نقصان کی ماڈلنگ: تعدد-شدت کا امتیاز اور مصنوعی ذہانت سے تعاون یافتہ تجزیہ

فائدہ:

• مصنوعی ذہانت کی مدد سے نقصان کی فریکوئنسی اور نقصان کی مقدار (شدت)، مناسب تقسیم (پوائسن، منفی بائنومیل، گاما) اور کمپوزٹ ماڈل منطق کے درمیان فرق قائم کرنے اور اس کی تشریح کرنے کے قابل ہونا۔
• صحیح سوالات اور ڈیٹا کے ساتھ انتہائی بڑے نقصانات (آؤٹلیرز/بڑے نقصانات)، ڈیٹا کیپنگ اور مصنوعی ذہانت میں رجحان/ترقی کی اصلاح۔
• یہ سمجھنے کی قابلیت کہ مصنوعی ذہانت کے ذریعے تیار کردہ تقسیم کے انتخاب اور پیرامیٹرز کی تصدیق کی جانی چاہیے اچھی طرح سے موزوں ٹیسٹ اور ایکچوریل استدلال۔

انشورنس کمپنی کے لیے سب سے بنیادی سوال یہ ہے کہ: "ہم اگلے سال اس پالیسی گروپ کے لیے کتنا نقصان ادا کریں گے؟" اس سوال کا صحیح جواب دینا پریمیم کو درست طریقے سے ترتیب دینے اور کافی ذخائر مختص کرنے کے لیے ایک شرط ہے۔ ایکچوری اس سوال کا جواب دو حصوں میں تقسیم کرتے ہوئے دیتے ہیں۔ کیونکہ ایک ٹکڑے میں کل نقصان کا تخمینہ لگانے کے بجائے دو الگ الگ طرز عمل کو الگ الگ ماڈل بنانا زیادہ درست ہے۔ یہ دو حصے تعدد اور شدت ہیں۔

فریکوئنسی (نقصان کی فریکوئنسی) یہ ہے کہ ہر دیے گئے ایکسپوژر میں کتنے نقصانات ہوتے ہیں۔ مثال کے طور پر، 100 گاڑیاں - ہر سال 8 حادثات۔ شدت ہر ہونے والے نقصان کی اوسط رقم ہے۔ مثال کے طور پر، 30,000 TL فی حادثہ۔ دونوں کو ضرب دینے سے رسک پریمیم ملتا ہے: متوقع نقصان کی لاگت فی نمائش (0.08 × 30,000 = $2,400)۔ اس یونٹ میں ہم قدم بہ قدم دیکھیں گے کہ اس فرق کو قائم کرنے کے لیے AI کو کس طرح استعمال کیا جائے، صحیح امکانی تقسیم کا انتخاب کریں، اور آؤٹ لیرز کا نظم کریں۔ آئیے شروع سے یاد دلاتے ہیں: AI تقسیم کی تجویز پیش کرتا ہے اور کوڈ لکھتا ہے، لیکن یہ ایکچوری پر منحصر ہے کہ وہ اچھائی سے متعلق ٹیسٹ اور فیصلے کے ذریعے تقسیم کے انتخاب کی تصدیق کرے۔

تعدد اور شدت کو الگ الگ کیوں بنایا گیا ہے؟

تعدد اور شدت مختلف شماریاتی رویے کو ظاہر کرتی ہے۔ دعووں کی تعداد ایک شمار متغیر ہے (0, 1, 2, 3...) اور عام طور پر Poisson تقسیم یا منفی binomial distribution کے ساتھ ماڈلنگ کی جاتی ہے اگر زیادہ بازی (متغیر> اوسط) ہو۔ Poisson کلاسیکی تقسیم ہے جو نادر اور آزاد واقعات کی تعداد کو ماڈل کرتی ہے۔ نقصان کی رقم ایک مسلسل اور دائیں طرف متغیر ہے: زیادہ تر دعوے چھوٹے ہیں، کچھ دعوے بہت بڑے ہیں۔ اس لیے، شدت کو اکثر گاما یا لاگ نارمل تقسیم کے ساتھ ماڈل بنایا جاتا ہے۔ یہ مثبت اور دائیں طرف کی تقسیم ہیں۔

دونوں کو الگ الگ ماڈل بنانے کے تین ٹھوس فوائد ہیں۔ سب سے پہلے، آپ دیکھ سکتے ہیں کہ ہر ایک کے اپنے ڈرائیور ہیں (خطرے کے عوامل): نوجوان ڈرائیور تعدد بڑھاتا ہے، مہنگی گاڑی تشدد کو بڑھاتی ہے۔ دوسرا، جب ڈیٹا تبدیل ہوتا ہے، تو آپ تشخیص کر سکتے ہیں کہ کیوں: کیا نقصان کی قیمت یا دعووں کی تعداد میں اضافہ ہوا ہے؟ تیسرا، آپ تشدد کی جانب صرف انتہائی بڑے نقصانات پر الگ سے غور کر سکتے ہیں۔ ان دونوں کے امتزاج کو کمپاؤنڈ ماڈل کہا جاتا ہے۔ متوقع کل نقصان = متوقع تعدد × متوقع شدت۔

اشارہ: جملہ "ہمارا نقصان/پریمیم تناسب بڑھ گیا ہے" خود سے کچھ نہیں کہتا۔ اس سوال کو الگ کریں کہ آیا تعدد یا شدت میں اضافہ ہوا ہے۔ مداخلت (قیمت، کوریج، نقصان کا انتظام) بالکل مختلف ہوگا۔

آؤٹ لیرز، تراشنا اور رجحان کی اصلاح

اس کی خام شکل میں نقصان کا ڈیٹا ماڈل کی تعمیر کے لیے تیار نہیں ہے۔ تقریباً ہمیشہ تین اصلاحات کی ضرورت ہوتی ہے۔ سب سے پہلے انتہائی/بڑے نقصان کی چھانٹی ہے: چند بڑے نقصانات (مثلاً فیکٹری میں آگ) اوسط کو ترچھا کر دیتے ہیں۔ یہ ایک علیحدہ "بڑے نقصان کے بوجھ" کے طور پر بنائے گئے ہیں۔ دوسرا کیپنگ ہے: ایک خاص حد (مثال کے طور پر 1,000,000 TL) کے بہت بڑے نقصانات کو ٹھیک کرنا اور اوپری حصے کا الگ سے حساب لگانا ماڈل کو مستحکم بناتا ہے۔ تیسرا، رجحان اور ترقی کی اصلاح: ماضی کے دعووں کو افراط زر کے ساتھ آج کی قیمت کی سطح (رجحان) تک اپ ڈیٹ کیا جانا چاہیے، اور ایسے دعوے جن کی ابھی تک پوری ادائیگی نہیں کی گئی ہے ان کو حتمی سطح پر لایا جانا چاہیے (ترقی — ہم اس موضوع کو یونٹ 3 میں شامل کریں گے)۔

درج ذیل جدول میں دو اجزاء کی خصوصیات کا موازنہ کیا گیا ہے۔

خصوصیت

تعدد (تعدد)

تشدد (رقم)

متغیر کی قسم

گنتی (0,1,2...)

مسلسل، مثبت

عام تقسیم

Poisson، منفی binomial

گاما، لاگ نارمل

ماسٹر ڈرائیور کی مثالیں۔

عمر، تجربہ، علاقہ، استعمال

گاڑی کی قیمت، کوریج کی حد، مرمت کی لاگت

باہر کا مسئلہ

کم

زیادہ (بڑے نقصانات)

افراط زر کا اثر

کمزور

مضبوط

نقصان کی ماڈلنگ میں AI کا استعمال کیسے کریں۔

جہاں AI سب سے مضبوط ہے وہ تقسیم کے انتخاب پر بحث کرنے، کوڈ لکھنے اور نتیجہ کی تشریح کرنے میں ہے۔ ذیل میں چار کاپی کرنے کے قابل ٹیمپلیٹس ہیں۔

1) تقسیم کے انتخاب پر بحث کریں:

آپ کا کردار: ایکچوریل ماڈلنگ اسسٹنٹ۔ میرے پاس انشورنس کلیم AMOUNT ڈیٹا ہے (گمنام، 1,600 دعوے)۔ خلاصہ: مطلب 30,300 TL، اوسط 12,500 TL، زیادہ سے زیادہ 940,000 TL، ترچھا زیادہ ہے۔ سوال: کیا گاما یا لاگ نارمل سیوریٹی ماڈل کے لیے زیادہ موزوں ہوگا؟ ہر ایک کا مفروضہ کیا ہے، پلس/مائنس اور کس کے ساتھ اچھائی کا فٹ ٹیسٹ ہے (مثلاً وضاحت کریں کہ میں فیصلہ کروں گا (Q-Q چارٹ، K-S ٹیسٹ، AIC)۔ ایک حتمی فیصلہ کرنا؛ مجھے ایک موازنہ کا فریم دیں۔

2) تعدد کی شدت کے حساب کتاب کوڈ:

Python + pandas کے ساتھ ایک تبصرہ کردہ کوڈ لکھیں جو درج ذیل اقدامات کرتا ہے: 1) df میں 'exposure'، 'claim_count'، 'claim_amount' کالم ہیں۔ 2) عمومی تعدد = کل دعوی_ شمار / کل نمائش۔ 3) اوسط شدت = کل دعوی_رقم / کل دعوی_شمار۔ 4) رسک پریمیم = تعدد × شدت۔ 5) ہر انٹرمیڈیٹ نتیجہ کو اسکرین پر پرنٹ کریں تاکہ میں دستی طور پر اس کی تصدیق کر سکوں۔ لائبریری فٹنگ؛ صرف پانڈا استعمال کریں۔

3) انتہائی قدر / کٹ آف تجزیہ:

میرے پاس ایک گمنام دعوے کی رقم کی تقسیم ہے۔ 950,000, 720,000, 610,000 TL جیسے دعوے کل رقم کا 22% بنتے ہیں۔ مجھے اپنے کیپنگ اپروچ کے بارے میں بتائیں: - کون سے کیپ آپشنز مناسب ہیں (جیسے 500K، 750K، 1M)؟ - میں کٹے ہوئے حصے کو علیحدہ "بڑے نقصان کے بوجھ" کے طور پر کیسے شامل کروں؟ - مجھے قدم بہ قدم دکھائیں کہ یہ فیصلہ کس طرح رسک پریمیم کو متاثر کرتا ہے۔

4) نتیجہ کو کاروباری زبان میں ترجمہ کرنا:

میری فریکوئنسی 0.13 سے بڑھ کر 0.15 ہوگئی۔ اوسط تشدد 28,000 سے بڑھ کر 34,000 TL تک پہنچ گیا۔ اس کا خلاصہ 4 جملوں میں کریں جسے ایک مینیجر سمجھ سکتا ہے: - کیا ہوا، کون سا جزو کتنا بڑھ گیا؟ - رسک پریمیم پر کل اثر کیا ہے؟ - وہ ممکنہ وجوہات اور 2 مفروضے لکھیں جن کی مجھے تصدیق کرنے کی ضرورت ہے۔

کمزور فوری / مضبوط اشارہ

کمزور اشارہ:

میرا نقصان کا ماڈل ترتیب دیں اور پریمیم کا حساب لگائیں۔

غیر واضح: کون سا ڈیٹا، کون سا جزو، کون سی تقسیم، کون سا دورانیہ؟ AI اس خلا کو من گھڑت طریقے سے پُر کرتا ہے۔

طاقتور اشارہ:

آپ کا کردار: ایکچوریل ماڈلنگ اسسٹنٹ۔ ڈیٹا (گمنام، ٹریفک برانچ، 2024): نمائش 20,000 پالیسی سال، دعووں کی تعداد 2,600، کل نقصان 91,000,000 TL، 5 سب سے بڑے نقصانات کل 12,000,000 TL۔ ٹاسک: 1) فریکوئنسی اور خام اوسط کی شدت کا حساب لگائیں، فارمولا دکھائیں۔ 2) 5 سب سے بڑے نقصانات اسے 1,000,000 TL تک محدود کریں اور ایڈجسٹ شدہ شدت کا دوبارہ حساب لگائیں۔ 3) کیپ کے ساتھ اور بغیر رسک پریمیم کا موازنہ کریں، فرق پر تبصرہ کریں۔ 4) ہر قدم کو درمیانی نمبروں کے ساتھ لکھیں تاکہ میں دستی طور پر اس کی تصدیق کر سکوں۔ صرف میرے دیئے گئے نمبروں کا استعمال کریں۔ اگر یہ غائب ہے تو پوچھیں۔

تین چھوٹے مقدمات

کیس 1 - علیحدگی کی طاقت۔ ایک ایکچوری نے ہاؤسنگ برانچ میں نقصان/پریمیم کا تناسب ایک سال میں 68 فیصد سے بڑھ کر 81 فیصد تک دیکھا۔ گھبراہٹ کی قیمت میں اضافے کی تجویز سے پہلے، تعدد کی شدت میں فرق کیا گیا تھا: فریکوئنسی تقریباً مستقل تھی (0.041 → 0.043)، لیکن اوسط شدت 14,200 TL سے بڑھ کر 19,800 TL تک پہنچ گئی تھی۔ وجہ تعمیراتی لاگت کی افراط زر تھی، نہ کہ پالیسیوں یا خطرناک صارفین کی تعداد۔ صحیح مداخلت کوریج کی مقدار کو اپ ڈیٹ کرنا تھی، نہ کہ اندھا پریمیم اضافہ۔

کیس 2 - بیرونی جال۔ بزنس انشورنس پورٹ فولیو میں اوسطاً 1,800 دعوے 42,000 TL تھے۔ تاہم، صرف 6.4 ملین TL کے ایک ہی آگ سے ہونے والے نقصان نے اس اوسط کو تقریباً 3,500 TL تک بڑھا دیا۔ جب اس بڑے نقصان کو ماڈل بنایا گیا اور اسے ایک علیحدہ "بڑے نقصان کے بوجھ" کے طور پر محدود کر دیا گیا، تو بنیاد کی شدت کم ہو کر 38,500 TL ہو گئی اور پریمیم زیادہ منصفانہ ہو گیا۔ AI نے تیزی سے کیپنگ کوڈ اور متبادل کیپس تیار کیں۔ ایکچری نے فیصلہ کیا۔

کیس 3 - مال کی تقسیم۔ بغیر کسی سوال کے، ایک اسسٹنٹ نے ایک AI کوڈ چلایا جس نے شدت کے لیے ایک نارمل (Gaussian) تقسیم کا انتخاب کیا۔ چونکہ منفی اقدار اور توازن کے لیے عام تقسیم کی اجازت ہے، اس لیے یہ دائیں طرف سے نقصان کے اعداد و شمار کے لیے موزوں نہیں ہے۔ ماڈل نے چھوٹے نقصانات کو زیادہ سمجھا اور بڑے نقصانات کو کم کیا۔ جب Q-Q پلاٹ اور AIC کا موازنہ کیا گیا تو یہ دیکھا گیا کہ گاما بہت بہتر فٹ بیٹھتا ہے۔ سبق: AI کی طرف سے تجویز کردہ تقسیم کو ہمیشہ فٹ ٹیسٹنگ کے ذریعے جانچا جاتا ہے۔

عام غلطیاں

• تعدد اور شدت کو یکجا کرنا اور ایک ماڈل کے ساتھ پیشین گوئی کرنا۔ یہ دو مختلف رویوں کو چھپاتا ہے۔ آپ ڈرائیور کو کھو دیتے ہیں اور کیوں؟
• انتہائی/بڑے نقصان کو ختم کیے بغیر اوسط۔ چند بڑے نقصانات پوری تصویر کو مسخ کر دیتے ہیں۔ پریمیم مصنوعی طور پر فلایا جاتا ہے۔
• افراط زر کے رجحان کو لاگو کیے بغیر پرانے نقصان کو استعمال کرنا۔ 2019 کا نقصان آج کی قیمت جیسا نہیں ہے۔ رجحان کی اصلاح ضروری ہے۔
• دائیں ترچھے ڈیٹا میں عام تقسیم کو فٹ کرنا۔ منفی قدر اور ہم آہنگی کا مفروضہ نقصان کے ڈیٹا کے برعکس ہے۔ گاما/lognormal کے بارے میں سوچیں۔
• فٹ ٹیسٹنگ کے ساتھ تقسیم کے انتخاب کی تصدیق نہیں کرنا۔ AI کی تجویز ایک آغاز ہے؛ Q-Q، K-S، AIC سے تصدیق کریں۔

دھیان دیں: کیپ (کاٹنے) کی سطح کو من مانی طور پر منتخب نہیں کیا گیا ہے۔ بہت کم چھت بڑے نقصان کے خطرے کو چھپا دیتی ہے۔ بہت زیادہ اونچی چھت ٹرم کو بیکار بنا دیتی ہے۔ پورٹ فولیو کے ماضی کے بڑے نقصان کے تجربے اور ری بیمہ کی شرائط کو دیکھ کر انتخاب کریں۔

خلاصہ میں

کل نقصان کا درست اندازہ لگانے کا طریقہ یہ ہے کہ اسے تعدد (تعدد) اور شدت (رقم) میں تقسیم کیا جائے۔ فریکوئینسی کو پوسن/منفی دو نامی، گاما/لاگ نارمل کے ذریعے شدت سے ماڈل بنایا گیا ہے۔ رسک پریمیم دونوں کو ضرب دینے سے پایا جاتا ہے۔ خام ڈیٹا کو باہر سے ہٹانا، تراشنا، اور رجحان کی اصلاح کی ضرورت ہوتی ہے۔ AI ڈسٹری بیوشن ڈسکشن کوڈ اور تبصرہ کرنے کے لیے ایک بہترین اسسٹنٹ ہے۔ لیکن تقسیم کے انتخاب اور کیپ کے فیصلے کی تصدیق فٹ ٹیسٹ اور ایکچوریل فیصلے سے ہوتی ہے۔

درخواست کا کام

ایک گمنام نقصان کا خلاصہ تیار کریں (نمائش، دعووں کی تعداد، کل نقصان، سب سے اوپر 3-5 دعوے)۔ AI سے (a) خام فریکوئنسی-شدت-خطرہ پریمیم، (b) بڑے نقصانات کا حساب لگانے اور ایڈجسٹ شدہ رسک پریمیم کا حساب لگانے کو کہیں۔ دونوں نتائج کی ہاتھ سے تصدیق کریں اور نوٹ کریں کہ کتنے فیصد کیپنگ خطرے کے پریمیم کو تبدیل کرتی ہے۔ پھر AI سے "تشدد کے لیے گاما یا لاگ نارمل" سوال پوچھیں اور اس کے اپنے الفاظ میں موازنہ کے فریم کا خلاصہ کریں۔

چیک لسٹ

• کیا میں نے فریکوئنسی اور شدت کا الگ الگ حساب لگایا، یا میں نے انہیں ایک ٹکڑا کے طور پر دیکھا؟
• کیا میں نے بڑے/انتہائی نقصان کی نشاندہی کی ہے اور اس سے الگ سے نمٹا ہے؟
• کیا میں نے پرانے دعووں پر افراط زر/رجحان کی ایڈجسٹمنٹ کا اطلاق کیا ہے؟
• [ ] کیا میں نے اچھی طرح سے فٹ ہونے والے ٹیسٹ کے ساتھ شدت کی تقسیم کی تصدیق کی ہے؟
• کیا میں نے آزادانہ طور پر رسک پریمیم (تعدد × شدت) کا دوبارہ حساب لگایا ہے؟
• کیا میں نے AI کے ذریعہ تجویز کردہ تقسیم اور کیپ کی سطح پر سوال اٹھایا اور فیصلے کے ساتھ اس کی تصدیق کی؟