क्षतिको मोडेलिङ: आवृत्ति-गम्भीरता भेदभाव र कृत्रिम बुद्धिमत्ता समर्थित विश्लेषण

लाभ:

• आर्टिफिसियल इन्टेलिजेन्सको सहयोगमा क्षति फ्रिक्वेन्सी र क्षतिको मात्रा (गम्भीरता), उपयुक्त वितरण (पोइसन, नकारात्मक द्विपद, गामा) र कम्पोजिट मोडेल तर्क बीचको भिन्नता स्थापित गर्न र व्याख्या गर्न सक्षम हुनु।
• सही प्रश्न र डेटाको साथ कृत्रिम बुद्धिमत्तामा अत्यन्तै ठूलो घाटा (आउटलियर्स/ठूलो घाटा), डेटा क्यापिङ र प्रवृत्ति/विकास सुधारहरू क्रमबद्ध गर्दै।
• कृत्रिम बुद्धिमत्ता द्वारा उत्पादित वितरण चयन र मापदण्डहरू राम्रो-अफ-फिट परीक्षण र वास्तविक तर्कद्वारा पुष्टि गरिनु पर्छ भनेर बुझ्ने क्षमता।

बीमा कम्पनीको लागि सबैभन्दा आधारभूत प्रश्न हो: "हामीले अर्को वर्ष यो नीति समूहको लागि कति क्षति तिर्नेछौं?" यस प्रश्नको सही जवाफ दिनु दुवैको लागि प्रिमियम सही रूपमा सेट गर्न र पर्याप्त रिजर्भहरू आवंटित गर्नको लागि एक पूर्व शर्त हो। यस प्रश्नको उत्तर एक्चुअरहरूले दुई भागमा विभाजन गरेर दिन्छन्; किनभने एक टुक्रामा कुल क्षतिको अनुमान गर्नुको सट्टा दुईवटा अलग-अलग व्यवहारहरूलाई अलग-अलग मोडेल गर्न धेरै सही छ। यी दुई भागहरू आवृत्ति र तीव्रता हुन्।

फ्रिक्वेन्सी (क्षतिको आवृत्ति) प्रति दिइएको एक्सपोजरमा कति क्षतिहरू हुन्छन्; उदाहरणका लागि, 100 सवारी साधन - प्रति वर्ष 8 दुर्घटना। गम्भीरता प्रत्येक क्षतिको औसत रकम हो; उदाहरण को लागी, प्रति दुर्घटना 30,000 TL। दुई गुणा गर्दा जोखिम प्रिमियम प्राप्त हुन्छ: प्रति एक्सपोजर अपेक्षित क्षति लागत (०.०८ × ३०,००० = $२,४००)। यस एकाइमा हामी यो भिन्नता स्थापित गर्न, सही सम्भाव्यता वितरण छनौट गर्न, र आउटलियरहरू व्यवस्थापन गर्न AI कसरी प्रयोग गर्ने भनेर चरण-दर-चरण देख्नेछौं। सुरुदेखि नै सम्झौं: AI ले वितरण प्रस्ताव गर्दछ र कोड लेख्छ, तर यो राम्रो-अफ-फिट परीक्षण र निर्णय मार्फत वितरणको छनोट पुष्टि गर्ने कार्यकर्तामा निर्भर छ।

किन आवृत्ति र तीव्रता अलग-अलग मोडेल गरिएको छ?

आवृत्ति र तीव्रता फरक सांख्यिकीय व्यवहार देखाउँछ। दावीहरूको संख्या गणना चर (0, 1, 2, 3...) हो र सामान्यतया Poisson वितरण वा नकारात्मक द्विपद वितरणको साथ मोडेल गरिन्छ यदि त्यहाँ ओभरडिस्पर्सन (विचरण > मतलब) छ। Poisson शास्त्रीय वितरण हो जसले दुर्लभ र स्वतन्त्र घटनाहरूको संख्यालाई मोडेल गर्दछ। क्षतिको मात्रा एक निरन्तर र दायाँ-तिरेको चर हो: धेरैजसो दावीहरू साना हुन्छन्, केही दाबीहरू धेरै ठूला हुन्छन्। त्यसकारण, गम्भीरतालाई प्रायः गामा वा लगनर्मल वितरणसँग मोडेल गरिएको हुन्छ; यी सकारात्मक र दायाँ-तिरछा वितरण हुन्।

दुई अलग-अलग मोडलिङ तीन ठोस लाभहरू छन्। पहिलो, तपाईंले देख्न सक्नुहुन्छ कि प्रत्येकको आफ्नै ड्राइभरहरू छन् (जोखिम कारकहरू): युवा चालकले आवृत्ति बढाउँछ, महँगो गाडीले हिंसा बढाउँछ। दोस्रो, जब डेटा परिवर्तन हुन्छ, तपाईले किन निदान गर्न सक्नुहुन्छ: के क्षतिको लागत वा दावीहरूको संख्या बढेको छ? तेस्रो, तपाईंले हिंसाको पक्षमा चरम ठूला हानिलाई छुट्टै विचार गर्न सक्नुहुन्छ। यी दुईको संयोजनलाई कम्पाउण्ड मोडल भनिन्छ; अपेक्षित कुल क्षति = अपेक्षित आवृत्ति × अपेक्षित गम्भीरता।

संकेत: "हाम्रो घाटा/प्रिमियम अनुपात बढेको छ" वाक्यले आफैंमा केही बोल्दैन। आवृत्ति वा तीव्रता बढेको प्रश्न अलग गर्नुहोस्; हस्तक्षेप (मूल्य, कवरेज, क्षति व्यवस्थापन) पूर्ण रूपमा फरक हुनेछ।

आउटलियरहरू, काट्ने र प्रवृत्ति सुधारहरू

यसको कच्चा रूप मा क्षति डाटा मोडेल निर्माण को लागी तयार छैन। तीन सुधारहरू लगभग सधैं आवश्यक छ। पहिलो चरम/मुख्य क्षति क्रमबद्ध छ: केहि विशाल क्षतिहरू (जस्तै कारखानाको आगो) औसत स्क्यु; यी एक अलग "प्रमुख क्षति लोड" को रूपमा मोडेल गरिएको छ। दोस्रो क्यापिङ हो: निश्चित छतमा धेरै ठूला क्षतिहरू फिक्स गर्दै (उदाहरणका लागि 1,000,000 TL) र माथिल्लो भाग छुट्टै हिसाबले मोडेललाई स्थिर बनाउँछ। तेस्रो, प्रवृत्ति र विकास सुधार: विगतका दाबीहरू मुद्रास्फीतिसँग आजको मूल्य स्तर (प्रवृत्ति) मा अद्यावधिक गरिनुपर्छ, र अझै पूर्ण रूपमा भुक्तानी नगरिएका दाबीहरूलाई अन्तिम स्तरमा ल्याइनुपर्छ (विकास — हामी यो विषयलाई इकाई ३ मा समेट्नेछौं)।

निम्न तालिकाले दुई घटकहरूको गुणहरू तुलना गर्दछ:

सुविधा

आवृत्ति (आवृत्ति)

हिंसा (राशि)

चर प्रकार

गणना (०,१,२...)

स्थिर, सकारात्मक

सामान्य वितरण

विष, नकारात्मक द्विपद

गामा, सामान्य

मास्टर चालक उदाहरणहरू

उमेर, अनुभव, क्षेत्र, प्रयोग

सवारी साधन मूल्य, कवरेज सीमा, मर्मत लागत

बाहिरी समस्या

कम

उच्च (मुख्य क्षति)

मुद्रास्फीति प्रभाव

कमजोर

बलियो

क्षति मोडेलिङमा AI कसरी प्रयोग गर्ने

जहाँ AI सबैभन्दा बलियो छ वितरण छनोटमा छलफल गर्न, कोड लेख्ने र परिणामको व्याख्या गर्नमा। तल चार प्रतिलिपि योग्य टेम्प्लेटहरू छन्।

1) वितरण चयन छलफल गर्नुहोस्:

तपाईंको भूमिका: वास्तविक मोडलिङ सहायक। मसँग बीमा दावी AMOUNT डाटा (अज्ञात, 1,600 दावीहरू) छ। सारांश: औसत 30,300 TL, मध्य 12,500 TL, अधिकतम 940,000 TL, स्क्युनेस उच्च छ। प्रश्न: गामा वा लगनोर्मल गम्भीरता मोडेलको लागि अधिक उपयुक्त हुनेछ? प्रत्येकको अनुमान के हो, प्लस/माइनस र कुन राम्रो-अफ-फिट परीक्षण (उदाहरणका लागि म निर्णय गर्नेछु भनेर व्याख्या गर्नुहोस् (Q-Q चार्ट, K-S परीक्षण, AIC)। निश्चित निर्णय लिँदै; मलाई तुलनात्मक फ्रेम दिनुहोस्।

2) आवृत्ति-तीव्रता गणना कोड:

निम्न चरणहरू गर्ने Python + pandas सँग टिप्पणी गरिएको कोड लेख्नुहोस्: 1) df मा 'exposure', 'claim_count', 'claim_amount' स्तम्भहरू छन्। २) सामान्य आवृत्ति = कुल दावी_गणना / कुल एक्सपोजर। 3) औसत गम्भीरता = कुल दावी_राशि / कुल दावी_गणना। 4) जोखिम प्रिमियम = आवृत्ति × गम्भीरता। 5) प्रत्येक मध्यवर्ती नतिजालाई स्क्रिनमा प्रिन्ट गर्नुहोस् ताकि म यसलाई म्यानुअल रूपमा प्रमाणित गर्न सकूँ। पुस्तकालय फिटिंग; केवल पाण्डा प्रयोग गर्नुहोस्।

3) चरम मूल्य / कटअफ विश्लेषण:

मसँग बेनामी दाबी रकम वितरण छ। दावीहरू जस्तै 950,000, 720,000, 610,000 TL कुल रकमको 22% हो। मलाई तपाईंको क्यापिङ दृष्टिकोणको बारेमा बताउनुहोस्: - कुन क्याप विकल्पहरू उचित छन् (जस्तै 500K, 750K, 1M)? - म कसरी काटिएको भागलाई छुट्टै "प्रमुख क्षति भार" को रूपमा थप्न सक्छु? - मलाई यो निर्णयले जोखिम प्रिमियमलाई कसरी असर गर्छ भनेर चरणबद्ध रूपमा देखाउनुहोस्।

4) व्यापार भाषामा परिणाम अनुवाद:

मेरो आवृत्ति 0.13 बाट 0.15 मा बढ्यो; औसत हिंसा 28,000 बाट 34,000 TL मा बढ्यो। प्रबन्धकले बुझ्न सक्ने ४ वाक्यमा यसलाई संक्षेप गर्नुहोस्: - के भयो, कुन कम्पोनेन्ट कतिले बढ्यो? - जोखिम प्रिमियममा कुल प्रभाव के हो? - मैले प्रमाणित गर्न आवश्यक पर्ने सम्भावित कारणहरू र २ अनुमानहरू लेख्नुहोस्।

कमजोर प्रम्प्ट / बलियो प्रम्प्ट

कमजोर प्रम्प्ट:

मेरो घाटा मोडेल सेट अप गर्नुहोस् र प्रिमियम गणना गर्नुहोस्।

अस्पष्ट: कुन डाटा, कुन कम्पोनेन्ट, कुन वितरण, कुन अवधि? AI ले यो खाडललाई फेब्रिकेसनले भर्छ।

शक्तिशाली प्रम्प्ट:

तपाईंको भूमिका: वास्तविक मोडलिङ सहायक। डाटा (अज्ञात, ट्राफिक शाखा, 2024): एक्सपोजर 20,000 नीति-वर्ष, दावीहरूको संख्या 2,600, कुल क्षति 91,000,000 TL, 5 सबैभन्दा ठूलो क्षति कुल 12,000,000 TL। कार्य: 1) फ्रिक्वेन्सी र कच्चा औसत गम्भीरता गणना गर्नुहोस्, सूत्र देखाउनुहोस्। 2) 5 सबैभन्दा ठूलो क्षतिले यसलाई 1,000,000 TL मा क्याप गर्नुहोस् र समायोजन गरिएको गम्भीरता फेरि गणना गर्नुहोस्। 3) क्यापसँग र बिना जोखिम प्रिमियम तुलना गर्नुहोस्, भिन्नतामा टिप्पणी गर्नुहोस्। 4) प्रत्येक चरणलाई मध्यवर्ती संख्याहरूसँग लेख्नुहोस् ताकि म यसलाई म्यानुअल रूपमा प्रमाणित गर्न सकूँ। मैले दिएको नम्बरहरू मात्र प्रयोग गर्नुहोस्; यदि यो हराइरहेको छ भने, सोध्नुहोस्।

तीन मिनी केसहरू

केस 1 - विभाजन को शक्ति। एक एक्च्युरीले आवास शाखामा घाटा/प्रिमियम अनुपात एक वर्षमा ६८ प्रतिशतबाट ८१ प्रतिशतमा पुगेको देखे। आतंक मूल्य वृद्धि सुझाव दिनु अघि, एक फ्रिक्वेन्सी-गम्भीरता भेद बनाइएको थियो: आवृत्ति लगभग स्थिर थियो (0.041 → 0.043), तर औसत गम्भीरता 14,200 TL बाट 19,800 TL मा जम्प भएको थियो। कारण निर्माण लागत मुद्रास्फीति थियो, नीतिहरू वा जोखिमपूर्ण ग्राहकहरूको संख्या होइन। सही हस्तक्षेप कभरेज रकम अद्यावधिक गर्न थियो, एक अन्धा प्रीमियम वृद्धि होइन।

केस २ - आउटलियर जाल। व्यापार बीमा पोर्टफोलियोमा 1,800 दावीहरूको औसत 42,000 TL थियो। यद्यपि, 6.4 मिलियन TL को एकल आगलागीले मात्र यो औसत लगभग 3,500 TL ले बढाएको छ। जब यो ठूलो क्षति मोडेल गरिएको थियो र छुट्टै "प्रमुख क्षति बोझ" को रूपमा क्याप गरिएको थियो, आधार गम्भीरता 38,500 TL मा घट्यो र प्रिमियम अधिक निष्पक्ष भयो। एआईले द्रुत रूपमा क्यापिङ कोड र वैकल्पिक क्याप्स उत्पन्न गर्‍यो; महाधिवेशनले निर्णय गरेको हो ।

केस 3 - माल वितरण। प्रश्न बिना, एक सहायकले एआई कोड चलायो जसले गम्भीरताको लागि सामान्य (गौसियन) वितरण चयन गर्यो। किनभने सामान्य वितरणले नकारात्मक मानहरू र सममितिको लागि अनुमति दिएको छ, यसले दायाँ-तिरेको क्षति डेटा फिट गर्दैन; मोडेलले साना नोक्सानहरूलाई बढायो र ठूलाहरूलाई कम मूल्याङ्कन गर्‍यो। जब Q-Q प्लट र AIC तुलना गरियो, यो गामा धेरै राम्रो फिट भएको देखियो। पाठ: AI द्वारा प्रस्तावित वितरण सधैं फिट परीक्षण द्वारा परीक्षण गरिन्छ।

सामान्य गल्तीहरू

• आवृत्ति र तीव्रता संयोजन र एकल मोडेल संग भविष्यवाणी। यसले दुई फरक व्यवहार लुकाउँछ; तपाईले चालक गुमाउनुभयो र किन।
• चरम/ठूलो क्षति हटाउन बिना औसत। केही ठूला क्षतिहरूले सम्पूर्ण तस्विरलाई बिगार्छ; प्रिमियम कृत्रिम रूपमा बढाइएको छ।
• मुद्रास्फीति प्रवृत्ति लागू नगरी पुरानो क्षति प्रयोग गर्दै। 2019 क्षति आजको मूल्य जस्तै छैन; प्रवृत्ति सुधार आवश्यक छ।
• दायाँ-स्क्युड डेटामा सामान्य वितरण फिट गर्दै। नकारात्मक मान र सममिति को धारणा क्षति डेटा को विपरीत छ; गामा/lognormal सोच्नुहोस्।
• फिट परीक्षणको साथ वितरण छनौट प्रमाणित गर्दैन। AI को प्रस्ताव एक सुरुवात हो; Q-Q, K-S, AIC सँग पुष्टि गर्नुहोस्।

ध्यान दिनुहोस्: क्याप (काट्ने) स्तर मनमानी रूपमा चयन गरिएको छैन। धेरै कम छतले ठूलो क्षतिको जोखिम लुकाउँछ; धेरै उच्च छत ट्रिम बेकार बनाउँछ। पोर्टफोलियोको विगतको प्रमुख घाटा अनुभव र पुनर्बीमा सर्तहरू हेरेर छनौट गर्नुहोस्।

संक्षेपमा

कुल क्षतिको सही अनुमान गर्ने तरिका भनेको यसलाई फ्रिक्वेन्सी (फ्रिक्वेन्सी) र गम्भीरता (राशि) मा विभाजन गर्नु हो। फ्रिक्वेन्सी पोइसन/नकारात्मक द्विपद द्वारा मोडेल गरिएको छ, गामा/लग्नोर्मल द्वारा तीव्रता; जोखिम प्रिमियम दुई गुणा गरेर पत्ता लगाइन्छ। कच्चा डेटालाई आउटलियर हटाउने, काट्ने, र प्रवृति सुधार आवश्यक छ। एआई वितरण छलफल कोड र टिप्पणी को लागी एक उत्कृष्ट सहायक हो; तर वितरण चयन र क्याप निर्णय फिट परीक्षण र वास्तविक निर्णय द्वारा पुष्टि गरिन्छ।

आवेदन कार्य

एक बेनामी क्षति सारांश (एक्सपोजर, दाबी संख्या, कुल क्षति, शीर्ष 3-5 दावी) तयार गर्नुहोस्। AI लाई गणना गर्न सोध्नुहोस् (a) कच्चा फ्रिक्वेन्सी-गम्भीरता-जोखिम प्रीमियम, (b) ठूलो घाटा क्याप गर्नुहोस् र समायोजित जोखिम प्रिमियम गणना गर्नुहोस्। दुईवटा नतिजाहरू हातले प्रमाणित गर्नुहोस् र कुन प्रतिशत क्यापिङले जोखिम प्रिमियम परिवर्तन गर्छ भनेर नोट गर्नुहोस्। त्यसपछि AI लाई "हिंसाका लागि गामा वा लगनोर्मल" प्रश्न सोध्नुहोस् र यसले तपाइँको आफ्नै शब्दमा दिएको तुलनात्मक फ्रेमलाई संक्षेप गर्नुहोस्।

चेकलिस्ट

• के मैले फ्रिक्वेन्सी र तीव्रता अलग-अलग गणना गरें, वा मैले तिनीहरूलाई एक टुक्राको रूपमा हेरेँ?
• [ ] के मैले ठूलो/चरम क्षति पहिचान गरेको छु र यसलाई छुट्टै व्यवहार गरेको छु?
• के मैले पुरानो दाबीहरूमा मुद्रास्फीति/प्रवृत्ति समायोजन लागू गरेको छु?
• [ ] के मैले राम्रो-अफ-फिट परीक्षणको साथ तीव्रता वितरण प्रमाणित गरेको छु?
• [ ] के मैले स्वतन्त्र रूपमा जोखिम प्रिमियम (फ्रिक्वेन्सी × गम्भीरता) पुन: गणना गरेको छु?
• [ ] के मैले AI द्वारा सुझाव गरिएको वितरण र क्याप स्तरमा प्रश्न उठाएँ र यसलाई न्यायको साथ पुष्टि गरें?