नफा:
- कृत्रिम बुद्धिमत्तेच्या सहाय्याने नुकसान वारंवारता आणि नुकसान रक्कम (तीव्रता), योग्य वितरण (पॉइसन, नकारात्मक द्विपदी, गामा) आणि संमिश्र मॉडेल लॉजिक यांच्यातील फरक स्थापित आणि स्पष्ट करण्यात सक्षम असणे.
- योग्य प्रश्न आणि डेटासह कृत्रिम बुद्धिमत्तेसाठी अत्यंत मोठे नुकसान (बाहेरील/मोठे नुकसान), डेटा कॅपिंग आणि ट्रेंड/डेव्हलपमेंट सुधारणांचे वर्गीकरण करणे.
- कृत्रिम बुद्धिमत्तेद्वारे उत्पादित वितरण निवड आणि पॅरामीटर्स चांगल्या-योग्य चाचण्या आणि वास्तविक तर्काने पुष्टी केली पाहिजेत हे समजून घेण्याची क्षमता.
विमा कंपनीसाठी सर्वात मूलभूत प्रश्न आहे: "आम्ही पुढील वर्षी या पॉलिसी गटासाठी किती नुकसान भरणार आहोत?" या प्रश्नाचे अचूक उत्तर देणे ही प्रीमियम योग्यरित्या सेट करणे आणि पुरेसा राखीव वाटप करणे या दोन्हीसाठी एक पूर्व शर्त आहे. या प्रश्नाचे उत्तर ॲक्च्युअरी दोन भागात विभागून देतात; कारण एका तुकड्यात एकूण नुकसानीचा अंदाज घेण्याऐवजी दोन वेगळ्या वर्तनांचे स्वतंत्रपणे मॉडेल करणे अधिक अचूक आहे. हे दोन भाग वारंवारता आणि तीव्रता आहेत.
वारंवारता (नुकसानाची वारंवारता) प्रत्येक दिलेल्या एक्सपोजरमध्ये किती नुकसान होते; उदाहरणार्थ, 100 वाहने - दर वर्षी 8 अपघात. तीव्रता ही प्रत्येक नुकसानीची सरासरी रक्कम आहे; उदाहरणार्थ, प्रति अपघात 30,000 TL. दोघांचा गुणाकार केल्यास जोखीम प्रीमियम मिळतो: प्रति एक्सपोजर अपेक्षित नुकसान खर्च (0.08 × 30,000 = $2,400). हा फरक प्रस्थापित करण्यासाठी AI चा वापर कसा करायचा, योग्य संभाव्यता वितरण आणि आउटलियर्स व्यवस्थापित करण्यासाठी या युनिटमध्ये आपण चरण-दर-चरण पाहू. चला सुरुवातीपासूनच आठवण करून देऊ: AI वितरणाचा प्रस्ताव देतो आणि कोड लिहितो, परंतु चांगल्या-योग्य चाचण्या आणि निर्णयाद्वारे वितरणाच्या निवडीची पुष्टी करणे हे ऍक्च्युअरीवर अवलंबून आहे.
वारंवारता आणि तीव्रता स्वतंत्रपणे का तयार केली जाते?
वारंवारता आणि तीव्रता भिन्न सांख्यिकीय वर्तन दर्शवते. दाव्यांची संख्या गणना व्हेरिएबल आहे (0, 1, 2, 3...) आणि सामान्यतः पॉसॉन वितरण किंवा ओव्हरडिस्पर्शन (प्रसरण > सरासरी) असल्यास नकारात्मक द्विपद वितरणासह मॉडेल केले जाते. पॉसॉन हे शास्त्रीय वितरण आहे जे दुर्मिळ आणि स्वतंत्र घटनांच्या संख्येचे मॉडेल करते. नुकसानीची रक्कम एक सतत आणि उजवीकडे तिरकस व्हेरिएबल आहे: बहुतेक दावे लहान आहेत, काही दावे खूप मोठे आहेत. म्हणून, तीव्रता बहुतेकदा गामा किंवा लॉगनॉर्मल वितरणासह मॉडेल केली जाते; हे सकारात्मक आणि उजवे तिरपे वितरण आहेत.
दोन स्वतंत्रपणे मॉडेलिंगचे तीन ठोस फायदे आहेत. प्रथम, आपण पाहू शकता की प्रत्येकाचे स्वतःचे ड्रायव्हर आहेत (जोखीम घटक): तरुण ड्रायव्हर वारंवारता वाढवते, महाग वाहन हिंसा वाढवते. दुसरे, जेव्हा डेटा बदलतो, तेव्हा तुम्ही निदान करू शकता का: नुकसान खर्च किंवा दाव्यांची संख्या वाढली आहे? तिसरे, तुम्ही केवळ हिंसाचाराच्या बाजूने अत्यंत मोठ्या नुकसानाचा स्वतंत्रपणे विचार करू शकता. या दोघांच्या संयोगाला कंपाऊंड मॉडेल म्हणतात; अपेक्षित एकूण नुकसान = अपेक्षित वारंवारता × अपेक्षित तीव्रता.
इशारा: "आमचे नुकसान/प्रिमियमचे प्रमाण वाढले आहे" हे वाक्य स्वतःहून काहीही सांगत नाही. वारंवारता किंवा तीव्रता वाढली की नाही हे प्रश्न वेगळे करा; हस्तक्षेप (किंमत, कव्हरेज, नुकसान व्यवस्थापन) पूर्णपणे भिन्न असेल.
आउटलियर, ट्रंकेशन आणि ट्रेंड सुधारणा
त्याच्या कच्च्या स्वरूपात नुकसान डेटा मॉडेल बिल्डिंगसाठी तयार नाही. तीन दुरुस्त्या जवळजवळ नेहमीच आवश्यक असतात. पहिले म्हणजे अत्यंत/मोठ्या नुकसानीचे वर्गीकरण: काही मोठे नुकसान (उदा. कारखान्याला लागलेली आग) सरासरी तिरपे करतात; हे वेगळे "मुख्य नुकसान लोड" म्हणून मॉडेल केलेले आहेत. दुसरे कॅपिंग आहे: एका विशिष्ट कमाल मर्यादेचे (उदाहरणार्थ 1,000,000 TL) खूप मोठे नुकसान निश्चित करणे आणि वरच्या भागाची स्वतंत्रपणे गणना केल्याने मॉडेल स्थिर होते. तिसरे, कल आणि विकास सुधारणा: भूतकाळातील दावे आजच्या किमतीच्या पातळीपर्यंत (ट्रेंड) चलनवाढीसह अद्यतनित केले जावेत आणि ज्या दाव्यांचा अद्याप पूर्ण भरणा झाला नाही ते त्यांच्या अंतिम स्तरावर आणले जावे (विकास — आम्ही हा विषय युनिट 3 मध्ये समाविष्ट करू).
खालील सारणी दोन घटकांच्या गुणधर्मांची तुलना करते:
वैशिष्ट्य
वारंवारता (वारंवारता)
हिंसा (रक्कम)
परिवर्तनीय प्रकार
मोजणी करत आहे (0,1,2...)
स्थिर, सकारात्मक
ठराविक वितरण
विष, ऋण द्विपदी
गामा, सामान्य
मास्टर ड्रायव्हरची उदाहरणे
वय, अनुभव, प्रदेश, वापर
वाहन मूल्य, कव्हरेज मर्यादा, दुरुस्ती खर्च
बाह्य समस्या
कमी
उच्च (मोठे नुकसान)
महागाईचा प्रभाव
कमकुवत
मजबूत
नुकसान मॉडेलिंगमध्ये एआय कसे वापरावे
वितरण निवडीबद्दल चर्चा करणे, कोड लिहिणे आणि निकालाचा अर्थ लावणे हे एआय सर्वात मजबूत आहे. खाली चार कॉपी करण्यायोग्य टेम्पलेट्स आहेत.
1) वितरण निवडीवर चर्चा करा:
तुमची भूमिका: एक्चुरियल मॉडेलिंग सहाय्यक. माझ्याकडे विमा दावा AMOUNT डेटा आहे (निनावी, 1,600 दावे). सारांश: सरासरी 30,300 TL, मध्यक 12,500 TL, कमाल 940,000 TL, skewness जास्त आहे. प्रश्न: गामा किंवा लॉगनॉर्मल तीव्रता मॉडेलसाठी अधिक योग्य असेल? प्रत्येकाचे गृहीतक काय आहे, अधिक/वजा आणि कोणत्या चांगुलपणा-योग्य चाचणीसह (उदा. मी निर्णय घेईन हे स्पष्ट करा (Q-Q चार्ट, K-S चाचणी, AIC). एक निश्चित निर्णय घेणे; मला तुलनात्मक फ्रेम द्या.
2) वारंवारता-तीव्रता गणना कोड:
Python + pandas सह टिप्पणी केलेला कोड लिहा जे खालील चरणे करतात: 1) df मध्ये 'एक्सपोजर', 'क्लेम_कौंट', 'क्लेम_माउंट' कॉलम आहेत. 2) सामान्य वारंवारता = एकूण दावा_गणना / एकूण एक्सपोजर. 3) सरासरी तीव्रता = एकूण दावा_रक्कम / एकूण दावा_गणना. 4) जोखीम प्रीमियम = वारंवारता × तीव्रता. 5) प्रत्येक मध्यवर्ती निकाल स्क्रीनवर मुद्रित करा जेणेकरून मी ते व्यक्तिचलितपणे सत्यापित करू शकेन. लायब्ररी फिटिंग; फक्त पांडा वापरा.
3) अत्यंत मूल्य / कटऑफ विश्लेषण:
माझ्याकडे निनावी हक्काच्या रकमेचे वितरण आहे. 950,000, 720,000, 610,000 TL सारखे दावे एकूण रकमेच्या 22% आहेत. तुमच्या कॅपिंग पद्धतीबद्दल मला सांगा: - कोणते कॅप पर्याय वाजवी आहेत (उदा. 500K, 750K, 1M)? - मी कट केलेला भाग वेगळा "मुख्य नुकसान लोड" म्हणून कसा जोडू शकतो? - या निर्णयाचा जोखीम प्रीमियमवर कसा परिणाम होतो ते मला चरण-दर-चरण दाखवा.
4) निकालाचे व्यावसायिक भाषेत भाषांतर करणे:
माझी वारंवारता 0.13 ते 0.15 पर्यंत वाढली; सरासरी हिंसा 28,000 वरून 34,000 TL पर्यंत वाढली. व्यवस्थापकाला समजेल अशा 4 वाक्यांमध्ये याचा सारांश द्या: - काय झाले, कोणता घटक किती वाढला? - जोखीम प्रीमियमवर एकूण काय परिणाम होतो? - मला पडताळण्याची गरज असलेली संभाव्य कारणे आणि 2 गृहीतके लिहा.
कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट
कमकुवत प्रॉम्प्ट:
माझे नुकसान मॉडेल सेट करा आणि प्रीमियमची गणना करा.
अस्पष्ट: कोणता डेटा, कोणता घटक, कोणता वितरण, कोणता कालावधी? AI हे अंतर फॅब्रिकेशनने भरून काढते.
शक्तिशाली सूचना:
तुमची भूमिका: एक्चुरियल मॉडेलिंग सहाय्यक. डेटा (निनावी, वाहतूक शाखा, 2024): एक्सपोजर 20,000 पॉलिसी-वर्षे, दाव्यांची संख्या 2,600, एकूण नुकसान 91,000,000 TL, 5 सर्वात मोठे नुकसान एकूण 12,000,000 TL. कार्य: 1) वारंवारता आणि कच्च्या सरासरी तीव्रतेची गणना करा, सूत्र दाखवा. 2) 5 सर्वात मोठे नुकसान ते 1,000,000 TL पर्यंत मर्यादित करा आणि समायोजित केलेल्या तीव्रतेची पुन्हा गणना करा. 3) जोखीम प्रीमियमची कॅपसह आणि कॅपशिवाय तुलना करा, फरकावर टिप्पणी द्या. 4) प्रत्येक पायरी इंटरमीडिएट नंबर्ससह लिहा जेणेकरून मी ते स्वतः सत्यापित करू शकेन. फक्त मी दिलेले आकडे वापरा; ते गहाळ असल्यास, विचारा.
तीन लहान प्रकरणे
केस 1 - पृथक्करण शक्ती. एका ॲक्च्युअरीने एका वर्षात गृहनिर्माण शाखेतील तोटा/प्रिमियमचे प्रमाण 68 टक्क्यांवरून 81 टक्क्यांपर्यंत वाढले आहे. पॅनीक किंमत वाढ सुचविण्यापूर्वी, वारंवारता-तीव्रता फरक केला गेला: वारंवारता जवळजवळ स्थिर होती (0.041 → 0.043), परंतु सरासरी तीव्रता 14,200 TL वरून 19,800 TL वर गेली होती. कारण बांधकाम खर्चाची महागाई होती, पॉलिसी किंवा धोकादायक ग्राहकांची संख्या नाही. योग्य हस्तक्षेप कव्हरेज रक्कम अद्ययावत करण्याचा होता, आंधळा प्रीमियम वाढ नाही.
केस 2 - बाह्य सापळा. व्यवसाय विमा पोर्टफोलिओमध्ये सरासरी 1,800 दावे 42,000 TL होते. तथापि, एकट्या 6.4 दशलक्ष TL च्या आगीत झालेल्या नुकसानामुळे ही सरासरी अंदाजे 3,500 TL ने वाढली. जेव्हा हे मोठे नुकसान मॉडेल केले गेले आणि वेगळे "मुख्य नुकसान ओझे" म्हणून मर्यादित केले गेले, तेव्हा मूळ तीव्रता 38,500 TL पर्यंत कमी झाली आणि प्रीमियम अधिक वाजवी झाला. AI ने पटकन कॅपिंग कोड आणि पर्यायी कॅप्स व्युत्पन्न केले; ऍक्च्युअरीने निर्णय घेतला.
प्रकरण 3 - मालवितरण. प्रश्नाशिवाय, एका सहाय्यकाने एआय कोड चालवला ज्याने तीव्रतेसाठी सामान्य (गॉसियन) वितरण निवडले. नकारात्मक मूल्ये आणि सममितीसाठी सामान्य वितरणास अनुमती असल्यामुळे, ते उजव्या-तिरकस नुकसान डेटामध्ये बसत नाही; मॉडेलने लहान नुकसानीला जास्त अंदाज लावला आणि मोठ्याला कमी लेखले. जेव्हा क्यू-क्यू प्लॉट आणि एआयसीची तुलना केली गेली तेव्हा असे दिसून आले की गामा अधिक योग्य आहे. धडा: AI ने प्रस्तावित केलेले वितरण नेहमी फिट चाचणीद्वारे तपासले जाते.
सामान्य चुका
- वारंवारता आणि तीव्रता एकत्र करणे आणि एकाच मॉडेलसह अंदाज करणे. हे दोन भिन्न वर्तन लपवते; तुम्ही ड्रायव्हर गमावला आणि का.
- अत्यंत/मोठे नुकसान दूर न करता सरासरी काढणे. काही महाकाय नुकसान संपूर्ण चित्र विकृत करतात; प्रीमियम कृत्रिमरित्या फुगवलेला आहे.
- चलनवाढीचा कल लागू न करता जुने नुकसान वापरणे. 2019 चे नुकसान आजच्या किंमतीसारखे नाही; कल सुधारणा आवश्यक आहे.
- उजव्या-तिरकस डेटावर सामान्य वितरण फिट करणे. नकारात्मक मूल्य आणि सममितीची धारणा नुकसान डेटाच्या विरुद्ध आहे; गामा/लॉगनॉर्मल विचार करा.
- तंदुरुस्त चाचणीसह वितरण निवड सत्यापित करत नाही. AI चा प्रस्ताव एक सुरुवात आहे; Q-Q, K-S, AIC सह पुष्टी करा.
लक्ष द्या: कॅप (कटिंग) पातळी अनियंत्रितपणे निवडली जात नाही. खूप कमी कमाल मर्यादा मोठ्या नुकसानाचा धोका लपवते; खूप जास्त कमाल मर्यादा ट्रिम निरुपयोगी करते. पोर्टफोलिओचा मागील मोठा तोटा अनुभव आणि पुनर्विमा अटी पाहून निवडा.
सारांशात
एकूण नुकसानीचा अचूक अंदाज लावण्याचा मार्ग म्हणजे त्याची वारंवारता (वारंवारता) आणि तीव्रता (रक्कम) मध्ये विभागणे. फ्रिक्वेन्सी पॉसॉन/नकारात्मक द्विपदी, गॅमा/लॉगनॉर्मल द्वारे तीव्रता मॉडेल केली जाते; दोघांचा गुणाकार करून जोखीम प्रीमियम शोधला जातो. कच्च्या डेटासाठी आउटलियर काढणे, ट्रंकेशन आणि ट्रेंड सुधारणा आवश्यक आहे. एआय वितरण चर्चा कोड आणि टिप्पणीसाठी उत्कृष्ट सहाय्यक आहे; परंतु वितरण निवड आणि कॅप निर्णय योग्य चाचण्या आणि वास्तविक निर्णयाद्वारे पुष्टी करतात.
अर्ज कार्य
निनावी नुकसानीचा सारांश तयार करा (एक्सपोजर, दाव्यांची संख्या, एकूण नुकसान, शीर्ष 3-5 दावे). AI ला (a) कच्च्या वारंवारता-तीव्रता-जोखीम प्रीमियमची गणना करण्यास सांगा, (b) मोठ्या तोट्याची गणना करा आणि समायोजित जोखीम प्रीमियमची गणना करा. दोन परिणामांची हाताने पडताळणी करा आणि किती टक्केवारी कॅपिंगमुळे जोखीम प्रीमियम बदलतो ते लक्षात घ्या. मग AI ला "हिंसेसाठी गॅमा किंवा लॉगनॉर्मल" हा प्रश्न विचारा आणि तो तुमच्या स्वतःच्या शब्दात दिलेल्या तुलना फ्रेमचा सारांश द्या.
चेकलिस्ट
- मी वारंवारता आणि तीव्रतेची स्वतंत्रपणे गणना केली किंवा मी त्यांना एक भाग म्हणून पाहिले?
- [ ] मी मोठे/अत्यंत नुकसान ओळखले आहे आणि ते स्वतंत्रपणे हाताळले आहे का?
- मी जुन्या दाव्यांसाठी चलनवाढ/प्रवृत्ती समायोजन लागू केले आहे का?
- [ ] मी तंदुरुस्त चाचणीसह तीव्रतेचे वितरण सत्यापित केले आहे का?
- [ ] मी स्वतंत्रपणे जोखीम प्रीमियमची (वारंवारता × तीव्रता) पुनर्गणना केली आहे का?
- [ ] मी AI ने सुचविलेल्या वितरण आणि कॅप स्तरावर प्रश्नचिन्ह उपस्थित केले आणि निर्णयासह त्याची पुष्टी केली?