Прогнозное моделирование как ключевой фактор успеха современного страхования

Лидеры западного страхового рынка хорошо знают цену новаторству и всегда ищут новые возможности технологического прорыва. Для некоторых из них прогнозное моделирование (predictive modeling) стало инструментом, который помог оторваться от конкурентов и перейти на качественно иной уровень принятия андеррайтинговых и маркетинговых решений.

 

 

София ИЕВЕНКО,  ведущий консультант Практики «Страховые и актуарные Решения» Deloitte&Touche CIS
Александр КОРОГОДСКИ, Партнер, Лидер Страховой Практики  Deloitte&Touche  CIS

Лидеры западного страхового рынка хорошо знают цену новаторству и всегда ищут новые возможности технологического прорыва. Для некоторых из них прогнозное моделирование (predictive modeling) стало инструментом, который помог оторваться от конкурентов и перейти на качественно иной уровень принятия андеррайтинговых и маркетинговых решений.

 

Применение прогнозного моделирования в страховании

Интересно, что на российском рынке, который в последнее время оказался в ситуации активной конкуренции

с ведущими страховыми домами Европы (AXA, Zurich, Allianz, и другими), страховщики не только недооценивают преимущества этого инструментария, но и скептически называют его «западными штучками, которые на нашем рынке применить просто нереально».

И вот, в угоду прогрессивно мыслящим менеджерам, а также чтобы оценить реальность внедрения таких технологий, мы решили немного приоткрыть завесу этого «черного ящика», не вдаваясь подробно в детали математического инструментария. Давайте разберемся в самом определении прогнозного моделирования, его основных этапах, а также тех задачах и проблемах страхового бизнеса, которые могут решаться путем использования этого инструмента.

Прогнозное моделирование (ПМ) представляет собой набор методологий и технологий анализа данных, базирующихся на методах искусственного интеллекта (artificial intelligence) и инструментах управления принятиями решений (decision management). Иными словами, ПМ означает анализ имеющейся у компании статистики с целью идентификации неочевидных, на первый взгляд, взаимосвязей с дальнейшей обработкой этих данных таким образом, чтобы они стали не только понятны, но и полезны. Выявленные взаимосвязи используются в ПМ для выстраивания гипотез (довольно достоверных) о поведении того или иного показателя в будущем. Чем же полезно ПМ для страховщика?

• ПМ способствует разработке более точной тарифной политики, идентифицируя риски, получившие в силу своей на первый взгляд очевидности не совсем верную оценку. Анализируя взаимосвязи в базе данных страховщика, ПМ выявляет те предположения, использование которых привело к неверным результатам.

• ПМ помогает страховщикам формировать гомогенные (однородные) группы данных. Например, в результате

недостаточно детальной разбивки территории по степени подверженности тем или иным рискам и использования усредненной рисковой составляющей по отдельно взятой области страховщик может применять завышенные или заниженные страховые тарифы в преломлении к отдельно взятым районам данной области.

• Идентифицируя новые переменные (данные), а также новые взаимосвязи между новыми и старыми переменными, ПМ также определяет качественно иные виды сег ментирования рисков. Наиболее интересный пример – использование информации о кредитной истории своих страхователей для формирования скорингов, применяемых в дальнейшем как для грамотной тарификации, так и для оценки убыточности и адекватности маркетинговых решений.

Инструмент прогнозного моделирования появился в начале 90-х годов прошлого века и изначально использовался в андеррайтинге, однако сейчас ПМ не менее активно применяется и в других сферах страхования – в урегулировании убытков и управлении каналами продаж. Эти подходы были разработаны в условиях взаимодействия консультантов «Делойтта» со страховыми компаниями, стремившимися снизить свои показатели убыточности, путем адекватного снижения как выплат (например, снижение уровня мошенничества), так и расходов на ведение дел (например, более эффективное распределение дел по аджастерам.

Например, любой страховщик и тем более специалистактуарий знает, что молодой возраст водителя, а также факт наличия страховых событий в истории страхователя служат сигналами для применения повышающих коэффициентов к базовым страховым тарифам. Статистические наблюдения показывают, что существует зависимость между возрастом водителей и количеством имеющихся в их истории страховых событий. Без понимания подобной взаимосвязи страховщики, как правило, используя мультипликативный повышающий коэффициент, полученный путем перемножения обозначенных выше коэффициентов, завышают или занижают итоговый расчетный тариф по отдельным группам страхователей. В результате – риск увеличения убыточности по отдельным группам страхователей и риск ухода прибыльных страхователей в другую компанию, применяющую более адекватную тарифную политику.

Цель заключалась в создании таких приложений, которые могли бы помочь выявить тех клиентов и те полисы,

риски потерь по которым не соответствуют полученной премии. Прогнозные модели дают возможность страховым компаниям сегментировать риски по ожидаемой убыточности. Более глубокий взгляд на характеристики, влияющие на каждый риск, помогают выработать компании эффективные правила по снижению убыточности, которая идет от удержания более привлекательных в этом смысле рисков, до более точного ценообразования и идентификации новых переменных, влияющих на прибыльность бизнеса.

Приведем ещё один пример решения проблемы, связанной с организацией каналов продаж. 85% опрошенных нами страховых компаний рассматривают высокое качество организации каналов как фактор, оказывающий наиболее сильное влияние на прибыльность страхового бизнеса. Основной подпроблемой здесь является задача по привлечению и удержанию продавцов. Согласно собранной на протяжении нескольких лет компанией Deloitte статистике, после 4 лет работы только каждый шестой агент продолжает работать в той же самой компании, а 5%-ое увеличение удержания агентов означает для многих компаний 15%-ое сокращение расходов на проведение тренингов и содержание корпоративных университетов страховщиков. ПМ может, как и в предыдущих примерах, прийти на помощь и здесь, а именно описать процесс рекрутинга с большей таргетированностью (нацеленностью) и конечной отдачей.


Этапы внедрения ПМ

Как мы уже говорили, эффективное и корректное использование методов ПМ может и – как показывает практика – реально оптимизирует андеррайтинговые, тарифные и маркетинговые решения, улучшая при этом показатели

прибыльности и платежеспособности страховщиков.

Однако на пути внедрения инструментария могут встретиться преграды. Одним из потенциальных барьеров на пути корректного использования результатов ПМ является корпоративная культура страховой компании. Не раз ПМ демонстрировало неадекватность оценки рисков, принятую в той или иной компании. В любом случае необходимо правильно сбалансировать результат между двумя альтернативами, а именно: «математический ответ» и «мы всегда так делали».

Другим барьером является необходимость принимать во внимание регуляторные ограничения со стороны законодательства и надзорных страховых органов. Если результат ПМ указывает на необходимость каких-либо

конкретных действий, они, прежде всего, должны быть одобрены специалистом-юристом на соответствие имеющимся регуляторным ограничениям.

Для того чтобы быть успешным во внедрении ПМ и преодолевать имеющиеся барьеры, мы предлагаем следовать четырем основным этапам моделирования:

Этап 1. Четкое формулирование вопросов, ответ на которые вы хотели бы получить с помощью ПМ

Как говорят, кто ясно мыслит, тот ясно излагает. Это можно отнести и к умению конкретизировать результат, который страховщик хотел бы получить по окончании проекта ПМ. Примерами вопросов, характерными для процесса урегулирования убытков и возможности их решения с помощью инструментария ПМ, могут быть следующие: «Какие факторы необходимы и достаточны для проведения сегментации рисков таким образом, чтобы можно было бы наиболее оптимально распределять выплатные дела по имеющимся в компании аджастерам с учетом их квалификации?” или “Как максимально эффективно определить случаи с признаками страхового мошенничества, т.е. как выставить так называемые маячки-замеры, указывающие на необходимость проведения проверки на факт мошенничества?”

Этап 2. Отбор данных, потенциально несущих в себе ответы на поставленные вопросы

Ключевым фактором успеха любого ПМ является качество данных, на которые опирается модель. Первым шагом

является определение того, какая именно информация необходима, после чего происходит проверка и фильтрация отобранной информации. Источники данных, которые могут быть использованы страховщиками для целей ПМ, более обширны и разнообразны, чем кажется на первый взгляд. Для этих целей используется не только информация из внутренних баз данных страховщиков, но также и внешние источники такие, как, например, демографическая статистика в разнообразных аналитических разрезах, внутриотраслевая статистика, статистика погодных условий и т.д. Однако необходимо помнить о том, что собранная через те или иные источники информация должна быть релевантной тому вопросу, ответ на который вы пытаетесь найти. Одновременно, важно не упустить и не исключить потенциально ценные данные.

Этап 3. Проведение анализа полученной информации на наличие взаимосвязей и разработка модели, способствующей их лучшему приближению

Выбор подходящей модели из набора имеющихся на сегодняшний день во многом зависит от той структуры данных, на которую вы можете опираться. Например:

• Обобщенная линейная модель (Generalized Linear Modeling) при построении прогнозных значений использует ряд независимых переменных. Эта модель наиболее эффективна при определении влияния набора заданных переменных, скажем, на стоимость урегулирования убытков. При наложении двух независимых переменных влияние на зависимую переменную может быть рассчитано точнее, чем при рассмотрении влияния каждой из этих переменных в отдельности.

• Дерево решений (Decision tree analysis) распределяет группу рисков на гомогенные группы по признаку степени их влияния на зависимую переменную.

• Логистическая регрессия (Logistic regression) — модель, которая используется для получения ответов в конкретных ситуациях. В общем случае моделирует бинарные ответы («да» или «нет»). Основываясь на независимых данных, такая модель определяет вероятность получения положительного ответа. Например, какова вероятность того, что страхователь в возрасте 45 лет, который непрерывно страхуется в вашей компании в течение n-го количества лет, будет пролонгировать имеющегося у него договоры страхования?

В статистических моделях, которые используются для решения вопросов, связанных с идентификацией случаев

страхового мошенничества, как правило, все записи получают, один из трех статусов: (0) признаки мошенничества определенно отсутствуют, (1) идентифицированы признаки мошенничества и (-1) статус мошенничества не определен. По отношению к данным, получившим статус (-1) применятся обычный способ случайной выборки и её дальнейшей проверки, конечной целью которой является определение порога, когда не идентифицированный по статусу мошенничества убыток получает статус идентификации (1).

• Нейронные сети (Neural networks) – самообучающиеся системы, имитирующие деятельность человеческого

мозга. Данные системы способны не только выполнять запрограммированную последовательность действий над заранее определенными данными, но и сами анализировать вновь поступающую информацию, находить в ней закономерности, производить прогнозирование и т д.

• Регрессионные сплайны (Regression splines), которые способны приводить структуру модели к более сглаженной форме, основываясь на многомерных регрессиях.

Безусловно, используются и другие виды моделей, однако у каждой из них есть общая идея – прогнозирование возможных исходов, исходя из имеющегося исторического массива данных.

Этап 4. Интерпретация результатов ПМ и их адекватное интерпретация с точки зрения поставленных задач

Это один из наиболее важных этапов ПМ. Для более адекватного понимания результатов необходимо принимать

во внимание мнения экспертов, которые понимают детали моделируемого процесса и придерживаются разных точек зрения. Так, если модель касается вопросов тарификации, команда экспертов, вовлекаемая в процесс

интерпретации результатов моделирования, должна состоять не только из актуариев, но также из аджастеров,

андеррайтеров и специалистов по маркетинговой политике компании. Комбинация их точек зрения должна

способствовать принятию профессионального суждения по отношению к результатам модели и сформировать не

только убедительный, но и практически приемлемый ответ на поставленную задачу. Эта разнотипная по своему

составу группа экспертов должна принимать во внимание многие факторы, приближая результаты модели к реальности.

 

Заключительные напутствия

Опыт прошлого является своего рода индикатором будущего. Использование опыта успешных решений и результатов, связанных с ними в сочетании с инструментарием ПМ приносит значительное конкурентное преимущество. Те российские страховщики, которые откроют для себя ПМ и научатся использовать полученные результаты, смогут занять ведущие позиции на российском рынке страхования.



ЖУРНАЛ №5, ОКТЯБРЬ 2008
АВТОРСКИЙ ТРЕНИНГ: ПРОДАЖИ БЕЗ ОБМАНА

Уважаемые читатели!

С 1 апреля  стоимость абонентской платы  за пользование программой Экспресс –аналитика страхового рынка составляет 1000 руб. в месяц. Для оплаты услуги войдите в личный кабинет или зарегистрируйтесь:

Внимание!

Подписчики печатной версии журнала могут пользоваться программой бесплатно в течении всего срока подписки.

Реклама партёров