Faida:
- Kuwa na uwezo wa kubainisha na kutafsiri tofauti kati ya marudio ya uharibifu na kiasi cha uharibifu (ukali), usambazaji unaofaa (Poisson, binomial hasi, gamma) na mantiki ya muundo wa mchanganyiko kwa usaidizi wa akili ya bandia.
- Kupanga hasara kubwa sana (za nje/hasara kubwa), uwekaji data na masahihisho ya mienendo/maendeleo kwa akili bandia kwa kutumia maswali na data sahihi.
- Uwezo wa kuelewa kwamba uteuzi wa usambazaji na vigezo vinavyozalishwa na akili ya bandia vinapaswa kuthibitishwa na vipimo vya ubora na hoja za kisayansi.
Swali la msingi zaidi kwa kampuni ya bima ni: "Tutalipa uharibifu kiasi gani kwa kikundi hiki cha sera mwaka ujao?" Kujibu swali hili kwa usahihi ni sharti la kuweka malipo kwa usahihi na kutenga akiba ya kutosha. Wataalamu wanajibu swali hili kwa kuligawanya katika sehemu mbili; kwa sababu ni sahihi zaidi kuiga tabia mbili tofauti kando badala ya kukadiria jumla ya uharibifu katika kipande kimoja. Sehemu hizi mbili ni frequency na intensiteten.
Frequency (frequency of damage) ni uharibifu ngapi hutokea kwa mfiduo fulani; Kwa mfano, magari 100 - ajali 8 kwa mwaka. Ukali ni kiwango cha wastani cha kila uharibifu unaotokea; kwa mfano, 30,000 TL kwa ajali. Kuzidisha hizi mbili kunatoa malipo ya hatari: gharama ya uharibifu inayotarajiwa kwa kila mfiduo (0.08 × 30,000 = $2,400). Katika kitengo hiki tutaona hatua kwa hatua jinsi ya kutumia AI kuanzisha tofauti hii, kuchagua usambazaji sahihi wa uwezekano, na kudhibiti wauzaji wa nje. Wacha tukumbushe tangu mwanzo: AI inapendekeza usambazaji na kuandika msimbo, lakini ni juu ya mtaalam kuthibitisha uchaguzi wa usambazaji kupitia vipimo vya wema na hukumu.
Kwa nini masafa na ukubwa vinaundwa kando?
Mara kwa mara na ukubwa huonyesha tabia tofauti za takwimu. Idadi ya madai ni hesabu tofauti (0, 1, 2, 3...) na kwa kawaida huwekwa kielelezo kwa usambazaji wa Poisson au usambazaji hasi wa binomial ikiwa kuna utawanyiko kupita kiasi (variance > wastani). Poisson ni usambazaji wa kitamaduni unaoonyesha idadi ya matukio adimu na huru. Kiasi cha uharibifu ni tofauti inayoendelea na iliyopotoshwa kulia: madai mengi ni madogo, madai machache ni makubwa sana. Kwa hiyo, ukali mara nyingi hutolewa kwa gamma au usambazaji usio wa kawaida; haya ni usambazaji chanya na uliopotoshwa kulia.
Kuiga hizi mbili kando kuna faida tatu kamili. Kwanza, unaweza kuona kwamba kila mmoja ana madereva yake (sababu za hatari): dereva mdogo huongeza mzunguko, gari la gharama kubwa huongeza vurugu. Pili, wakati data inabadilika, unaweza kutambua kwa nini: gharama ya uharibifu au idadi ya madai imeongezeka? Tatu, unaweza kuzingatia hasara kubwa zilizokithiri pekee kwa upande wa vurugu. Mchanganyiko wa hizi mbili huitwa mfano wa mchanganyiko; uharibifu jumla unaotarajiwa = marudio yanayotarajiwa × ukali unaotarajiwa.
Kidokezo: Sentensi "Uwiano wetu wa hasara / malipo umeongezeka" haisemi chochote peke yake. Tenganisha swali la ikiwa frequency au kiwango kiliongezeka; kuingilia kati (bei, chanjo, usimamizi wa uharibifu) itakuwa tofauti kabisa.
Marekebisho ya nje, upunguzaji na mienendo
Data ya uharibifu katika fomu yake mbichi haiko tayari kwa ujenzi wa mfano. Marekebisho matatu yanahitajika karibu kila wakati. Ya kwanza ni upangaji wa uharibifu uliokithiri/mkubwa: uharibifu mdogo mdogo (k.m. moto wa kiwandani) hupotosha wastani; hizi zimeundwa kama "mzigo mkubwa wa uharibifu". Ya pili ni capping: kurekebisha uharibifu mkubwa sana kwa dari fulani (kwa mfano 1,000,000 TL) na kuhesabu sehemu ya juu tofauti hufanya mfano kuwa imara. Tatu, marekebisho ya mwenendo na maendeleo: madai ya awali yanapaswa kusasishwa kwa mfumuko wa bei hadi kiwango cha bei cha leo (mwelekeo), na madai ambayo bado hayajalipwa kikamilifu yanapaswa kuletwa katika kiwango chake cha mwisho (maendeleo - tutashughulikia mada hii katika kitengo cha 3).
Jedwali lifuatalo linalinganisha sifa za vipengele viwili:
kipengele
Mzunguko (frequency)
Vurugu (kiasi)
Aina inayobadilika
Kuhesabu (0,1,2...)
mara kwa mara, chanya
Usambazaji wa kawaida
Poisson, hasi binomial
Gamma, isiyo ya kawaida
Mifano ya madereva wakuu
Umri, uzoefu, eneo, matumizi
Thamani ya gari, kikomo cha chanjo, gharama ya ukarabati
Tatizo la nje
chini
Juu (uharibifu mkubwa)
Athari ya mfumuko wa bei
dhaifu
nguvu
Jinsi ya kutumia AI katika modeli ya uharibifu
Ambapo AI ina nguvu zaidi ni katika kujadili chaguo la usambazaji, kuandika nambari, na kutafsiri matokeo. Chini ni violezo vinne vinavyoweza kunakiliwa.
1) Jadili uteuzi wa usambazaji:
Jukumu lako: msaidizi wa kielelezo cha actuarial. Nina data ya madai ya bima AMOUNT (bila jina, madai 1,600). Muhtasari: wastani wa 30,300 TL, wastani 12,500 TL, upeo wa 940,000 TL, upotofu ni wa juu. Swali: je, gamma au isiyo ya kawaida ingefaa zaidi kwa mfano wa ukali? Je, ni dhana gani ya kila, plus/minus na upimaji wa wema-fit (k.m. Eleza kwamba nitafanya uamuzi (Chati ya Q-Q, mtihani wa K-S, AIC). Kufanya uamuzi mahususi; Nipe fremu ya kulinganisha.
2) Msimbo wa kuhesabu ukubwa wa marudio:
Andika msimbo uliotolewa maoni ukitumia Python + pandas ambao hufanya hatua zifuatazo: 1) Kuna safu wima za 'mfiduo', 'dai_count', 'dai_kiasi' kwenye df. 2) Marudio ya jumla = jumla ya dai_hesabu / jumla ya kufichua. 3) Wastani wa ukali = jumla ya kiasi cha madai / jumla ya idadi_ya madai. 4) Malipo ya hatari = frequency × ukali. 5) Chapisha kila matokeo ya kati kwenye skrini ili niweze kuyathibitisha mwenyewe. Kuweka maktaba; tumia tu panda.
3) Uchanganuzi wa thamani ya juu zaidi / kata:
Nina usambazaji wa kiasi cha dai bila jina. Madai kama vile 950,000, 720,000, 610,000 TL yanajumuisha 22% ya jumla ya kiasi hicho. Niambie kuhusu mbinu yako ya kuweka kikomo: - Je, ni chaguo gani zinazofaa (k.m. 500K, 750K, 1M)? - Ninawezaje kuongeza sehemu iliyokatwa kama "mzigo mkubwa wa uharibifu" tofauti? - Nionyeshe hatua kwa hatua jinsi uamuzi huu unavyoathiri malipo ya hatari.
4) Kutafsiri matokeo katika lugha ya biashara:
Mzunguko wangu uliongezeka kutoka 0.13 hadi 0.15; Wastani wa vurugu uliongezeka kutoka 28,000 hadi 34,000 TL. Fupisha hili katika sentensi 4 ambazo meneja anaweza kuelewa: - Nini kilitokea, ni sehemu gani iliongezeka kwa kiasi gani? - Je, jumla ya athari kwenye malipo ya hatari ni nini? - Andika sababu zinazowezekana na mawazo 2 ambayo ninahitaji kuthibitisha.
Mwongozo dhaifu / Mwongozo thabiti
Agizo dhaifu:
Sanidi muundo wangu wa upotezaji na uhesabu malipo.
Haijulikani: data gani, sehemu gani, usambazaji gani, kipindi gani? AI inajaza pengo hili kwa utengenezaji.
Agizo lenye nguvu:
Jukumu lako: msaidizi wa kielelezo cha actuarial. Data (bila jina, tawi la trafiki, 2024): mfiduo wa miaka 20,000 ya sera, idadi ya madai 2,600, jumla ya uharibifu 91,000,000 TL, uharibifu mkubwa 5 jumla ya TL 12,000,000. Kazi: 1) Piga hesabu ya mzunguko na ukali wa wastani mbichi, onyesha fomula. 2) Uharibifu 5 mkubwa Weka hadi 1,000,000 TL na uhesabu ukali uliorekebishwa tena. 3) Linganisha malipo ya hatari na bila kikomo, toa maoni juu ya tofauti hiyo. 4) Andika kila hatua na nambari za kati ili niweze kuithibitisha mwenyewe. Tumia tu nambari nilizotoa; Ikiwa haipo, uliza.
kesi tatu ndogo
Kesi ya 1 - Nguvu ya kujitenga. Mtaalamu mmoja aliona uwiano wa hasara/premium katika tawi la nyumba ukipanda kutoka asilimia 68 hadi asilimia 81 katika mwaka mmoja. Kabla ya ongezeko la bei ya hofu ilipendekezwa, tofauti ya ukali wa mzunguko ilifanywa: mzunguko ulikuwa karibu mara kwa mara (0.041 → 0.043), lakini ukali wa wastani ulikuwa umeruka kutoka 14,200 TL hadi 19,800 TL. Sababu ilikuwa mfumuko wa bei wa gharama za ujenzi, sio idadi ya sera au wateja hatari. Uingiliaji kati sahihi ulikuwa kusasisha viwango vya huduma, sio ongezeko la malipo lisilowezekana.
Kesi ya 2 - Mtego wa nje. Wastani wa madai 1,800 katika jalada la bima ya biashara ilikuwa TL 42,000. Hata hivyo, uharibifu mmoja wa moto wa TL milioni 6.4 pekee uliongeza wastani huu kwa takriban 3,500 TL. Wakati uharibifu huu mkubwa ulipoigwa na kuwekwa kama "mzigo mkubwa wa uharibifu", ukali wa msingi ulipungua hadi 38,500 TL na malipo yakawa ya haki zaidi. AI ilizalisha msimbo wa capping haraka na kofia mbadala; Mtaalamu alichukua uamuzi.
Kesi ya 3 - Usambazaji mbaya. Bila swali, msaidizi aliendesha msimbo wa AI ambao ulichagua usambazaji wa kawaida (Gaussian) kwa ukali. Kwa sababu usambazaji wa kawaida uliruhusiwa kwa maadili hasi na ulinganifu, haukuendana na data ya uharibifu iliyopindishwa kulia; mfano ulikadiria uharibifu mdogo na ukadiria kubwa. Wakati mpango wa Q-Q na AIC zililinganishwa, ilionekana kuwa gamma inafaa zaidi. Somo: Usambazaji unaopendekezwa na AI mara zote hujaribiwa kwa majaribio ya kufaa.
Makosa ya kawaida
- Kuchanganya mzunguko na ukubwa na kutabiri kwa mtindo mmoja. Inaficha tabia mbili tofauti; unapoteza dereva na kwa nini.
- Wastani bila kuondoa uharibifu uliokithiri/mkubwa. Uharibifu wachache mkubwa hupotosha picha nzima; premium ni umechangiwa bandia.
- Kutumia uharibifu wa zamani bila kutumia mwenendo wa mfumuko wa bei. Uharibifu wa 2019 sio sawa na bei ya leo; marekebisho ya mwenendo ni muhimu.
- Kuweka usambazaji wa kawaida kwa data iliyopindishwa kulia. Dhana ya thamani hasi na ulinganifu ni kinyume na data ya uharibifu; Fikiria gamma/lognormal.
- Haidhibitishi chaguo la usambazaji kwa majaribio ya kufaa. Pendekezo la AI ni mwanzo; Thibitisha kwa Q-Q, K-S, AIC.
Tahadhari: Kiwango cha cap (kukata) hakichaguliwa kiholela. Dari ya chini sana huficha hatari ya uharibifu mkubwa; dari kubwa sana hufanya trim kutokuwa na maana. Chagua kwa kuangalia hali ya upotevu kuu ya zamani ya kwingineko na masharti ya bima tena.
Kwa muhtasari
Njia ya kukadiria kwa usahihi uharibifu wa jumla ni kuigawanya katika mzunguko (frequency) na ukali (kiasi). Frequency imeundwa na Poisson/negative binomial, intensiteten na gamma/lognormal; Malipo ya hatari hupatikana kwa kuzidisha mbili. Data ghafi inahitaji uondoaji wa nje, upunguzaji na urekebishaji wa mienendo. Majadiliano ya usambazaji wa AI ni msaidizi bora wa kanuni na maoni; lakini uteuzi wa usambazaji na uamuzi wa kikomo unathibitishwa na majaribio ya kufaa na uamuzi wa kitaalam.
Jukumu la maombi
Tayarisha muhtasari wa uharibifu usiojulikana (mfiduo, idadi ya madai, uharibifu kamili, madai 3-5 kuu). Uliza AI kukokotoa (a) malipo ghafi ya hatari ya frequency-ukali, (b) kuzidi hasara kubwa na kukokotoa malipo ya hatari yaliyorekebishwa. Thibitisha matokeo mawili kwa mkono na utambue ni asilimia ngapi uwekaji wa viwango hubadilisha malipo ya hatari. Kisha uulize AI swali "gamma au isiyo ya kawaida kwa vurugu" na ufupishe sura ya kulinganisha inatoa kwa maneno yako mwenyewe.
orodha ya ukaguzi
- [ ] Je, nilihesabu marudio na ukubwa kando, au nilivitazama kama kipande kimoja?
- [ ] Je, nimetambua uharibifu mkubwa/uliokithiri na kuushughulikia kando?
- [ ] Je, nimetumia marekebisho ya mfumuko wa bei/mwenendo kwa madai ya zamani?
- [ ] Je, nimethibitisha usambazaji wa ukubwa kwa jaribio la wema-wa-fit?
- [ ] Je, nimehesabu upya malipo ya hatari kwa kujitegemea (frequency × ukali)?
- [ ] Je, nilihoji usambazaji na kiwango cha kikomo kilichopendekezwa na AI na kuithibitisha kwa hukumu?