಕೆಳಗಿನ ಬಲ ಮೂಲೆಯು ಖಾಲಿಯಾಗಿದೆ, ಏಕೆಂದರೆ ಹೊಸ ವರ್ಷಗಳ ಮತ್ತಷ್ಟು ಅಭಿವೃದ್ಧಿ ಇನ್ನೂ ಸಂಭವಿಸಿಲ್ಲ. ಈ ಖಾಲಿ ಮೂಲೆಯನ್ನು ಅಂದಾಜು ಮಾಡುವುದು ಆಕ್ಚುರಿಯ ಕೆಲಸ.
IBNR (ಇನ್ಕರ್ಡ್ ಆದರೆ ವರದಿ ಮಾಡಲಾಗಿಲ್ಲ) ನಿಖರವಾಗಿ ಈ ಅಂತರದ ಭಾಗವಾಗಿದೆ: ಸಂಭವಿಸಿದ ಆದರೆ ಕಂಪನಿಗೆ ಇನ್ನೂ ವರದಿ ಮಾಡದಿರುವ ಕ್ಲೈಮ್ಗಳ ಭವಿಷ್ಯದ ವೆಚ್ಚ. IBNER (ವರದಿ ಮಾಡಲಾದ ಆದರೆ ಕಡಿಮೆ-ಮೀಸಲಾತಿ ಹಕ್ಕುಗಳ ಹೆಚ್ಚುವರಿ ಅಭಿವೃದ್ಧಿ) ಸಹ ಇದೆ. ಪ್ರಾಯೋಗಿಕವಾಗಿ, ತ್ರಿಕೋನ ವಿಧಾನಗಳು ಒಟ್ಟು ಅಗತ್ಯವಿರುವ ನಿಬಂಧನೆಯನ್ನು ಅಂದಾಜು ಮಾಡುತ್ತವೆ (ಪಾವತಿ + ಭವಿಷ್ಯದ ಅಭಿವೃದ್ಧಿ); ನೀವು ಪಾವತಿಸಿದ ಭಾಗವನ್ನು ಕಳೆಯುವಾಗ, IBNR ಸೇರಿದಂತೆ ಉಳಿದ ನಿಬಂಧನೆಯು ಉಳಿಯುತ್ತದೆ.
ಸಲಹೆ: ನೀವು ತ್ರಿಕೋನವನ್ನು ಎರಡು ವಿಭಿನ್ನ ನೆಲೆಗಳಲ್ಲಿ ಹೊಂದಿಸಬಹುದು: "ಹಾನಿ ಪಾವತಿಸಲಾಗಿದೆ" ಮತ್ತು "ಹಾನಿ ಉಂಟಾದ (ಪಾವತಿ + ತಿಳಿದಿರುವ ಮೀಸಲು)". ಎರಡನ್ನೂ ಒಟ್ಟಿಗೆ ಪರಿಶೀಲಿಸುವುದು ಕ್ಲೈಮ್ಗಳ ತಂಡಗಳ ಬುಕಿಂಗ್ ನಡವಳಿಕೆಯಲ್ಲಿನ ಬದಲಾವಣೆಯನ್ನು ಸೆರೆಹಿಡಿಯಲು ನಿಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ.
ಚೈನ್-ಲ್ಯಾಡರ್ ಹಂತ ಹಂತವಾಗಿ
ಚೈನ್ ಲ್ಯಾಡರ್ ಅತ್ಯಂತ ಸಾಮಾನ್ಯವಾದ ಪ್ರತಿಕ್ರಿಯೆ ವಿಧಾನವಾಗಿದೆ, ಮತ್ತು ಅದರ ತರ್ಕವು ಅರ್ಥಗರ್ಭಿತವಾಗಿದೆ: ಹಿಂದಿನ ನಷ್ಟಗಳು ಒಂದು ಅಭಿವೃದ್ಧಿ ವರ್ಷದಿಂದ ಮುಂದಿನವರೆಗೆ ಸರಾಸರಿ ನಿರ್ದಿಷ್ಟ ದರದಲ್ಲಿ ಬೆಳೆದಿದ್ದರೆ, ಹೊಸ ವರ್ಷಗಳು ಇದೇ ದರದಲ್ಲಿ ಬೆಳೆಯುತ್ತವೆ. ಹಂತಗಳು:
- ಸಂಚಿತ ತ್ರಿಕೋನವನ್ನು ಹೊಂದಿಸಿ. ಅಭಿವೃದ್ಧಿಯ ವರ್ಷದಿಂದ ವರ್ಷಕ್ಕೆ ಪ್ರತಿ ಅಪಘಾತಕ್ಕೆ ಸಂಚಿತ ಪಾವತಿಸಿದ ಹಕ್ಕುಗಳನ್ನು ವಿಂಗಡಿಸಿ.
- ಅಭಿವೃದ್ಧಿ ಅಂಶಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ. ಪ್ರತಿ ಕಾಲಮ್ ಪಾಸ್ಗಾಗಿ: ಮುಂದಿನ ಕಾಲಮ್ನ ಮೊತ್ತ / ಪ್ರಸ್ತುತ ಕಾಲಮ್ನ ಮೊತ್ತ (ಎರಡೂ ಕಾಲಮ್ಗಳನ್ನು ಆಕ್ರಮಿಸಿಕೊಂಡಿರುವ ಸಾಲುಗಳನ್ನು ಮಾತ್ರ ಬಳಸಿ). ಉದಾಹರಣೆಗೆ, ಅಂಶ 1→2 1.45; ಅಂಶ 2→3 1.12 ಆಗಿರಬಹುದು. ಈ ಅಂಶವನ್ನು ವಯಸ್ಸಿನಿಂದ ವಯಸ್ಸಿನ ಅಂಶ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ.
- ಸಂಚಿತ (ಸ್ಟ್ಯಾಕ್ ಮಾಡಿದ) ಅಂಶಗಳನ್ನು ಹುಡುಕಿ. ಪ್ರತಿ ವರ್ಷದ ಫೈನಲ್ ತಲುಪಲು ಉಳಿದ ಅಂಶಗಳನ್ನು ಗುಣಿಸುವುದು.
- ಖಾಲಿ ಮೂಲೆಯನ್ನು ಭರ್ತಿ ಮಾಡಿ. ಪ್ರತಿ ಹೊಸ ಅಪಘಾತ ವರ್ಷದ ಕೊನೆಯ ತಿಳಿದಿರುವ ಮೌಲ್ಯವನ್ನು ಉಳಿದ ಅಂಶಗಳಿಂದ ಗುಣಿಸುವ ಮೂಲಕ ಅಂತಿಮ ಹಾನಿಯನ್ನು ಅಂದಾಜು ಮಾಡಿ.
- ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ. ಅಂತಿಮ ಹಾನಿ - ದಿನಾಂಕದವರೆಗೆ ಪಾವತಿಸಲಾಗಿದೆ = ಭವಿಷ್ಯದಲ್ಲಿ ಪಾವತಿಸಬೇಕಾದ ನಿಬಂಧನೆ (IBNR ಸೇರಿದಂತೆ).
ಕೆಳಗಿನ ಕೋಷ್ಟಕವು ಮಿನಿ ಉದಾಹರಣೆಯಾಗಿದೆ (ಸಂಚಿತ ಪಾವತಿಸಿದ ಹಾನಿ, ಮಿಲಿಯನ್ TL):
ಅಪಘಾತ ವರ್ಷ
ಬನ್ನಿ. 1
ಬನ್ನಿ. 2
ಬನ್ನಿ. 3
ಬನ್ನಿ. 4
2021
4.0
6.0
6.8
7.0
2022
4.4
6.5
7.3
?
2023
4.8
7.0
?
?
2024
5.2
?
?
?
ಈ ತ್ರಿಕೋನದಲ್ಲಿ, 1→2 ಅಂಶವು ಸರಿಸುಮಾರು 1.47 ಆಗಿದೆ; 2→3 ಸುಮಾರು 1.12; 3→4 ಸರಿಸುಮಾರು 1.03. 2024 ಅಂತಿಮ 5.2 × 1.47 × 1.12 × 1.03 ≈ 8.82 ಮಿಲಿಯನ್; ಪಾವತಿಸಿದ ಮೊತ್ತವು 5.2 ಆಗಿರುವುದರಿಂದ, ನಿಬಂಧನೆಯು ≈ 3.62 ಮಿಲಿಯನ್ TL ಆಗಿದೆ. AI ಈ ಅಂಕಗಣಿತವನ್ನು ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಮಾಡುತ್ತದೆ, ಆದರೆ ಆಕ್ಚುರಿ ಅಂಶಗಳು ಸಮಂಜಸವಾಗಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸುತ್ತದೆ.
ಪರ್ಯಾಯ ವಿಧಾನಗಳು ಮತ್ತು ಅನಿಶ್ಚಿತತೆ
ಚೈನ್ ಲ್ಯಾಡರ್ ಮಾತ್ರ ಸಾಕಾಗುವುದಿಲ್ಲ ಏಕೆಂದರೆ ಅಭಿವೃದ್ಧಿ ಅಂಶಗಳು ಸಣ್ಣ ಏರಿಳಿತಗಳಿಗೆ ಅತ್ಯಂತ ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತವೆ ಏಕೆಂದರೆ ಇತ್ತೀಚಿನ ಅಪಘಾತದ ವರ್ಷಗಳಲ್ಲಿ ಕಡಿಮೆ ಡೇಟಾ ಇದೆ; ಒಂದು ದೊಡ್ಡ ಹಾನಿಯು ಸಂಪೂರ್ಣ ಅಂದಾಜನ್ನು ಸ್ಫೋಟಿಸಬಹುದು. ಅದಕ್ಕಾಗಿಯೇ Bornhuetter-Ferguson (BF) ವಿಧಾನವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ: BF ಬಾಹ್ಯ ನಿರೀಕ್ಷಿತ ನಷ್ಟ ಅನುಪಾತದ ಮಾಹಿತಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಅಭಿವೃದ್ಧಿಯಾಗದ ಭಾಗವನ್ನು ಅಂದಾಜು ಮಾಡುತ್ತದೆ ಮತ್ತು ಇದರಿಂದಾಗಿ ಚಂಚಲತೆಯನ್ನು ಸುಗಮಗೊಳಿಸುತ್ತದೆ. ಚೈನ್ ಲ್ಯಾಡರ್ ಅನ್ನು ಪ್ರಬುದ್ಧ ವರ್ಷಗಳಲ್ಲಿ ಆದ್ಯತೆ ನೀಡಲಾಗುತ್ತದೆ, ಹೊಸ ಮತ್ತು ಅಪಕ್ವವಾದ ವರ್ಷಗಳಲ್ಲಿ ಬಿಎಫ್ ಅನ್ನು ಆದ್ಯತೆ ನೀಡಲಾಗುತ್ತದೆ; ಒಟ್ಟಿಗೆ ಅವರು ಸಮತೋಲಿತ ಅಂದಾಜನ್ನು ನೀಡುತ್ತಾರೆ.
ಅನಿಶ್ಚಿತತೆಯನ್ನು ಅಳೆಯಲು, ಮ್ಯಾಕ್ ವಿಧಾನವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ: ಇದು ಚೈನ್ ಲ್ಯಾಡರ್ ಅಂದಾಜಿನ ಪ್ರಮಾಣಿತ ದೋಷವನ್ನು (ವ್ಯತ್ಯಯ) ವಿಶ್ಲೇಷಣಾತ್ಮಕವಾಗಿ ನೀಡುತ್ತದೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಪ್ರತಿಕ್ರಿಯೆಯ ಪೂರ್ಣ ಸಂಭವನೀಯತೆಯ ವಿತರಣೆಯನ್ನು ಬೂಟ್ಸ್ಟ್ರ್ಯಾಪ್ ಮೂಲಕ ಉತ್ಪಾದಿಸಬಹುದು (ದತ್ತಾಂಶವನ್ನು ಪುನರಾವರ್ತಿತವಾಗಿ ಮಾದರಿ ಮಾಡುವ ಮೂಲಕ ಸಿಮ್ಯುಲೇಶನ್); ಇದು "ಕೆಟ್ಟ ಸನ್ನಿವೇಶದಲ್ಲಿ ನಮ್ಮ ಪ್ರತಿಕ್ರಿಯೆ ಏನಾಗಿರುತ್ತದೆ?" ಎಂಬ ಪ್ರಶ್ನೆಗೆ (ಸಾಲ್ವೆನ್ಸಿ II ಗೆ ನಿರ್ಣಾಯಕ) ಉತ್ತರಿಸುತ್ತದೆ. ಈ ವಿಧಾನಗಳ ಕೋಡ್ ಮತ್ತು ಹೋಲಿಕೆಯನ್ನು ಉತ್ಪಾದಿಸುವಲ್ಲಿ AI ಅತ್ಯಂತ ಶಕ್ತಿಶಾಲಿಯಾಗಿದೆ.
ಎಚ್ಚರಿಕೆ: ಬೆಳವಣಿಗೆಯ ಅಂಶದ ಆಯ್ಕೆಯು ಯಾಂತ್ರಿಕವಾಗಿಲ್ಲ. ಒಂದು ವರ್ಷದಲ್ಲಿ, ಶಾಸನದಲ್ಲಿ ಬದಲಾವಣೆ, ಮೊಕದ್ದಮೆಗಳ ದೊಡ್ಡ ಅಲೆ ಅಥವಾ ಕ್ಲೈಮ್ ಪಾವತಿಯ ದರದಲ್ಲಿನ ಬದಲಾವಣೆಯು ಅಂಶಗಳನ್ನು ಅಡ್ಡಿಪಡಿಸಬಹುದು. "ಸರಳ ಸರಾಸರಿ, ತೂಕದ ಸರಾಸರಿ, ಕಳೆದ 3 ವರ್ಷಗಳ" ಆಯ್ಕೆಯು ನ್ಯಾಯಾಂಗವಾಗಿದೆ ಮತ್ತು ಅದನ್ನು ಸಮರ್ಥಿಸಬೇಕು.
ಮೀಸಲು ಲೆಕ್ಕಪತ್ರದಲ್ಲಿ AI ಅನ್ನು ಹೇಗೆ ಬಳಸುವುದು
1) ಚೈನ್ ಲ್ಯಾಡರ್ ಕೋಡ್:
ಚೈನ್ ಲ್ಯಾಡರ್ ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಪೈಥಾನ್ನಲ್ಲಿ ಕಾಮೆಂಟ್ ಮಾಡಿದ ಕೋಡ್ ಅನ್ನು ಬರೆಯಿರಿ. ಇನ್ಪುಟ್: ಸಂಚಿತ ಪಾವತಿಸಿದ ಹಾನಿ ತ್ರಿಕೋನ (ಪಟ್ಟಿಗಳ ಪಟ್ಟಿ, ಕಾಣೆಯಾದ ಕೋಶಗಳು ಯಾವುದೂ ಇಲ್ಲ). 1) ಪ್ರತಿ ಕಾಲಮ್ ಪಾಸ್ಗಾಗಿ ಪರಿಮಾಣ-ತೂಕದ ವಯಸ್ಸಿನ ಅಂಶವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ. 2) ಸಂಚಿತ ಅಂಶಗಳನ್ನು ಹುಡುಕಿ. 3) ಖಾಲಿ ಮೂಲೆಯಲ್ಲಿ ಭರ್ತಿ ಮಾಡಿ ಮತ್ತು ಪ್ರತಿ ಅಪಘಾತ ವರ್ಷಕ್ಕೆ ಅಂತಿಮ ಹಾನಿಯನ್ನು ಅಂದಾಜು ಮಾಡಿ. 4) ಪರಿಹಾರವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ ಮತ್ತು ಮೊತ್ತ (ಅಂತಿಮ - ಪಾವತಿಸಲಾಗಿದೆ). ಪ್ರತಿ ಮಧ್ಯಂತರ ಹಂತವನ್ನು ಪರದೆಯ ಮೇಲೆ ಮುದ್ರಿಸಿ; ಲೈಬ್ರರಿಯನ್ನು ರಚಿಸಬೇಡಿ, ಮೂಲ ಪೈಥಾನ್ ಬಳಸಿ.
2) ವಿಧಾನ ಹೋಲಿಕೆ:
ಚೈನ್ ಲ್ಯಾಡರ್ ಮತ್ತು ಬೋರ್ನ್ಹ್ಯೂಟರ್-ಫರ್ಗುಸನ್ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ವಿಮಾಗಣಕಕ್ಕೆ ವಿವರಿಸಿ.- ಯಾವ ಪರಿಸ್ಥಿತಿಯಲ್ಲಿ ಯಾವುದು ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿದೆ?- ಹೊಸ (ಅಪಕ್ವವಾದ) ಅಪಘಾತ ವರ್ಷಗಳಲ್ಲಿ BF ಏಕೆ ಆದ್ಯತೆ ನೀಡುತ್ತದೆ?- BF ಗೆ ಅಗತ್ಯವಿರುವ 'ನಿರೀಕ್ಷಿತ ಹಾನಿ ದರ'ವನ್ನು ನಾನು ಹೇಗೆ ನಿರ್ಧರಿಸುವುದು? ಕೋಷ್ಟಕದಲ್ಲಿ ಸಾಧಕ-ಬಾಧಕಗಳನ್ನು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಿ.
3) ಅಂಶದ ಸಂಭಾವ್ಯತೆಯ ಪರಿಶೀಲನೆ:
ನಾನು ಈ ಕೆಳಗಿನ ವಯಸ್ಸಿನ-ವಯಸ್ಸಿನ ಅಂಶಗಳನ್ನು ಹೊಂದಿದ್ದೇನೆ: 1->2: 1.47; 2->3: 1.12; 3->4: 1.03; 4->5: 1,45. 4->5 ಅಂಶವು ಇತರರಿಗೆ ಹೋಲಿಸಿದರೆ ವಿಚಿತ್ರವಾಗಿ ಕಾಣುತ್ತದೆ.- ಈ ಜಿಗಿತಕ್ಕೆ ಸಂಭವನೀಯ ಕಾರಣಗಳು ಯಾವುವು (ನಿಯಂತ್ರಕ, ಪ್ರಮುಖ ಹಾನಿ, ಡೇಟಾ ದೋಷ)?- ಪರಿಶೀಲಿಸಲು ನಾನು ಯಾವ ತಪಾಸಣೆಗಳನ್ನು ಮಾಡಬೇಕು? ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವುದು; ನನಗೆ ಪರಿಶೀಲನಾಪಟ್ಟಿ ನೀಡಿ.
4) ಅನಿಶ್ಚಿತತೆಯ ವ್ಯಾಖ್ಯಾನ:
ನನ್ನ ಚೈನ್ ಲ್ಯಾಡರ್ ಉತ್ತಮ ಊಹೆ ನಿಬಂಧನೆ 42 ಮಿಲಿಯನ್ TL ಆಗಿದೆ, ಮ್ಯಾಕ್ ಪ್ರಮಾಣಿತ ದೋಷ 5.3 ಮಿಲಿಯನ್ ಆಗಿದೆ. ನಿರ್ವಾಹಕರು ಮತ್ತು ನಿಯಂತ್ರಕರಿಗೆ ನಾನು ಇದನ್ನು ಹೇಗೆ ವಿವರಿಸುವುದು?- 75% ಮತ್ತು 99.5% ಮಟ್ಟಗಳ ಅರ್ಥವೇನು ಎಂಬುದನ್ನು ಸರಳ ಭಾಷೆಯಲ್ಲಿ ವಿವರಿಸಿ.- 'ಏಕ ಸಂಖ್ಯೆಯ ಬದಲಿಗೆ ಶ್ರೇಣಿ' ಎಂಬ ಸಂದೇಶವನ್ನು ನಾನು ಹೇಗೆ ತಿಳಿಸಬಹುದು?
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:
ನನ್ನ ಪ್ರತಿಫಲವನ್ನು ಲೆಕ್ಕ ಹಾಕಿ.
ಯಾವುದೇ ತ್ರಿಕೋನವಿಲ್ಲ, ಯಾವುದೇ ವಿಧಾನವಿಲ್ಲ, ಡೇಟಾ ಇಲ್ಲ. AI ಅಂತರವನ್ನು ಸರಿಹೊಂದಿಸುತ್ತದೆ.
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:
ನಿಮ್ಮ ಪಾತ್ರ: ಬುಕಿಂಗ್ ಸಹಾಯಕ. ನಾನು ನಿಮಗೆ ಸಂಚಿತ ಪಾವತಿಸಿದ ಕ್ಲೈಮ್ಗಳ ತ್ರಿಕೋನವನ್ನು ನೀಡುತ್ತೇನೆ (ಅನಾಮಧೇಯ, ಮಿಲಿಯನ್ TL):2021: [4.0, 6.0, 6.8, 7.0]2022: [4.4, 6.5, 7.3]2023: [4.8, 7.0]2024: [5.12]ತೂಕವನ್ನು ಲೆಕ್ಕಹಾಕಿ-ವಯಸ್ಸಿನ ಲೆಕ್ಕಾಚಾರ show.2) ಖಾಲಿ ಮೂಲೆಯಲ್ಲಿ ಭರ್ತಿ ಮಾಡಿ, ಪ್ರತಿ ವರ್ಷದ ಅಂತಿಮ ನಷ್ಟವನ್ನು ಬರೆಯಿರಿ. 3) ಒಟ್ಟು ನಿಬಂಧನೆಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ (ಅಂತಿಮ - ಪಾವತಿಸಲಾಗಿದೆ).4) 2024 ತುಂಬಾ ಹೊಸದು; ಆದ್ದರಿಂದ ನಿಮ್ಮ ಅಂದಾಜು ಏಕೆ ಹೆಚ್ಚು ಅನಿಶ್ಚಿತವಾಗಿದೆ ಎಂಬುದನ್ನು ವಿವರಿಸಿ. ನನಗೆ ಮಧ್ಯಂತರ ಸಂಖ್ಯೆಗಳನ್ನು ತೋರಿಸಿ ಇದರಿಂದ ನಾನು ಅವುಗಳನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪರಿಶೀಲಿಸಬಹುದು. ನಾನು ನಿಮಗೆ ನೀಡುವ ಡೇಟಾವನ್ನು ಬಳಸಿ.
ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು
ಪ್ರಕರಣ 1 - ಅಸಮರ್ಪಕ ನಿಬಂಧನೆ. ಒಂದು ಕಂಪನಿಯು ತನ್ನ ವೇಗವಾಗಿ ಬೆಳೆಯುತ್ತಿರುವ ಟ್ರಾಫಿಕ್ ಪೋರ್ಟ್ಫೋಲಿಯೊದಲ್ಲಿ ಕಳೆದ ಎರಡು ಅಪಘಾತ ವರ್ಷಗಳನ್ನು ನೇರ ಸರಪಳಿ ಏಣಿಯೊಂದಿಗೆ ಲೆಕ್ಕ ಹಾಕಿದೆ. ಹೊಸ ವರ್ಷದ ಅಂಶಗಳು ಕಡಿಮೆಯಾಗಿರುವುದರಿಂದ, ನಿಬಂಧನೆಯನ್ನು 31 ಮಿಲಿಯನ್ ಟಿಎಲ್ ಎಂದು ಅಂದಾಜಿಸಲಾಗಿದೆ. ವಿಮಾಗಣಕವು BF ನೊಂದಿಗೆ ಪರಿಶೀಲಿಸಿದಾಗ ಮತ್ತು ನಿರೀಕ್ಷಿತ ಹಾನಿ ದರವನ್ನು ಬಳಸಿದಾಗ, ವಾಸ್ತವಿಕ ಪ್ರತಿಕ್ರಿಯೆಯು 44 ಮಿಲಿಯನ್ TL ಆಗಿತ್ತು. 13 ಮಿಲಿಯನ್ ವ್ಯತ್ಯಾಸವನ್ನು ಒಂದು ವರ್ಷದ ನಂತರ ನಿಜವಾದ ಹಾನಿಯೊಂದಿಗೆ ದೃಢೀಕರಿಸಲಾಯಿತು. ಪಾಠ: ಹೊಸ ವರ್ಷಗಳಲ್ಲಿ, ಕೇವಲ ಸರಪಳಿ ಏಣಿಯನ್ನು ಮೋಸಗೊಳಿಸುತ್ತದೆ.
ಪ್ರಕರಣ 2 - ಭ್ರಷ್ಟ ಅಂಶ. ಸಹಾಯಕ ವಿಮಾಗಣಕವು AI ಉತ್ಪಾದಿಸಿದ ತ್ರಿಕೋನದಲ್ಲಿ 1.42 ರ 3→4 ಅಂಶವನ್ನು ಕಂಡಿತು; ಆದರೆ ಐತಿಹಾಸಿಕ ಸರಾಸರಿ 1.05 ಆಗಿತ್ತು. ಅದನ್ನು ಪ್ರಶ್ನಿಸದೆಯೇ ಹಾದುಹೋಗಿದ್ದರೆ, ಪ್ರತಿಕ್ರಿಯೆಯು ಸರಿಸುಮಾರು 30 ಪ್ರತಿಶತದಷ್ಟು ಹೆಚ್ಚಾಗುತ್ತದೆ. ಡೇಟಾ ಲೋಡಿಂಗ್ ದೋಷದಿಂದಾಗಿ ಎರಡು ಅಪಘಾತ ವರ್ಷಗಳು ಬದಲಾಗಿವೆ ಎಂದು ತನಿಖೆಯಿಂದ ತಿಳಿದುಬಂದಿದೆ. AI ದೋಷವನ್ನು ಉಂಟುಮಾಡಲಿಲ್ಲ, ಆದರೆ ಅದನ್ನು ಗಮನಿಸಲಿಲ್ಲ; ಆಕ್ಚುರಿಯ ಸಮಂಜಸತೆಯ ಪರಿಶೀಲನೆಯು ಸೆಳೆಯಿತು.
ಪ್ರಕರಣ 3 - ಅನಿಶ್ಚಿತತೆಯ ಸರಿಯಾದ ಪ್ರಸ್ತುತಿ. ಜವಾಬ್ದಾರಿಯುತ ವಿಮಾಗಣಕವು ನಿರ್ವಹಣೆಗೆ "ನಿಬಂಧನೆಯು 42 ಮಿಲಿಯನ್ ಆಗಿದೆ" ಎಂದು ಹೇಳಿದರು. ಮ್ಯಾನೇಜ್ಮೆಂಟ್ ಇದು ಖಚಿತ ಎಂದು ಭಾವಿಸಿ ಲಾಭವನ್ನು ವಿತರಿಸಿತು. ಮುಂದಿನ ವರ್ಷ, ನಿಜವಾದ ಅಂಕಿ 48 ಮಿಲಿಯನ್ ಆಗಿದ್ದಾಗ, ಬಿಕ್ಕಟ್ಟು ಹುಟ್ಟಿಕೊಂಡಿತು. ಮುಂದಿನ ಅವಧಿಯಲ್ಲಿ, ವಿಮಾಗಣಕವು ಮ್ಯಾಕ್ ಮತ್ತು ಬೂಟ್ಸ್ಟ್ರ್ಯಾಪ್ನೊಂದಿಗೆ "ಉತ್ತಮ ಊಹೆ 42, ಆದರೆ 75% ಮಟ್ಟವು 46, 99.5% ಮಟ್ಟವು 55 ಮಿಲಿಯನ್" ಎಂದು ಹೇಳುವ ಶ್ರೇಣಿಯನ್ನು ನೀಡಿತು; ಅದರಂತೆ ಆಡಳಿತ ಮಂಡಳಿ ತನ್ನ ನಿರ್ಧಾರ ಕೈಗೊಂಡಿದೆ. AI ಬೂಟ್ಸ್ಟ್ರ್ಯಾಪ್ ಕೋಡ್ ಮತ್ತು ಚಾರ್ಟ್ ಅನ್ನು ಸಿದ್ಧಪಡಿಸುವಲ್ಲಿ ಇದು ಸಾಕಷ್ಟು ಸಮಯವನ್ನು ಉಳಿಸಿದೆ.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ಇತ್ತೀಚಿನ ವರ್ಷಗಳಲ್ಲಿ ಅಪಘಾತಗಳಲ್ಲಿ ಚೈನ್ ಲ್ಯಾಡರ್ ಅನ್ನು ಮಾತ್ರ ಬಳಸುವುದು. ಕಡಿಮೆ ಡೇಟಾ ಎಂದರೆ ಬಾಷ್ಪಶೀಲ ಅಂಶ; BF ನೊಂದಿಗೆ ಸಮತೋಲನ.
- ಅಭಿವೃದ್ಧಿ ಅಂಶಗಳನ್ನು ಸಮಂಜಸತೆಯ ನಿಯಂತ್ರಣಕ್ಕೆ ಒಳಪಡಿಸದಿರುವುದು. ಒಂದು ಭ್ರಷ್ಟ ಅಂಶವು ಸಂಪೂರ್ಣ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಸ್ಫೋಟಿಸುತ್ತದೆ; ಐತಿಹಾಸಿಕ ಮಾದರಿಯೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡಿ.
- ಒಂದೇ ನಿಖರ ಸಂಖ್ಯೆಯಂತೆ ಪರಸ್ಪರವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುವುದು. ಪ್ರತಿಕ್ರಿಯೆ ಒಂದು ಊಹೆಯಾಗಿದೆ; ಅನಿಶ್ಚಿತತೆಯ ವ್ಯಾಪ್ತಿಯಿಲ್ಲದೆ (ಮ್ಯಾಕ್, ಬೂಟ್ಸ್ಟ್ರಾಪ್) ಪ್ರಸ್ತುತಪಡಿಸುವುದು ತಪ್ಪುದಾರಿಗೆಳೆಯುವಂತಿದೆ.
- ಪಾವತಿಸಿದ ಮತ್ತು ಅರಿತುಕೊಂಡ ತ್ರಿಕೋನವನ್ನು ಗೊಂದಲಗೊಳಿಸುವುದು. ಎರಡು ವಿಭಿನ್ನ ವಿಷಯಗಳನ್ನು ಅಳೆಯುತ್ತವೆ; ಒಂದು ಆಧಾರದ ಮೇಲೆ ಸ್ಥಿರವಾಗಿ ಕೆಲಸ ಮಾಡಿ ಅಥವಾ ಪ್ರಜ್ಞಾಪೂರ್ವಕವಾಗಿ ಎರಡನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ.
- ಹಣದುಬ್ಬರ ಮತ್ತು ನಿಯಂತ್ರಕ ವಿರಾಮಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು. ಹಿಂದಿನ ಅಭಿವೃದ್ಧಿ ಮಾದರಿಯು ಭವಿಷ್ಯದಲ್ಲಿ ಒಂದೇ ಆಗಿರುವುದಿಲ್ಲ; ರಚನಾತ್ಮಕ ಬದಲಾವಣೆಯನ್ನು ಸಹ ಪರಿಗಣಿಸಿ.
ಸಾರಾಂಶದಲ್ಲಿ
ಮೀಸಲು ಭವಿಷ್ಯದ ಹೊಣೆಗಾರಿಕೆಯ ಪ್ರಸ್ತುತ ಅಂದಾಜು ಮತ್ತು ವಿಮಾ ಕಂಪನಿಯ ಅತ್ಯಂತ ನಿರ್ಣಾಯಕ ಲೆಕ್ಕಾಚಾರವಾಗಿದೆ. ಹಿಂದಿನ ಪಾವತಿ ಮಾದರಿಯು ಅಭಿವೃದ್ಧಿ ತ್ರಿಕೋನದೊಂದಿಗೆ ಕಂಡುಬರುತ್ತದೆ; ಸರಪಳಿ ಏಣಿಯು ಖಾಲಿ ಮೂಲೆಯನ್ನು ವಯಸ್ಸಿನಿಂದ ವಯಸ್ಸಿನ ಅಂಶಗಳೊಂದಿಗೆ ತುಂಬುತ್ತದೆ ಮತ್ತು IBNR ಸೇರಿದಂತೆ ಅಂತಿಮ ಹಾನಿ ಮತ್ತು ಪರಿಹಾರವನ್ನು ಅಂದಾಜು ಮಾಡುತ್ತದೆ. ಹೊಸ ವರ್ಷಗಳಲ್ಲಿ, ಬಿಎಫ್ ಹೆಚ್ಚು ಸ್ಥಿರವಾಗಿರುತ್ತದೆ; ಅನಿಶ್ಚಿತತೆಯನ್ನು ಮ್ಯಾಕ್ ಮತ್ತು ಬೂಟ್ಸ್ಟ್ರಾಪ್ ಮೂಲಕ ಅಳೆಯಲಾಗುತ್ತದೆ. AI ತ್ರಿಕೋನದಲ್ಲಿ ತುಂಬುತ್ತದೆ, ಕೋಡ್ ಬರೆಯುತ್ತದೆ ಮತ್ತು ವಿಧಾನಗಳನ್ನು ಹೋಲಿಸುತ್ತದೆ; ಆದರೆ ಅಂಶದ ಆಯ್ಕೆ, ಸಮಂಜಸತೆ ಪರಿಶೀಲನೆ ಮತ್ತು ಅಂತಿಮ ಅಂಕಿ ಅಂಶವು ಜವಾಬ್ದಾರಿಯುತ ವಿಮಾಗಣಕದ ತೀರ್ಪು ಮತ್ತು ಸಹಿಯನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ಸಂಚಿತ ಪಾವತಿಸಿದ ಹಕ್ಕುಗಳ ಅನಾಮಧೇಯ ಮಿನಿ ತ್ರಿಕೋನವನ್ನು ರಚಿಸಿ (4 ಅಪಘಾತ ವರ್ಷಗಳು × 4 ಅಭಿವೃದ್ಧಿ ವರ್ಷಗಳವರೆಗೆ). ಚೈನ್ ಲ್ಯಾಡರ್ನೊಂದಿಗೆ ಸಮಾನವಾದ ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು AI ಅನ್ನು ಕೇಳಿ. ವಯಸ್ಸಿನ ಮೂಲಕ ವಯಸ್ಸಿನ ಅಂಶಗಳನ್ನು ಮತ್ತು 2 ವರ್ಷಗಳ ಅಂತಿಮವನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪರಿಶೀಲಿಸಿ. ನಂತರ AI ಅನ್ನು ಕೇಳಿ "ಇತ್ತೀಚಿನ ವರ್ಷದಲ್ಲಿ BF ಹೇಗೆ ವಿಭಿನ್ನ ಫಲಿತಾಂಶವನ್ನು ನೀಡುತ್ತದೆ" ಮತ್ತು ಎರಡು ವಿಧಾನಗಳನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ. ಪ್ರಜ್ಞಾಪೂರ್ವಕವಾಗಿ ಒಂದು ಅಂಶವನ್ನು ವಿರೂಪಗೊಳಿಸಿ (ಉದಾಹರಣೆಗೆ, ಕೋಶವನ್ನು 10 ಬಾರಿ ಹಿಗ್ಗಿಸಿ) ಮತ್ತು AI ಯ ಪ್ರತಿಕ್ರಿಯೆಯು ಹೇಗೆ ಬದಲಾಗುತ್ತದೆ ಮತ್ತು ತೋರಿಕೆಯ ಪರಿಶೀಲನೆಯು ಇದನ್ನು ಹೇಗೆ ಹಿಡಿಯುತ್ತದೆ ಎಂಬುದನ್ನು ಗಮನಿಸಿ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] ಪಾವತಿಸಿದ ಹಾನಿ ಅಥವಾ ಉಂಟಾದ ಹಾನಿಯನ್ನು ಆಧರಿಸಿ ನಾನು ತ್ರಿಕೋನವನ್ನು ಹೊಂದಿಸಿದ್ದೇನೆಯೇ?
- [ ] ಚಾರಿತ್ರಿಕ ಮಾದರಿಯೊಂದಿಗೆ ವಯಸ್ಸಿನ-ವಯಸ್ಸಿನ ಅಂಶಗಳನ್ನು ಹೋಲಿಸುವ ಮೂಲಕ ನಾನು ಸಮರ್ಥನೀಯತೆಯನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆಯೇ?
- [ ] ನಾನು ಹೊಸ/ಅಪ್ರಬುದ್ಧ ವರ್ಷಗಳಿಂದ BF ನೊಂದಿಗೆ ಕ್ರಾಸ್-ಚೆಕ್ ಮಾಡಿದ್ದೇನೆಯೇ?
- [ ] ನಾನು ಒಂದೇ ಸಂಖ್ಯೆಯ ಬದಲಿಗೆ ಅನಿಶ್ಚಿತತೆಯ ಶ್ರೇಣಿಯೊಂದಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಿದ್ದೇನೆಯೇ?
- [ ] ನಾನು ಸ್ವತಂತ್ರವಾಗಿ ಅಂತಿಮ ಹಾನಿ ಮತ್ತು ಕೌಂಟರ್ ಅಂಕಗಣಿತವನ್ನು ಮರು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿದ್ದೇನೆಯೇ?
- [ ] ನನ್ನ ಅಂಶದ ಆಯ್ಕೆಗೆ (ಸರಾಸರಿ ಪ್ರಕಾರ, ಅವಧಿ) ನಾನು ಬರವಣಿಗೆಯಲ್ಲಿ ಸಮರ್ಥನೆಯನ್ನು ನೀಡಿದ್ದೇನೆಯೇ?