ਡੈਮੇਜ ਮਾਡਲਿੰਗ: ਬਾਰੰਬਾਰਤਾ-ਤੀਬਰਤਾ ਭੇਦਭਾਵ ਅਤੇ ਨਕਲੀ ਬੁੱਧੀ ਸਮਰਥਿਤ ਵਿਸ਼ਲੇਸ਼ਣ

ਲਾਭ:

• ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਸਮਰਥਨ ਨਾਲ ਨੁਕਸਾਨ ਦੀ ਬਾਰੰਬਾਰਤਾ ਅਤੇ ਨੁਕਸਾਨ ਦੀ ਮਾਤਰਾ (ਤੀਬਰਤਾ), ਉਚਿਤ ਵੰਡਾਂ (ਪੋਇਸਨ, ਨੈਗੇਟਿਵ ਬਾਇਨੋਮੀਅਲ, ਗਾਮਾ) ਅਤੇ ਮਿਸ਼ਰਿਤ ਮਾਡਲ ਤਰਕ ਵਿਚਕਾਰ ਅੰਤਰ ਨੂੰ ਸਥਾਪਤ ਕਰਨ ਅਤੇ ਵਿਆਖਿਆ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣਾ।
• ਸਹੀ ਸਵਾਲਾਂ ਅਤੇ ਡੇਟਾ ਦੇ ਨਾਲ ਬਹੁਤ ਵੱਡੇ ਨੁਕਸਾਨਾਂ (ਬਾਹਰਲੇ/ਵੱਡੇ ਨੁਕਸਾਨ), ਡੇਟਾ ਕੈਪਿੰਗ ਅਤੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਵਿੱਚ ਰੁਝਾਨ/ਵਿਕਾਸ ਸੁਧਾਰਾਂ ਨੂੰ ਛਾਂਟਣਾ।
• ਇਹ ਸਮਝਣ ਦੀ ਯੋਗਤਾ ਕਿ ਨਕਲੀ ਬੁੱਧੀ ਦੁਆਰਾ ਪੈਦਾ ਕੀਤੀ ਵੰਡ ਦੀ ਚੋਣ ਅਤੇ ਮਾਪਦੰਡਾਂ ਦੀ ਚੰਗੀ-ਫਿੱਟ ਟੈਸਟਾਂ ਅਤੇ ਅਸਲ ਤਰਕ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।

ਇੱਕ ਬੀਮਾ ਕੰਪਨੀ ਲਈ ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਸਵਾਲ ਇਹ ਹੈ: "ਅਸੀਂ ਅਗਲੇ ਸਾਲ ਇਸ ਪਾਲਿਸੀ ਸਮੂਹ ਲਈ ਕਿੰਨਾ ਨੁਕਸਾਨ ਅਦਾ ਕਰਾਂਗੇ?" ਇਸ ਸਵਾਲ ਦਾ ਸਹੀ ਜਵਾਬ ਦੇਣਾ ਪ੍ਰੀਮੀਅਮ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਸੈੱਟ ਕਰਨ ਅਤੇ ਲੋੜੀਂਦੇ ਰਿਜ਼ਰਵ ਦੀ ਵੰਡ ਦੋਵਾਂ ਲਈ ਇੱਕ ਪੂਰਵ ਸ਼ਰਤ ਹੈ। ਐਕਚੁਅਰੀ ਇਸ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦੋ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡ ਕੇ ਦਿੰਦੇ ਹਨ; ਕਿਉਂਕਿ ਇੱਕ ਟੁਕੜੇ ਵਿੱਚ ਕੁੱਲ ਨੁਕਸਾਨ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਦੀ ਬਜਾਏ ਦੋ ਵੱਖ-ਵੱਖ ਵਿਵਹਾਰਾਂ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਮਾਡਲ ਕਰਨਾ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਹੀ ਹੈ। ਇਹ ਦੋ ਭਾਗ ਬਾਰੰਬਾਰਤਾ ਅਤੇ ਤੀਬਰਤਾ ਹਨ.

ਬਾਰੰਬਾਰਤਾ (ਨੁਕਸਾਨ ਦੀ ਬਾਰੰਬਾਰਤਾ) ਇਹ ਹੈ ਕਿ ਦਿੱਤੇ ਗਏ ਐਕਸਪੋਜਰ ਪ੍ਰਤੀ ਕਿੰਨੇ ਨੁਕਸਾਨ ਹੁੰਦੇ ਹਨ; ਉਦਾਹਰਨ ਲਈ, 100 ਵਾਹਨ - ਪ੍ਰਤੀ ਸਾਲ 8 ਹਾਦਸੇ। ਗੰਭੀਰਤਾ ਹਰੇਕ ਨੁਕਸਾਨ ਦੀ ਔਸਤ ਮਾਤਰਾ ਹੈ; ਉਦਾਹਰਨ ਲਈ, ਪ੍ਰਤੀ ਦੁਰਘਟਨਾ 30,000 TL। ਦੋਵਾਂ ਨੂੰ ਗੁਣਾ ਕਰਨ ਨਾਲ ਜੋਖਮ ਪ੍ਰੀਮੀਅਮ ਮਿਲਦਾ ਹੈ: ਪ੍ਰਤੀ ਐਕਸਪੋਜਰ (0.08 × 30,000 = $2,400) ਦੀ ਅਨੁਮਾਨਤ ਨੁਕਸਾਨ ਦੀ ਲਾਗਤ। ਇਸ ਇਕਾਈ ਵਿੱਚ ਅਸੀਂ ਕਦਮ-ਦਰ-ਕਦਮ ਦੇਖਾਂਗੇ ਕਿ ਇਸ ਅੰਤਰ ਨੂੰ ਸਥਾਪਤ ਕਰਨ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਨੀ ਹੈ, ਸਹੀ ਸੰਭਾਵੀ ਵੰਡ ਦੀ ਚੋਣ ਕਰੋ, ਅਤੇ ਆਊਟਲੀਅਰਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰੋ। ਚਲੋ ਸ਼ੁਰੂ ਤੋਂ ਯਾਦ ਦਿਵਾਉਂਦੇ ਹਾਂ: AI ਡਿਸਟਰੀਬਿਊਸ਼ਨ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰਦਾ ਹੈ ਅਤੇ ਕੋਡ ਲਿਖਦਾ ਹੈ, ਪਰ ਇਹ ਐਕਚੂਰੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਉਹ ਚੰਗੇ-ਆਫ-ਫਿੱਟ ਟੈਸਟਾਂ ਅਤੇ ਨਿਰਣੇ ਦੁਆਰਾ ਵੰਡ ਦੀ ਚੋਣ ਦੀ ਪੁਸ਼ਟੀ ਕਰੇ।

ਬਾਰੰਬਾਰਤਾ ਅਤੇ ਤੀਬਰਤਾ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਮਾਡਲ ਕਿਉਂ ਬਣਾਇਆ ਗਿਆ ਹੈ?

ਬਾਰੰਬਾਰਤਾ ਅਤੇ ਤੀਬਰਤਾ ਵੱਖੋ-ਵੱਖਰੇ ਅੰਕੜਾ ਵਿਹਾਰ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ। ਦਾਅਵਿਆਂ ਦੀ ਸੰਖਿਆ ਇੱਕ ਕਾਉਂਟ ਵੇਰੀਏਬਲ (0, 1, 2, 3...) ਹੈ ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ ਇੱਕ ਪੋਇਸਨ ਵੰਡ ਜਾਂ ਇੱਕ ਨੈਗੇਟਿਵ ਬਾਇਨੋਮੀਅਲ ਡਿਸਟਰੀਬਿਊਸ਼ਨ ਦੇ ਨਾਲ ਮਾਡਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੇਕਰ ਓਵਰਡਿਸਪਰਸ਼ਨ (ਪਰਿਵਰਤਨ > ਮਤਲਬ) ਹੁੰਦਾ ਹੈ। ਪੋਇਸਨ ਕਲਾਸੀਕਲ ਵੰਡ ਹੈ ਜੋ ਦੁਰਲੱਭ ਅਤੇ ਸੁਤੰਤਰ ਘਟਨਾਵਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਮਾਡਲ ਕਰਦੀ ਹੈ। ਨੁਕਸਾਨ ਦੀ ਮਾਤਰਾ ਇੱਕ ਨਿਰੰਤਰ ਅਤੇ ਸੱਜਾ-ਸੁੱਕਾ ਵੇਰੀਏਬਲ ਹੈ: ਜ਼ਿਆਦਾਤਰ ਦਾਅਵੇ ਛੋਟੇ ਹੁੰਦੇ ਹਨ, ਕੁਝ ਦਾਅਵੇ ਬਹੁਤ ਵੱਡੇ ਹੁੰਦੇ ਹਨ। ਇਸ ਲਈ, ਗੰਭੀਰਤਾ ਨੂੰ ਅਕਸਰ ਗਾਮਾ ਜਾਂ ਲੌਗਨੋਰਮਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਨਾਲ ਮਾਡਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ; ਇਹ ਸਕਾਰਾਤਮਕ ਅਤੇ ਸੱਜੇ-ਤਿੱਖੀਆਂ ਵੰਡੀਆਂ ਹਨ।

ਦੋਵਾਂ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਮਾਡਲਿੰਗ ਕਰਨ ਦੇ ਤਿੰਨ ਠੋਸ ਫਾਇਦੇ ਹਨ। ਪਹਿਲਾਂ, ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਹਰੇਕ ਦੇ ਆਪਣੇ ਡਰਾਈਵਰ ਹਨ (ਜੋਖਮ ਦੇ ਕਾਰਕ): ਨੌਜਵਾਨ ਡਰਾਈਵਰ ਬਾਰੰਬਾਰਤਾ ਵਧਾਉਂਦਾ ਹੈ, ਮਹਿੰਗਾ ਵਾਹਨ ਹਿੰਸਾ ਵਧਾਉਂਦਾ ਹੈ। ਦੂਜਾ, ਜਦੋਂ ਡੇਟਾ ਬਦਲਦਾ ਹੈ, ਤੁਸੀਂ ਨਿਦਾਨ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਕਿਉਂ: ਕੀ ਨੁਕਸਾਨ ਦੀ ਲਾਗਤ ਜਾਂ ਦਾਅਵਿਆਂ ਦੀ ਗਿਣਤੀ ਵਧੀ ਹੈ? ਤੀਸਰਾ, ਤੁਸੀਂ ਹਿੰਸਾ ਵਾਲੇ ਪਾਸੇ ਸਿਰਫ਼ ਬਹੁਤ ਵੱਡੇ ਨੁਕਸਾਨ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਵਿਚਾਰ ਸਕਦੇ ਹੋ। ਇਹਨਾਂ ਦੋਨਾਂ ਦੇ ਸੁਮੇਲ ਨੂੰ ਮਿਸ਼ਰਿਤ ਮਾਡਲ ਕਿਹਾ ਜਾਂਦਾ ਹੈ; ਸੰਭਾਵਿਤ ਕੁੱਲ ਨੁਕਸਾਨ = ਸੰਭਾਵਿਤ ਬਾਰੰਬਾਰਤਾ × ਸੰਭਾਵਿਤ ਗੰਭੀਰਤਾ।

ਸੰਕੇਤ: ਵਾਕ "ਸਾਡਾ ਘਾਟਾ/ਪ੍ਰੀਮੀਅਮ ਅਨੁਪਾਤ ਵਧਿਆ ਹੈ" ਆਪਣੇ ਆਪ ਕੁਝ ਨਹੀਂ ਕਹਿੰਦਾ। ਇਸ ਸਵਾਲ ਨੂੰ ਵੱਖ ਕਰੋ ਕਿ ਕੀ ਬਾਰੰਬਾਰਤਾ ਜਾਂ ਤੀਬਰਤਾ ਵਧੀ ਹੈ; ਦਖਲ (ਕੀਮਤ, ਕਵਰੇਜ, ਨੁਕਸਾਨ ਪ੍ਰਬੰਧਨ) ਪੂਰੀ ਤਰ੍ਹਾਂ ਵੱਖਰਾ ਹੋਵੇਗਾ।

ਆਊਟਲੀਅਰ, ਕਟੌਤੀ ਅਤੇ ਰੁਝਾਨ ਸੁਧਾਰ

ਇਸਦੇ ਕੱਚੇ ਰੂਪ ਵਿੱਚ ਨੁਕਸਾਨ ਦਾ ਡੇਟਾ ਮਾਡਲ ਬਿਲਡਿੰਗ ਲਈ ਤਿਆਰ ਨਹੀਂ ਹੈ। ਤਿੰਨ ਸੁਧਾਰ ਲਗਭਗ ਹਮੇਸ਼ਾ ਲੋੜੀਂਦੇ ਹੁੰਦੇ ਹਨ। ਪਹਿਲਾ ਹੈ ਬਹੁਤ ਜ਼ਿਆਦਾ/ਵੱਡੇ ਨੁਕਸਾਨ ਦੀ ਛਾਂਟੀ: ਕੁਝ ਵੱਡੇ ਨੁਕਸਾਨ (ਜਿਵੇਂ ਕਿ ਫੈਕਟਰੀ ਦੀ ਅੱਗ) ਔਸਤ ਨੂੰ ਘਟਾ ਦਿੰਦੇ ਹਨ; ਇਹਨਾਂ ਨੂੰ ਇੱਕ ਵੱਖਰੇ "ਮੁੱਖ ਨੁਕਸਾਨ ਦੇ ਭਾਰ" ਵਜੋਂ ਮਾਡਲ ਕੀਤਾ ਗਿਆ ਹੈ। ਦੂਜਾ ਕੈਪਿੰਗ ਹੈ: ਇੱਕ ਖਾਸ ਛੱਤ (ਉਦਾਹਰਨ ਲਈ 1,000,000 TL) ਦੇ ਬਹੁਤ ਵੱਡੇ ਨੁਕਸਾਨ ਨੂੰ ਫਿਕਸ ਕਰਨਾ ਅਤੇ ਉੱਪਰਲੇ ਹਿੱਸੇ ਦੀ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਗਣਨਾ ਕਰਨਾ ਮਾਡਲ ਨੂੰ ਸਥਿਰ ਬਣਾਉਂਦਾ ਹੈ। ਤੀਜਾ, ਰੁਝਾਨ ਅਤੇ ਵਿਕਾਸ ਸੁਧਾਰ: ਪਿਛਲੇ ਦਾਅਵਿਆਂ ਨੂੰ ਅੱਜ ਦੇ ਮੁੱਲ ਪੱਧਰ (ਰੁਝਾਨ) ਲਈ ਮਹਿੰਗਾਈ ਦੇ ਨਾਲ ਅੱਪਡੇਟ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਦਾਅਵਿਆਂ ਜਿਨ੍ਹਾਂ ਦਾ ਅਜੇ ਤੱਕ ਪੂਰਾ ਭੁਗਤਾਨ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ ਉਹਨਾਂ ਦੇ ਅੰਤਮ ਪੱਧਰ 'ਤੇ ਲਿਆਂਦਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ (ਵਿਕਾਸ - ਅਸੀਂ ਇਸ ਵਿਸ਼ੇ ਨੂੰ ਯੂਨਿਟ 3 ਵਿੱਚ ਕਵਰ ਕਰਾਂਗੇ)।

ਹੇਠ ਦਿੱਤੀ ਸਾਰਣੀ ਦੋ ਹਿੱਸਿਆਂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਤੁਲਨਾ ਕਰਦੀ ਹੈ:

ਵਿਸ਼ੇਸ਼ਤਾ

ਬਾਰੰਬਾਰਤਾ (ਫ੍ਰੀਕੁਐਂਸੀ)

ਹਿੰਸਾ (ਰਾਤ)

ਵੇਰੀਏਬਲ ਕਿਸਮ

ਗਿਣਤੀ (0,1,2...)

ਸਥਿਰ, ਸਕਾਰਾਤਮਕ

ਆਮ ਵੰਡ

ਪੋਇਸਨ, ਨੈਗੇਟਿਵ ਬਾਇਨੋਮਿਅਲ

ਗਾਮਾ, ਸਾਧਾਰਨ

ਮਾਸਟਰ ਡਰਾਈਵਰ ਦੀਆਂ ਉਦਾਹਰਣਾਂ

ਉਮਰ, ਅਨੁਭਵ, ਖੇਤਰ, ਵਰਤੋਂ

ਵਾਹਨ ਦਾ ਮੁੱਲ, ਕਵਰੇਜ ਸੀਮਾ, ਮੁਰੰਮਤ ਦੀ ਲਾਗਤ

ਬਾਹਰੀ ਸਮੱਸਿਆ

ਘੱਟ

ਉੱਚ (ਮੁੱਖ ਨੁਕਸਾਨ)

ਮਹਿੰਗਾਈ ਪ੍ਰਭਾਵ

ਕਮਜ਼ੋਰ

ਮਜ਼ਬੂਤ

ਡੈਮੇਜ ਮਾਡਲਿੰਗ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰੀਏ

ਜਿੱਥੇ AI ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ਹੁੰਦਾ ਹੈ ਉਹ ਵੰਡ ਦੀ ਚੋਣ, ਕੋਡ ਲਿਖਣ ਅਤੇ ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਵਿੱਚ ਹੁੰਦਾ ਹੈ। ਹੇਠਾਂ ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ ਹਨ।

1) ਵੰਡ ਚੋਣ 'ਤੇ ਚਰਚਾ ਕਰੋ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਐਕਚੁਰੀਅਲ ਮਾਡਲਿੰਗ ਸਹਾਇਕ। ਮੇਰੇ ਕੋਲ ਬੀਮਾ ਕਲੇਮ AMOUNT ਡੇਟਾ ਹੈ (ਅਗਿਆਤ, 1,600 ਦਾਅਵੇ)। ਸੰਖੇਪ: ਮੱਧਮਾਨ 30,300 TL, ਔਸਤ 12,500 TL, ਅਧਿਕਤਮ 940,000 TL, ਤਿੱਖਾਪਨ ਵੱਧ ਹੈ। ਸਵਾਲ: ਕੀ ਗਾਮਾ ਜਾਂ ਲੌਗਨੋਰਮਲ ਗੰਭੀਰਤਾ ਮਾਡਲ ਲਈ ਵਧੇਰੇ ਢੁਕਵਾਂ ਹੋਵੇਗਾ? ਹਰੇਕ ਦੀ ਧਾਰਨਾ ਕੀ ਹੈ, ਪਲੱਸ/ਮਾਇਨਸ ਅਤੇ ਕਿਸ ਨਾਲ ਚੰਗੀ-ਫਿੱਟ-ਫਿੱਟ ਟੈਸਟ (ਉਦਾਹਰਨ ਲਈ ਸਮਝਾਓ ਕਿ ਮੈਂ ਇੱਕ ਫੈਸਲਾ ਕਰਾਂਗਾ (Q-Q ਚਾਰਟ, K-S ਟੈਸਟ, AIC)। ਇੱਕ ਨਿਸ਼ਚਤ ਫੈਸਲਾ ਲੈਣਾ; ਮੈਨੂੰ ਇੱਕ ਤੁਲਨਾ ਫਰੇਮ ਦਿਓ।

2) ਬਾਰੰਬਾਰਤਾ-ਤੀਬਰਤਾ ਗਣਨਾ ਕੋਡ:

ਪਾਈਥਨ + ਪਾਂਡਾ ਦੇ ਨਾਲ ਇੱਕ ਟਿੱਪਣੀ ਕੋਡ ਲਿਖੋ ਜੋ ਹੇਠਾਂ ਦਿੱਤੇ ਕਦਮਾਂ ਨੂੰ ਪੂਰਾ ਕਰਦਾ ਹੈ: 1) df ਵਿੱਚ 'ਐਕਸਪੋਜ਼ਰ', 'ਕਲੇਮ_ਕਾਉਂਟ', 'ਕਲੇਮ_ਮਾਊਂਟ' ਕਾਲਮ ਹਨ। 2) ਆਮ ਬਾਰੰਬਾਰਤਾ = ਕੁੱਲ ਦਾਅਵਾ_ਗਿਣਤੀ / ਕੁੱਲ ਐਕਸਪੋਜਰ। 3) ਔਸਤ ਗੰਭੀਰਤਾ = ਕੁੱਲ ਦਾਅਵਾ_ਮਾਮਟ / ਕੁੱਲ ਦਾਅਵਾ_ਗਿਣਤੀ। 4) ਜੋਖਮ ਪ੍ਰੀਮੀਅਮ = ਬਾਰੰਬਾਰਤਾ × ਤੀਬਰਤਾ। 5) ਹਰੇਕ ਵਿਚਕਾਰਲੇ ਨਤੀਜੇ ਨੂੰ ਸਕ੍ਰੀਨ 'ਤੇ ਪ੍ਰਿੰਟ ਕਰੋ ਤਾਂ ਜੋ ਮੈਂ ਇਸਨੂੰ ਹੱਥੀਂ ਤਸਦੀਕ ਕਰ ਸਕਾਂ। ਲਾਇਬ੍ਰੇਰੀ ਫਿਟਿੰਗ; ਸਿਰਫ਼ ਪਾਂਡਾ ਦੀ ਵਰਤੋਂ ਕਰੋ।

3) ਅਤਿ ਮੁੱਲ/ਕਟੌਫ ਵਿਸ਼ਲੇਸ਼ਣ:

ਮੇਰੇ ਕੋਲ ਇੱਕ ਅਗਿਆਤ ਦਾਅਵੇ ਦੀ ਰਕਮ ਦੀ ਵੰਡ ਹੈ। 950,000, 720,000, 610,000 TL ਵਰਗੇ ਦਾਅਵੇ ਕੁੱਲ ਰਕਮ ਦਾ 22% ਬਣਦੇ ਹਨ। ਆਪਣੀ ਕੈਪਿੰਗ ਪਹੁੰਚ ਬਾਰੇ ਮੈਨੂੰ ਦੱਸੋ: - ਕਿਹੜੇ ਕੈਪ ਵਿਕਲਪ ਵਾਜਬ ਹਨ (ਜਿਵੇਂ ਕਿ 500K, 750K, 1M)? - ਮੈਂ ਕੱਟੇ ਹੋਏ ਹਿੱਸੇ ਨੂੰ ਇੱਕ ਵੱਖਰੇ "ਵੱਡੇ ਨੁਕਸਾਨ ਦੇ ਭਾਰ" ਵਜੋਂ ਕਿਵੇਂ ਜੋੜਾਂ? - ਮੈਨੂੰ ਕਦਮ ਦਰ ਕਦਮ ਦਿਖਾਓ ਕਿ ਇਹ ਫੈਸਲਾ ਜੋਖਮ ਪ੍ਰੀਮੀਅਮ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਤ ਕਰਦਾ ਹੈ।

4) ਨਤੀਜੇ ਦਾ ਵਪਾਰਕ ਭਾਸ਼ਾ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਨਾ:

ਮੇਰੀ ਬਾਰੰਬਾਰਤਾ 0.13 ਤੋਂ 0.15 ਤੱਕ ਵਧ ਗਈ; ਔਸਤ ਹਿੰਸਾ 28,000 ਤੋਂ ਵਧ ਕੇ 34,000 TL ਹੋ ਗਈ। ਇਸ ਨੂੰ 4 ਵਾਕਾਂ ਵਿੱਚ ਸੰਖੇਪ ਕਰੋ ਜੋ ਇੱਕ ਪ੍ਰਬੰਧਕ ਸਮਝ ਸਕਦਾ ਹੈ: - ਕੀ ਹੋਇਆ, ਕਿਹੜਾ ਭਾਗ ਕਿੰਨਾ ਵਧਿਆ? - ਜੋਖਮ ਪ੍ਰੀਮੀਅਮ 'ਤੇ ਕੁੱਲ ਪ੍ਰਭਾਵ ਕੀ ਹੈ? - ਸੰਭਾਵੀ ਕਾਰਨ ਅਤੇ 2 ਧਾਰਨਾਵਾਂ ਲਿਖੋ ਜਿਨ੍ਹਾਂ ਦੀ ਮੈਨੂੰ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਲੋੜ ਹੈ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਮੇਰੇ ਨੁਕਸਾਨ ਦਾ ਮਾਡਲ ਸੈਟ ਅਪ ਕਰੋ ਅਤੇ ਪ੍ਰੀਮੀਅਮ ਦੀ ਗਣਨਾ ਕਰੋ।

ਅਸਪਸ਼ਟ: ਕਿਹੜਾ ਡੇਟਾ, ਕਿਹੜਾ ਭਾਗ, ਕਿਹੜਾ ਵੰਡ, ਕਿਹੜੀ ਮਿਆਦ? AI ਇਸ ਪਾੜੇ ਨੂੰ ਫੈਬਰੀਕੇਸ਼ਨ ਨਾਲ ਭਰਦਾ ਹੈ।

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਐਕਚੁਰੀਅਲ ਮਾਡਲਿੰਗ ਸਹਾਇਕ। ਡੇਟਾ (ਅਨਾਮ, ਟ੍ਰੈਫਿਕ ਸ਼ਾਖਾ, 2024): ਐਕਸਪੋਜ਼ਰ 20,000 ਪਾਲਿਸੀ-ਸਾਲ, ਦਾਅਵਿਆਂ ਦੀ ਸੰਖਿਆ 2,600, ਕੁੱਲ ਨੁਕਸਾਨ 91,000,000 TL, 5 ਸਭ ਤੋਂ ਵੱਡਾ ਨੁਕਸਾਨ ਕੁੱਲ 12,000,000 TL। ਕਾਰਜ: 1) ਬਾਰੰਬਾਰਤਾ ਅਤੇ ਕੱਚੀ ਔਸਤ ਤੀਬਰਤਾ ਦੀ ਗਣਨਾ ਕਰੋ, ਫਾਰਮੂਲਾ ਦਿਖਾਓ। 2) 5 ਸਭ ਤੋਂ ਵੱਡੇ ਨੁਕਸਾਨ ਇਸ ਨੂੰ 1,000,000 TL ਤੱਕ ਵਧਾਓ ਅਤੇ ਵਿਵਸਥਿਤ ਗੰਭੀਰਤਾ ਦੀ ਦੁਬਾਰਾ ਗਣਨਾ ਕਰੋ। 3) ਕੈਪ ਦੇ ਨਾਲ ਅਤੇ ਬਿਨਾਂ ਜੋਖਮ ਪ੍ਰੀਮੀਅਮ ਦੀ ਤੁਲਨਾ ਕਰੋ, ਅੰਤਰ 'ਤੇ ਟਿੱਪਣੀ ਕਰੋ। 4) ਹਰੇਕ ਪੜਾਅ ਨੂੰ ਵਿਚਕਾਰਲੇ ਨੰਬਰਾਂ ਨਾਲ ਲਿਖੋ ਤਾਂ ਜੋ ਮੈਂ ਇਸਨੂੰ ਹੱਥੀਂ ਤਸਦੀਕ ਕਰ ਸਕਾਂ। ਬੱਸ ਮੇਰੇ ਦਿੱਤੇ ਨੰਬਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ; ਜੇਕਰ ਇਹ ਗੁੰਮ ਹੈ, ਤਾਂ ਪੁੱਛੋ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਵੱਖ ਹੋਣ ਦੀ ਸ਼ਕਤੀ। ਇੱਕ ਐਕਟਚੂਰੀ ਨੇ ਇੱਕ ਸਾਲ ਵਿੱਚ ਹਾਊਸਿੰਗ ਬ੍ਰਾਂਚ ਵਿੱਚ ਘਾਟਾ/ਪ੍ਰੀਮੀਅਮ ਅਨੁਪਾਤ 68 ਪ੍ਰਤੀਸ਼ਤ ਤੋਂ 81 ਪ੍ਰਤੀਸ਼ਤ ਤੱਕ ਵਧਿਆ ਹੈ। ਪੈਨਿਕ ਕੀਮਤ ਵਾਧੇ ਦਾ ਸੁਝਾਅ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ, ਇੱਕ ਬਾਰੰਬਾਰਤਾ-ਤੀਬਰਤਾ ਅੰਤਰ ਬਣਾਇਆ ਗਿਆ ਸੀ: ਬਾਰੰਬਾਰਤਾ ਲਗਭਗ ਸਥਿਰ ਸੀ (0.041 → 0.043), ਪਰ ਔਸਤ ਤੀਬਰਤਾ 14,200 TL ਤੋਂ 19,800 TL ਤੱਕ ਵਧ ਗਈ ਸੀ। ਕਾਰਨ ਉਸਾਰੀ ਲਾਗਤ ਮਹਿੰਗਾਈ ਸੀ, ਨਾ ਕਿ ਨੀਤੀਆਂ ਜਾਂ ਜੋਖਮ ਭਰੇ ਗਾਹਕਾਂ ਦੀ ਗਿਣਤੀ। ਸਹੀ ਦਖਲਅੰਦਾਜ਼ੀ ਕਵਰੇਜ ਰਕਮਾਂ ਨੂੰ ਅਪਡੇਟ ਕਰਨਾ ਸੀ, ਨਾ ਕਿ ਅੰਨ੍ਹੇ ਪ੍ਰੀਮੀਅਮ ਵਿੱਚ ਵਾਧਾ।

ਕੇਸ 2 - ਬਾਹਰੀ ਜਾਲ। ਕਾਰੋਬਾਰੀ ਬੀਮਾ ਪੋਰਟਫੋਲੀਓ ਵਿੱਚ 1,800 ਦਾਅਵਿਆਂ ਦੀ ਔਸਤ 42,000 TL ਸੀ। ਹਾਲਾਂਕਿ, 6.4 ਮਿਲੀਅਨ TL ਦੇ ਇੱਕ ਸਿੰਗਲ ਅੱਗ ਨੁਕਸਾਨ ਨੇ ਇਸ ਔਸਤ ਨੂੰ ਲਗਭਗ 3,500 TL ਵਧਾ ਦਿੱਤਾ ਹੈ। ਜਦੋਂ ਇਸ ਵੱਡੇ ਨੁਕਸਾਨ ਨੂੰ ਮਾਡਲ ਬਣਾਇਆ ਗਿਆ ਸੀ ਅਤੇ ਇੱਕ ਵੱਖਰੇ "ਮੁੱਖ ਨੁਕਸਾਨ ਦੇ ਬੋਝ" ਦੇ ਰੂਪ ਵਿੱਚ ਸੀਮਿਤ ਕੀਤਾ ਗਿਆ ਸੀ, ਤਾਂ ਅਧਾਰ ਤੀਬਰਤਾ ਘਟ ਕੇ 38,500 TL ਹੋ ਗਈ ਸੀ ਅਤੇ ਪ੍ਰੀਮੀਅਮ ਵਧੇਰੇ ਨਿਰਪੱਖ ਹੋ ਗਿਆ ਸੀ। AI ਨੇ ਤੇਜ਼ੀ ਨਾਲ ਕੈਪਿੰਗ ਕੋਡ ਅਤੇ ਵਿਕਲਪਕ ਕੈਪਸ ਤਿਆਰ ਕੀਤੇ; ਐਕਟਰ ਨੇ ਫੈਸਲਾ ਕੀਤਾ।

ਕੇਸ 3 — ਮਾਲ-ਵੰਡ। ਬਿਨਾਂ ਸਵਾਲ ਦੇ, ਇੱਕ ਸਹਾਇਕ ਨੇ ਇੱਕ AI ਕੋਡ ਚਲਾਇਆ ਜਿਸ ਨੇ ਗੰਭੀਰਤਾ ਲਈ ਇੱਕ ਆਮ (ਗੌਸੀ) ਵੰਡ ਦੀ ਚੋਣ ਕੀਤੀ। ਕਿਉਂਕਿ ਨੈਗੇਟਿਵ ਮੁੱਲਾਂ ਅਤੇ ਸਮਰੂਪਤਾ ਲਈ ਸਧਾਰਣ ਵੰਡ ਦੀ ਇਜਾਜ਼ਤ ਦਿੱਤੀ ਗਈ ਹੈ, ਇਹ ਸੱਜੇ-ਤਿੱਖੇ ਨੁਕਸਾਨ ਡੇਟਾ ਨੂੰ ਫਿੱਟ ਨਹੀਂ ਕਰਦਾ; ਮਾਡਲ ਨੇ ਛੋਟੇ ਨੁਕਸਾਨਾਂ ਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ ਅਤੇ ਵੱਡੇ ਨੁਕਸਾਨਾਂ ਨੂੰ ਘੱਟ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ। ਜਦੋਂ Q-Q ਪਲਾਟ ਅਤੇ AIC ਦੀ ਤੁਲਨਾ ਕੀਤੀ ਗਈ, ਤਾਂ ਇਹ ਦੇਖਿਆ ਗਿਆ ਕਿ ਗਾਮਾ ਬਹੁਤ ਵਧੀਆ ਫਿੱਟ ਹੈ। ਸਬਕ: AI ਦੁਆਰਾ ਪ੍ਰਸਤਾਵਿਤ ਵੰਡ ਨੂੰ ਹਮੇਸ਼ਾ ਫਿੱਟ ਟੈਸਟਿੰਗ ਦੁਆਰਾ ਪਰਖਿਆ ਜਾਂਦਾ ਹੈ।

ਆਮ ਗਲਤੀਆਂ

• ਬਾਰੰਬਾਰਤਾ ਅਤੇ ਤੀਬਰਤਾ ਨੂੰ ਜੋੜਨਾ ਅਤੇ ਇੱਕ ਸਿੰਗਲ ਮਾਡਲ ਨਾਲ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ। ਇਹ ਦੋ ਵੱਖ-ਵੱਖ ਵਿਵਹਾਰਾਂ ਨੂੰ ਲੁਕਾਉਂਦਾ ਹੈ; ਤੁਸੀਂ ਡਰਾਈਵਰ ਨੂੰ ਗੁਆ ਦਿੰਦੇ ਹੋ ਅਤੇ ਕਿਉਂ।
• ਬਹੁਤ ਜ਼ਿਆਦਾ/ਵੱਡੇ ਨੁਕਸਾਨ ਨੂੰ ਖਤਮ ਕੀਤੇ ਬਿਨਾਂ ਔਸਤ। ਕੁਝ ਵੱਡੇ ਨੁਕਸਾਨ ਸਾਰੀ ਤਸਵੀਰ ਨੂੰ ਵਿਗਾੜ ਦਿੰਦੇ ਹਨ; ਪ੍ਰੀਮੀਅਮ ਨਕਲੀ ਤੌਰ 'ਤੇ ਵਧਾਇਆ ਗਿਆ ਹੈ।
• ਮਹਿੰਗਾਈ ਦੇ ਰੁਝਾਨ ਨੂੰ ਲਾਗੂ ਕੀਤੇ ਬਿਨਾਂ ਪੁਰਾਣੇ ਨੁਕਸਾਨ ਦੀ ਵਰਤੋਂ ਕਰਨਾ. 2019 ਦਾ ਨੁਕਸਾਨ ਅੱਜ ਦੀ ਕੀਮਤ ਵਾਂਗ ਨਹੀਂ ਹੈ; ਰੁਝਾਨ ਸੁਧਾਰ ਜ਼ਰੂਰੀ ਹੈ।
• ਸੱਜੇ-ਤਿੱਖੇ ਡੇਟਾ ਲਈ ਇੱਕ ਆਮ ਵੰਡ ਨੂੰ ਫਿੱਟ ਕਰਨਾ। ਨਕਾਰਾਤਮਕ ਮੁੱਲ ਅਤੇ ਸਮਰੂਪਤਾ ਦੀ ਧਾਰਨਾ ਨੁਕਸਾਨ ਡੇਟਾ ਦੇ ਉਲਟ ਹੈ; ਗਾਮਾ/ਲੌਗਨੋਰਮਲ ਸੋਚੋ।
• ਫਿਟ ਟੈਸਟਿੰਗ ਨਾਲ ਵੰਡ ਚੋਣ ਦੀ ਪੁਸ਼ਟੀ ਨਹੀਂ ਕੀਤੀ ਜਾ ਰਹੀ। AI ਦਾ ਪ੍ਰਸਤਾਵ ਇੱਕ ਸ਼ੁਰੂਆਤ ਹੈ; Q-Q, K-S, AIC ਨਾਲ ਪੁਸ਼ਟੀ ਕਰੋ।

ਧਿਆਨ ਦਿਓ: ਕੈਪ (ਕੱਟਣ) ਦਾ ਪੱਧਰ ਆਪਹੁਦਰੇ ਢੰਗ ਨਾਲ ਨਹੀਂ ਚੁਣਿਆ ਗਿਆ ਹੈ। ਬਹੁਤ ਘੱਟ ਇੱਕ ਛੱਤ ਵੱਡੇ ਨੁਕਸਾਨ ਦੇ ਖਤਰੇ ਨੂੰ ਛੁਪਾਉਂਦੀ ਹੈ; ਬਹੁਤ ਉੱਚੀ ਛੱਤ ਟ੍ਰਿਮ ਨੂੰ ਬੇਕਾਰ ਬਣਾ ਦਿੰਦੀ ਹੈ। ਪੋਰਟਫੋਲੀਓ ਦੇ ਪਿਛਲੇ ਵੱਡੇ ਨੁਕਸਾਨ ਦੇ ਅਨੁਭਵ ਅਤੇ ਪੁਨਰ-ਬੀਮਾ ਦੀਆਂ ਸ਼ਰਤਾਂ ਨੂੰ ਦੇਖ ਕੇ ਚੁਣੋ।

ਸੰਖੇਪ ਵਿੱਚ

ਕੁੱਲ ਨੁਕਸਾਨ ਦਾ ਸਹੀ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਦਾ ਤਰੀਕਾ ਇਸ ਨੂੰ ਬਾਰੰਬਾਰਤਾ (ਫ੍ਰੀਕੁਐਂਸੀ) ਅਤੇ ਗੰਭੀਰਤਾ (ਰਾਮਾਨਾ) ਵਿੱਚ ਵੰਡਣਾ ਹੈ। ਬਾਰੰਬਾਰਤਾ ਨੂੰ ਪੋਇਸਨ/ਨੈਗੇਟਿਵ ਬਾਇਨੋਮੀਅਲ ਦੁਆਰਾ ਮਾਡਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਗਾਮਾ/ਲੌਗਨੋਰਮਲ ਦੁਆਰਾ ਤੀਬਰਤਾ; ਜੋਖਮ ਪ੍ਰੀਮੀਅਮ ਦੋਵਾਂ ਨੂੰ ਗੁਣਾ ਕਰਕੇ ਪਾਇਆ ਜਾਂਦਾ ਹੈ। ਕੱਚੇ ਡੇਟਾ ਲਈ ਬਾਹਰਲੇ ਹਿੱਸੇ ਨੂੰ ਹਟਾਉਣ, ਕੱਟਣ, ਅਤੇ ਰੁਝਾਨ ਸੁਧਾਰ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਏਆਈ ਵੰਡ ਚਰਚਾ ਕੋਡ ਅਤੇ ਟਿੱਪਣੀ ਲਈ ਇੱਕ ਸ਼ਾਨਦਾਰ ਸਹਾਇਕ ਹੈ; ਪਰ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਦੀ ਚੋਣ ਅਤੇ ਕੈਪ ਦੇ ਫੈਸਲੇ ਦੀ ਪੁਸ਼ਟੀ ਫਿੱਟ ਟੈਸਟਾਂ ਅਤੇ ਅਸਲ ਨਿਰਣੇ ਦੁਆਰਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਇੱਕ ਅਗਿਆਤ ਨੁਕਸਾਨ ਦਾ ਸਾਰਾਂਸ਼ ਤਿਆਰ ਕਰੋ (ਐਕਸਪੋਜ਼ਰ, ਦਾਅਵਿਆਂ ਦੀ ਗਿਣਤੀ, ਕੁੱਲ ਨੁਕਸਾਨ, ਚੋਟੀ ਦੇ 3-5 ਦਾਅਵੇ)। AI ਨੂੰ (a) ਕੱਚੀ ਬਾਰੰਬਾਰਤਾ-ਤੀਬਰਤਾ-ਜੋਖਮ ਪ੍ਰੀਮੀਅਮ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਕਹੋ, (b) ਵੱਡੇ ਨੁਕਸਾਨਾਂ ਨੂੰ ਕੈਪ ਕਰੋ ਅਤੇ ਵਿਵਸਥਿਤ ਜੋਖਮ ਪ੍ਰੀਮੀਅਮ ਦੀ ਗਣਨਾ ਕਰੋ। ਦੋ ਨਤੀਜਿਆਂ ਦੀ ਹੱਥੀਂ ਜਾਂਚ ਕਰੋ ਅਤੇ ਨੋਟ ਕਰੋ ਕਿ ਕਿਹੜੀ ਪ੍ਰਤੀਸ਼ਤ ਕੈਪਿੰਗ ਜੋਖਮ ਪ੍ਰੀਮੀਅਮ ਨੂੰ ਬਦਲਦੀ ਹੈ। ਫਿਰ AI ਨੂੰ "ਹਿੰਸਾ ਲਈ ਗਾਮਾ ਜਾਂ ਲੌਗਨੋਰਮਲ" ਸਵਾਲ ਪੁੱਛੋ ਅਤੇ ਤੁਹਾਡੇ ਆਪਣੇ ਸ਼ਬਦਾਂ ਵਿੱਚ ਤੁਲਨਾਤਮਕ ਫਰੇਮ ਦਾ ਸਾਰ ਦਿਓ।

ਚੈੱਕਲਿਸਟ

• ਕੀ ਮੈਂ ਬਾਰੰਬਾਰਤਾ ਅਤੇ ਤੀਬਰਤਾ ਦੀ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਗਣਨਾ ਕੀਤੀ, ਜਾਂ ਕੀ ਮੈਂ ਉਹਨਾਂ ਨੂੰ ਇੱਕ ਟੁਕੜੇ ਵਜੋਂ ਦੇਖਿਆ?
• ਕੀ ਮੈਂ ਵੱਡੇ/ਅਤਿਅੰਤ ਨੁਕਸਾਨ ਦੀ ਪਛਾਣ ਕੀਤੀ ਹੈ ਅਤੇ ਇਸ ਨਾਲ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਨਜਿੱਠਿਆ ਹੈ?
• ਕੀ ਮੈਂ ਪੁਰਾਣੇ ਦਾਅਵਿਆਂ ਲਈ ਮਹਿੰਗਾਈ/ਰੁਝਾਨ ਵਿਵਸਥਾ ਲਾਗੂ ਕੀਤੀ ਹੈ?
• [ ] ਕੀ ਮੈਂ ਇੱਕ ਚੰਗੀ-ਆਫ-ਫਿੱਟ ਟੈਸਟ ਨਾਲ ਤੀਬਰਤਾ ਦੀ ਵੰਡ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ?
• ਕੀ ਮੈਂ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਜੋਖਮ ਪ੍ਰੀਮੀਅਮ (ਫ੍ਰੀਕੁਐਂਸੀ × ਗੰਭੀਰਤਾ) ਦੀ ਮੁੜ ਗਣਨਾ ਕੀਤੀ ਹੈ?
• [ ] ਕੀ ਮੈਂ ਏਆਈ ਦੁਆਰਾ ਸੁਝਾਏ ਗਏ ਵੰਡ ਅਤੇ ਕੈਪ ਪੱਧਰ 'ਤੇ ਸਵਾਲ ਕੀਤਾ ਹੈ ਅਤੇ ਨਿਰਣੇ ਨਾਲ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹਾਂ?