P&C застрахователите осъзнават стойността на използването на Deep Learning за подобряване на сегментирането и изброяването на рисковете. Обещаваща статистика и изследвания сочат успеха на внедряването на контролирано и неконтролирано машинно обучение за множество случаи на използване на застраховки. Определено има висок потенциал и сила чрез въвеждане на сложна автоматизация и изкуствен интелект за резервиране на искове, което би позволило преосмисляне на анализа на отговорността за искове.

Разбиране на резервирането на искове
Когато възникне загуба, свързана с имущество и злополука, или когато са включени множество страни или имоти, използваният традиционен метод е да се разпредели сума на резерв за искове. Тази сума е маркирана с флаг за евентуални плащания по искове. RBNS (отчетени, но неуредени) и IBNR (възникнали, но неотчетени) резерви са други резерви, използвани за потенциални бъдещи искове. Следователно, резервът е представен като пасив в баланса.

Проблем с базирано на правила резервиране на искове
Традиционните методи за заделяне на конкретна сума за резерв за искове може да се окажат проблематични и да доведат до свръхрезервиране или недостатъчно резервиране на разпределените средства за компенсиране на ищците. Базираните на правила резерви за искове се определят чрез изброените точки от данни:

Приключени искове/ Исторически данни и информация.
Наблюдения и предположения
Създаване на модели
Статистика и оценки
Застрахователните застрахователи използват алгоритми като средни разходи за иск, първоначално зареждане, свръх- диспергиран поасон, метод на разделяне и т.н., за да се стигне до изчисления на иска.

Въпреки това, не всички такива методи са толкова ефективни, колкото използването на входни данни и модели с помощта на Deep Learning.

Задълбочено обучение за запазване на искове
В конкурентния свят на застрахователния бизнес компаниите осъзнават силната нужда от предоставяне на подобрени стандарти на услуги и значението на изграждането на доверие и надеждност, както и избягването на капани. Застрахователните предприятия могат да подобрят методите за прогнозиране на щети и да подобрят изживяването на клиентите чрез използване на Deep Learning за процеси на резервиране на искове.

Deep Learning предлага нови начини за анализ за изучаване на данни и за извличане на модели и модели, които са много по-точни и спестяват време. P&C застрахователите могат да подобрят вземането на решения, свързани с резервирането на искове, като използват функциите, използвани за намиране на потенциални изплащания чрез модели, създадени на платформите за машинно обучение.

Подход за задълбочено обучение и ползи
Оценките на загубите се изчисляват чрез използване на статистически оценки на случаите. Автоматизираните процеси биха могли да използват указатели на данни, както е описано по-долу, и да освободят честотната лента на регулаторите на искания. Този метод използва най-доброто както от традиционните техники за резервиране, така и от усъвършенстваните алгоритми за оценка на случая с дълбоко обучение. В допълнение, използването на алгоритми за възраст-период-кохорта (APC) ще помогне да се отразят по-добре тенденциите и корелациите между множество фактори като застрахователни компании, години на злополука, продукти и сегменти.

Например иск за BI (телесни наранявания) използва исторически данни за искове, информация от BI отчети, бележки за корекция и изображения от файловете за иск и т.н., за да извлече приблизителния резерв. Алгоритмичните методи за машинно обучение могат да използват данни от други модели като сегментиране, суброгация и измами. Освен това ще използва фактори като поведение на ищеца, сценарий на събитието и демографски данни.

Допълнителни параметри, които трябва да се вземат предвид, са естеството и тежестта на нараняванията, възрастта, настоящите доходи, разходите за грижи и близостта на местожителството на ищеца до доставчици на здравни услуги/медицински специалисти и т.н. Моделите на машинно обучение ще използват такива точки от данни по-ефективно и ще донесат по-добри ползи.

Ползите, получени чрез Deep Learning, са големи, особено при искове, които имат по-голяма несигурност, като потенциал за съдебни спорове.
Обработката от край до край и запазването на искове ще бъдат по-бързи с по-малко време за изпълнение.
До 20% от претенциите могат да имат резервиране почти в реално време
Корекция на резервирането чрез обучение за подсилване
Обобщено резервиране за различни зърна на агент, LOB, продукт, състояние и сегменти и др.
Ръчно усилие могат да бъдат намалени до 15% чрез използването на когнитивна RPA
Дълбокото обучение помага да се достигне до IEULRs (първоначални очаквани крайни коефициенти на загуба), съчетани с човешкия интелект. Това помага за класифициране/сегментиране на BI искове срещу искове, които не са BI, и исторически анализ на съотношението на резервите спрямо действителните стойности.

Deep Learning има способността да предлага множество възможности за P&C застрахователите за по-добро разширяване, особено при резервирането на искове. Данните, които могат да бъдат пропуснати или пренебрегнати поради човешка грешка, могат да бъдат анализирани в детайли с помощта на инструментите на изкуствения интелект и да помогнат за намаляване на разходите/отговорностите за застрахователната компания. Без да се пренебрегват традиционните методи за резервиране, процесът на резервиране на искове определено ще бъде разширен с помощта на AI методи. Съвременните технологии биха били основният фактор, влияещ върху тази промяна.

Цитирания:
1. https://www.casact.org/library/astin/vol24no2/183.pdf
2. https://www.cambridge.org/core/services/ aop-cambridge-core/content/view/S0515036100009442

За повече блогове, моля, посетете https://insuranalytics.ai/blog/