Lợi nhuận:
- Có thể thiết lập và giải thích sự khác biệt giữa tần suất thiệt hại và mức độ thiệt hại (mức độ nghiêm trọng), phân phối thích hợp (Poisson, nhị thức âm, gamma) và logic mô hình tổng hợp với sự hỗ trợ của trí tuệ nhân tạo.
- Sắp xếp các tổn thất cực lớn (ngoại lệ/tổn thất lớn), giới hạn dữ liệu và điều chỉnh xu hướng/phát triển cho trí tuệ nhân tạo bằng các câu hỏi và dữ liệu phù hợp.
- Khả năng hiểu rằng việc lựa chọn phân phối và các thông số do trí tuệ nhân tạo tạo ra phải được xác nhận bằng các bài kiểm tra mức độ phù hợp và lý luận tính toán.
Câu hỏi cơ bản nhất đối với một công ty bảo hiểm là: “Năm tới chúng tôi sẽ bồi thường bao nhiêu thiệt hại cho nhóm hợp đồng này?” Trả lời đúng câu hỏi này là điều kiện tiên quyết để vừa thiết lập phí bảo hiểm một cách chính xác vừa phân bổ đủ dự trữ. Chuyên gia tính toán trả lời câu hỏi này bằng cách chia nó thành hai; bởi vì sẽ chính xác hơn nhiều nếu mô hình hóa hai hành vi riêng biệt thay vì ước tính tổng thiệt hại trong một phần. Hai phần này là tần số và cường độ.
Tần suất (tần suất thiệt hại) là số lượng thiệt hại xảy ra trong mỗi lần phơi nhiễm nhất định; Ví dụ: 100 phương tiện - 8 vụ tai nạn mỗi năm. Mức độ nghiêm trọng là mức trung bình của mỗi thiệt hại phát sinh; ví dụ: 30.000 TL cho mỗi vụ tai nạn. Nhân cả hai sẽ có phần bù rủi ro: chi phí thiệt hại dự kiến cho mỗi lần tiếp xúc (0,08 × 30.000 = 2.400 USD). Trong phần này, chúng ta sẽ xem từng bước cách sử dụng AI để xác lập sự khác biệt này, chọn phân bổ xác suất phù hợp và quản lý các giá trị ngoại lệ. Hãy nhắc lại từ đầu: AI đề xuất phân phối và viết mã, nhưng chuyên gia tính toán phải xác nhận lựa chọn phân phối thông qua các bài kiểm tra và đánh giá mức độ phù hợp.
Tại sao tần số và cường độ được mô hình hóa riêng biệt?
Tần số và cường độ cho thấy hành vi thống kê khác nhau. Số lượng xác nhận quyền sở hữu là một biến đếm (0, 1, 2, 3 ...) và thường được mô hình hóa bằng phân phối Poisson hoặc phân phối nhị thức âm nếu có phân tán quá mức (phương sai > trung bình). Poisson là phân phối cổ điển mô hình hóa số lượng các sự kiện độc lập và hiếm gặp. Số tiền thiệt hại là một biến số liên tục và lệch phải: hầu hết các yêu cầu bồi thường đều nhỏ, một số ít yêu cầu bồi thường rất lớn. Do đó, mức độ nghiêm trọng thường được mô hình hóa bằng phân bố gamma hoặc logic chuẩn; đây là những phân phối dương và lệch phải.
Việc lập mô hình riêng biệt cho cả hai có ba lợi ích cụ thể. Đầu tiên, bạn có thể thấy mỗi người đều có những tài xế riêng (yếu tố rủi ro): tần suất lái xe trẻ tăng, xe đắt tiền gia tăng bạo lực. Thứ hai, khi dữ liệu thay đổi, bạn có thể chẩn đoán lý do: chi phí thiệt hại hoặc số lượng yêu cầu bồi thường có tăng lên không? Thứ ba, bạn chỉ có thể xem xét những tổn thất cực lớn một cách riêng biệt về phía bạo lực. Sự kết hợp của cả hai điều này được gọi là mô hình phức hợp; tổng thiệt hại dự kiến = tần suất dự kiến × mức độ nghiêm trọng dự kiến.
Gợi ý: Câu "Tỷ lệ thua lỗ/phí bảo hiểm của chúng tôi đã tăng lên" bản thân nó không nói lên điều gì. Tách biệt câu hỏi liệu tần số hay cường độ có tăng lên hay không; sự can thiệp (giá cả, phạm vi bảo hiểm, quản lý thiệt hại) sẽ hoàn toàn khác.
Các ngoại lệ, cắt ngắn và điều chỉnh xu hướng
Dữ liệu thiệt hại ở dạng thô chưa sẵn sàng để xây dựng mô hình. Ba sự điều chỉnh hầu như luôn luôn được yêu cầu. Đầu tiên là phân loại thiệt hại cực kỳ nghiêm trọng/lớn: một vài thiệt hại lớn (ví dụ: cháy nhà máy) làm lệch mức trung bình; chúng được mô hình hóa như một "tải trọng thiệt hại lớn" riêng biệt. Thứ hai là giới hạn: khắc phục những hư hỏng rất lớn ở một mức trần nhất định (ví dụ 1.000.000 TL) và tính riêng phần trên giúp mô hình ổn định. Thứ ba, điều chỉnh xu hướng và phát triển: các khoản bồi thường trước đây phải được cập nhật theo lạm phát theo mức giá (xu hướng) ngày nay và các khoản bồi thường chưa được thanh toán đầy đủ phải được đưa về mức cuối cùng (phát triển - chúng tôi sẽ đề cập đến chủ đề này trong phần 3).
Bảng sau so sánh các thuộc tính của hai thành phần:
tính năng
Tần số (tần số)
Bạo lực (số lượng)
Loại biến
Đếm (0,1,2...)
liên tục, tích cực
Phân phối điển hình
Poisson, nhị thức âm
Gamma, logic chuẩn
Ví dụ về trình điều khiển chính
Tuổi tác, kinh nghiệm, khu vực, cách sử dụng
Giá trị xe, hạn mức bảo hiểm, chi phí sửa chữa
Vấn đề ngoại lệ
thấp
Cao (thiệt hại lớn)
Hiệu ứng lạm phát
yếu đuối
mạnh mẽ
Cách sử dụng AI trong mô hình thiệt hại
Điểm mạnh nhất của AI là thảo luận về lựa chọn phân phối, viết mã và diễn giải kết quả. Dưới đây là bốn mẫu có thể sao chép.
1) Thảo luận lựa chọn phân phối:
Vai trò của bạn: trợ lý mô hình tính toán. Tôi có dữ liệu SỐ TIỀN yêu cầu bảo hiểm (ẩn danh, 1.600 yêu cầu). Tóm tắt: trung bình 30.300 TL, trung bình 12.500 TL, tối đa 940.000 TL, độ lệch cao. Câu hỏi: liệu gamma hay logic bất thường sẽ phù hợp hơn với mô hình mức độ nghiêm trọng? Giả định của mỗi điểm là gì, cộng/trừ và với bài kiểm tra mức độ phù hợp nào (ví dụ: Giải thích rằng tôi sẽ đưa ra quyết định (biểu đồ Q-Q, bài kiểm tra K-S, AIC). Đưa ra quyết định dứt khoát; Cho tôi một khung so sánh.
2) Mã tính cường độ tần số:
Viết mã nhận xét bằng Python + pandas thực hiện các bước sau: 1) Có các cột 'exposure', 'claim_count', 'claim_amount' trong df. 2) Tần suất chung = tổng số yêu cầu/tổng số lần tiếp xúc. 3) Mức độ nghiêm trọng trung bình = tổng số tiền yêu cầu / tổng số lượng yêu cầu bồi thường. 4) Phần bù rủi ro = tần suất × mức độ nghiêm trọng. 5) In từng kết quả trung gian ra màn hình để tôi có thể xác minh thủ công. Phù hợp thư viện; chỉ cần sử dụng gấu trúc.
3) Phân tích giá trị cực trị/ngưỡng:
Tôi có một khoản phân phối số tiền yêu cầu ẩn danh. Các khoản yêu cầu bồi thường như 950.000, 720.000, 610.000 TL chiếm 22% tổng số tiền. Hãy cho tôi biết về cách tiếp cận giới hạn của bạn: - Lựa chọn giới hạn nào là hợp lý (ví dụ: 500K, 750K, 1M)? - Làm cách nào để thêm lại phần bị cắt thành "tải trọng thiệt hại lớn" riêng biệt? - Chỉ cho tôi từng bước quyết định này ảnh hưởng như thế nào đến phần bù rủi ro.
4) Dịch kết quả sang ngôn ngữ kinh doanh:
Tần số của tôi tăng từ 0,13 lên 0,15; Bạo lực trung bình tăng từ 28.000 lên 34.000 TL. Tóm tắt điều này trong 4 câu mà người quản lý có thể hiểu được: - Chuyện gì đã xảy ra, thành phần nào tăng bao nhiêu? - Tổng ảnh hưởng lên phần bù rủi ro là gì? - Viết những lý do có thể xảy ra và 2 giả định mà mình cần kiểm chứng.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Thiết lập mô hình thua lỗ của tôi và tính phí bảo hiểm.
Không rõ ràng: dữ liệu nào, thành phần nào, phân phối nào, thời kỳ nào? AI lấp đầy khoảng trống này bằng việc chế tạo.
Lời nhắc mạnh mẽ:
Vai trò của bạn: trợ lý mô hình tính toán. Dữ liệu (ẩn danh, chi nhánh giao thông, 2024): thiệt hại 20.000 năm hợp đồng, số lượng yêu cầu bồi thường 2.600, tổng thiệt hại 91.000.000 TL, 5 thiệt hại lớn nhất tổng cộng 12.000.000 TL. Nhiệm vụ: 1) Tính tần suất và mức độ nghiêm trọng trung bình thô, hiển thị công thức. 2) 5 thiệt hại lớn nhất Giới hạn ở mức 1.000.000 TL và tính toán lại mức độ nghiêm trọng đã điều chỉnh. 3) So sánh phần bù rủi ro có và không có trần, nhận xét về sự khác biệt. 4) Viết từng bước bằng số trung gian để tôi có thể xác minh thủ công. Chỉ cần sử dụng những con số tôi đã đưa ra; Nếu thiếu thì hỏi.
ba trường hợp nhỏ
Trường hợp 1 - Sức mạnh của sự tách biệt. Một chuyên gia tính toán đã chứng kiến tỷ lệ tổn thất/phí bảo hiểm trong lĩnh vực nhà ở tăng từ 68% lên 81% trong một năm. Trước khi đề xuất tăng giá hoảng loạn, người ta đã phân biệt tần số-mức độ nghiêm trọng: tần số gần như không đổi (0,041 → 0,043), nhưng mức độ nghiêm trọng trung bình đã tăng từ 14.200 TL lên 19.800 TL. Nguyên nhân là do chi phí xây dựng tăng cao chứ không phải do số lượng chính sách hay rủi ro đối với khách hàng. Sự can thiệp đúng đắn là cập nhật số tiền bảo hiểm chứ không phải tăng phí bảo hiểm mù quáng.
Trường hợp 2 - Bẫy ngoại lệ. Trung bình 1.800 yêu cầu bồi thường trong danh mục bảo hiểm doanh nghiệp là 42.000 TL. Tuy nhiên, chỉ riêng một vụ cháy gây thiệt hại 6,4 triệu TL đã làm tăng mức trung bình này lên khoảng 3.500 TL. Khi thiệt hại lớn này được mô hình hóa và giới hạn thành một "gánh nặng thiệt hại lớn" riêng biệt, mức độ nghiêm trọng cơ bản giảm xuống còn 38.500 TL và phí bảo hiểm trở nên công bằng hơn. AI nhanh chóng tạo mã giới hạn và giới hạn thay thế; Chuyên gia tính toán đã đưa ra quyết định.
Trường hợp 3 - Phân phối sai. Không nghi ngờ gì, một trợ lý đã chạy mã AI chọn phân phối bình thường (Gaussian) cho mức độ nghiêm trọng. Bởi vì phân phối chuẩn cho phép các giá trị âm và tính đối xứng nên nó không phù hợp với dữ liệu thiệt hại bị lệch phải; mô hình đã đánh giá quá cao những thiệt hại nhỏ và đánh giá thấp những thiệt hại lớn. Khi so sánh biểu đồ Q-Q và AIC, người ta thấy rằng gamma phù hợp hơn nhiều. Bài học: Việc phân phối do AI đề xuất luôn được kiểm tra bằng thử nghiệm mức độ phù hợp.
Những lỗi thường gặp
- Kết hợp tần số, cường độ và dự đoán bằng một mô hình duy nhất. Nó che giấu hai hành vi khác nhau; bạn bị mất driver và tại sao.
- Tính trung bình mà không loại bỏ thiệt hại cực kỳ/lớn. Một vài thiệt hại lớn đã làm sai lệch toàn bộ bức tranh; phí bảo hiểm được tăng cao một cách giả tạo.
- Sử dụng thiệt hại cũ mà không áp dụng xu hướng lạm phát. Thiệt hại năm 2019 không bằng giá hôm nay; việc điều chỉnh xu hướng là cần thiết.
- Điều chỉnh phân phối chuẩn cho dữ liệu lệch phải. Giả định về giá trị âm và tính đối xứng là trái với dữ liệu thiệt hại; Hãy suy nghĩ gamma/lognormal.
- Không xác minh lựa chọn phân phối bằng thử nghiệm phù hợp. Đề xuất của AI là một sự khởi đầu; Xác nhận bằng Q-Q, K-S, AIC.
Chú ý: Mức độ giới hạn (cắt) không được chọn tùy ý. Trần nhà quá thấp sẽ ẩn chứa nguy cơ thiệt hại lớn; trần nhà quá cao khiến việc trang trí trở nên vô dụng. Chọn bằng cách xem xét kinh nghiệm tổn thất lớn trong quá khứ của danh mục đầu tư và các điều khoản tái bảo hiểm.
Tóm lại
Cách ước tính chính xác tổng thiệt hại là chia thành tần suất (tần suất) và mức độ nghiêm trọng (số lượng). Tần số được mô hình hóa theo Poisson/nhị phân âm, cường độ theo gamma/lognormal; Phần bù rủi ro được tìm thấy bằng cách nhân cả hai. Dữ liệu thô yêu cầu loại bỏ, cắt bớt và điều chỉnh xu hướng. Thảo luận phân phối AI là một trợ lý tuyệt vời cho việc viết mã và nhận xét; nhưng việc lựa chọn phân phối và quyết định giới hạn được xác nhận bằng các thử nghiệm phù hợp và đánh giá tính toán.
Nhiệm vụ ứng dụng
Chuẩn bị một bản tóm tắt thiệt hại ẩn danh (mức độ tiếp xúc, số lượng yêu cầu bồi thường, tổng thiệt hại, 3-5 yêu cầu bồi thường hàng đầu). Yêu cầu AI tính toán (a) phần bù rủi ro tần suất-mức độ nghiêm trọng thô, (b) giới hạn các khoản lỗ lớn và tính phần bù rủi ro đã điều chỉnh. Xác minh hai kết quả bằng tay và lưu ý xem giới hạn phần trăm nào sẽ thay đổi phí bảo hiểm rủi ro. Sau đó hỏi AI câu hỏi "gamma hoặc lognormal cho bạo lực" và tóm tắt khung so sánh mà nó đưa ra bằng lời của bạn.
danh sách kiểm tra
- [ ] Tôi đã tính toán tần số và cường độ riêng biệt hay tôi xem chúng như một phần riêng biệt?
- [ ] Tôi đã xác định được thiệt hại lớn/cực kỳ nghiêm trọng và xử lý riêng chưa?
- [ ] Tôi đã áp dụng điều chỉnh lạm phát/xu hướng cho các yêu cầu bồi thường cũ chưa?
- [ ] Tôi đã xác minh sự phân bố cường độ bằng bài kiểm tra mức độ phù hợp chưa?
- [ ] Tôi đã tính toán lại phần bù rủi ro một cách độc lập chưa (tần suất × mức độ nghiêm trọng)?
- [ ] Tôi có đặt câu hỏi về mức phân phối và giới hạn do AI đề xuất và xác nhận nó bằng phán đoán không?