NTUC收入数据ob真人的定价分析

NTUC收入标志颜色

服务超过200万客户的3.700万年政策, NTUC收入是新加坡排名第一的综合保险公司, 也是最大的普通和健康保险提供商之一. 请参阅NTUC收入如何使用datarrobot的自动化机器学习平台进行复杂的定价分析.

NTUC收入英雄横幅上datarrobot的定价分析
挑战
保险定价分析是复杂的, 重复的, 和耗时, 尤其是在推出新的数字保险业务模式方面. 为了以正确的价格向客户提供正确的产品,准确的定价是必不可少的. NTUC收入持续寻求识别以前未知或被忽视的关键驱动因素,以加强定价分析.
解决方案
NTUC收入的精算师团队使用datarrobot的无代码自动机器学习产品来执行复杂的定价分析.
结果
DataRobot揭示的见解易于解释和交流, 允许积极的改变迅速生效. datarrobot将精算师执行的许多手动重复性任务自动化, 将生成结果的时间从几天缩短到不到一个小时.

每份保单的索赔费用(i.e. 赔付保险索赔)在整个保险行业都在上升. 随着经营成本的增加, 保险公司需要弄清楚是什么原因导致索赔成本上升, 这些变化会影响到谁, 以及采取什么相应的行动.

此外, 保险正日益成为一种商品, 客户可能纯粹根据价格来选择保险公司. 这使得准确的定价比以往任何时候都更加重要, 以便制定准确的技术和商业价格, 必须进行大量的定价分析. 保险行业的定价分析可能非常复杂、重复和耗时.

对于像新加坡NTUC收入 (Income)这样的公司, 进行大规模定价分析项目的想法似乎令人生畏. 直到DataRobot的介入.

在datarrobot之前在NTUC的生活

收入是全国工会大会的一部分, 新加坡唯一的全国工会中心,由58个工会和10个社会企业组成. 这些社会企业是政府建立的,目的是帮助稳定商品和服务的价格, 加强工人的购买力, 促进劳资关系的改善. NTUC内的社会企业包括NTUC FairPrice(一个全国性的连锁杂货店), NTUC健康, 和收入.

Income是新加坡唯一的保险合作社, 提供生活, 健康, 为全国200多万客户提供一般保险产品. 它既是新加坡最大的综合保险公司,也是最大的汽车保险公司. 收入对不断上升的索赔成本并不陌生,这一直影响着整个保险行业,并在2017年转向了DataRobot.

“ob真人游戏想使用DataRobot来识别ob真人游戏没有考虑到的关键驱动因素,郭伊玲说, 收入精算高级经理. “哪些因素可以帮助ob真人游戏进行定价分析,并最终改善ob真人游戏的业务表现?” 

传统上, 精算师使用广义线性模型(GLMs)进行定价分析项目, Income的精算团队也不例外. 不幸的是,由于各种原因,glm并不是理想的解决方案:

  • glm假设评级因素和索赔成本之间的关系是一条直线, 但这并不总是正确的. 如果你将GLM与数据拟合成直线关系,而实际上并没有直线关系, 你会得到一个错误定价保险单的弱模型.
  • 正因为如此, 整个过程变得非常耗时. 精算师最终要花费大量时间寻找评级因子的正确数学转换, 把弯曲的线变成笔直的线. 这需要大量的手工编码、实验和迭代改进.
  • 由于精算师没有时间测试所有可能的模式和数学函数, 他们坚持使用他们感到舒服的产品,从而产生了可以大大改进的模型 用更多的时间和资源做到更准确.
  • 索赔描述可以提供关于索赔趋势的重要信息. 然而,glm不能分析文本.
  • 它是 使用glm识别和量化交互效应太耗时. 然而,这些相互作用的许多影响是重要的风险定价相关性,例如.g.没有经验的司机驾驶高性能车辆的风险比他们的经验不足或车辆类型所能独立解释的高得多. 另外, 因为这种复杂的分析所需要的方法是大多数精算团队所不熟悉的, Income团队有一个知识鸿沟需要克服. 收入需要一个解决方案,可以解决他们的价格分析挑战和规模与他们的团队.

“使用前DataRobot, ob真人游戏大部分时间用Excel分析数据, which has many limitations in handling big data; slow speed, 无法处理数百万行, 对ob真人游戏来说,建立统计模型是一个非常耗时的过程,Moo Suh罪说, 收入公司的精算师. “datarrobot能够自动化分析,它内置了各种各样的机器学习模型.”

“平台的速度就是它的力量, 它可以在一个小时内产生结果,而不是几天,艾玲补充道. “这种速度鼓励部门和公司中更多的人参与到数据科学中来.

通过自动机器学习进行定价分析

这里有一个典型的一步一步的过程,在收入的定价分析项目一般看起来是什么样的. 所有的数据, 发现, 下面的截图来自虚拟数据, 并不代表Income的实际工作.

第一步:观察接触的变化
开始, the actuary team at Income used DataRobot to identify changes in exposure; was Income writing different risks? 这一分析是重要的,以辨别不同的评级因素影响保险范围和定价的相对重要性.

该团队使用datarrobot中的特性影响来识别投资组合中最显著变化的暴露因素.

在这个(假的)例子中, 地域组合和车辆年龄组合的变化最为显著, 这是精算师团队需要知道的重要洞察.

第二步:寻找索赔频率的变化,以及索赔的严重程度和性质
与暴露的变化类似, Income的精算师想要确定与赔付频率有关的模式, 以及这些指控的严重性和性质. 随着索赔——以及索赔成本——的上升, 关键是要搞清楚这些索赔为什么会上升, 以及它们何时上升,如何上升.

收入团队使用了datarrobot平台中的两个功能:功能的影响和词云.

功能的影响帮助团队查看索赔频率的模式,并锁定评级因子对索赔频率的影响的细节. 使用这个, 该团队能够确定索赔频率何时开始急剧增加, 以及自最初的峰值以来,这种模式发生了怎样的变化. 在这个(虚拟数据)示例中, 18个月前,索赔频率开始增加, 12个月前稳定下来了.

与此同时, 词云提供了一个简单易懂的可视化程序,展示了索赔描述是如何随时间变化的, 以及出现了哪些类型的索赔. 颜色越深, 更多的预测, 这个词的大小代表它在索赔报告中出现的频率:

根据这个(虚拟数据)字云, 侧重于工人索赔, 最近的说法有更多的软组织损伤——正如“应变”这个词所表明的那样, 举重等-更少的简单的瘀伤和撕裂伤. 词云功能为Income的精算团队描绘了一幅更加清晰的画面,以确定索赔频率和严重程度,以及它们如何随着时间的推移而变化.

步骤3:选择时间段
以便隔离更改, 团队需要弄清楚它们是什么时候发生的, 为他们的分析选择一个时间段. 平衡稳定性和响应性是很重要的.e. 他们选择的时间段足够长,模式是可信的, 但要足够简短,让它仍然相关和有意义. 考虑到在您选择的时间段内可能发生的外部趋势也很重要, 如通货膨胀.

步骤4:技术曝光定价
当信息在Income的数据中关于风险敞口的变化, 索赔频率, DataRobot的自动机器学习平台揭示了问题的严重性, Income的精算师现在可以开始设定更准确的技术定价, 在成本加成.

考虑到上述步骤中揭示的见解, Income的精算师可以对风险溢价进行更好的估计, 对于整体平均风险溢价和个人的风险相对, 同时考虑到通货膨胀等趋势. 相对于良好的溢价,他们现在能够识别目前定价错误的风险敞口. 理解和预测基于时间的趋势可以让团队考虑未来的通货膨胀, 和相应的价格.

第五步:商业定价
The next and final step is to take the leap from technical pricing to commercial pricing; out in the real world, Income如何定位自己及其承保范围,以获得最大的利润? 正如前面所提到的, 保险越来越商品化了, 对消费者和竞争对手做出准确的定价至关重要.

使用DataRobot, 精算师可以分析竞争对手报价的样本,并推断出竞争对手将为不同类型的保单定价. 没有DataRobot, 获取这种类型的竞争对手信息需要手动进行大量的报价, 这个过程既耗时又容易引起怀疑.

但是一旦精算师, 使用预测机器学习模型, 你能弄清楚竞争对手的收费标准以及他们在市场中的排名吗, 他们可以更好地平衡利润率和. 体积. 他们可以找到最佳点, 这是客户愿意支付的实际保险费, 他们没有收取比他们必须收取的更低的费用,或者冒着反选择的风险收取过高的费用.

结论

定价分析很困难! 没有DataRobot这样的自动化机器学习平台, 定价分析的过程很复杂, 艰巨的, 并需要高技能的数据科学家.

但通过结合人类的优势——沟通等品质, 创造力, 共情和常识, 和常识-随着DataRobot的升级,精算师可以轻松处理定价分析项目.

datarrobot不仅实现了许多手动操作的自动化和提速, 重复的 tasks that actuaries have to undertake; the platform also helps with data manipulation and, 最重要的是, 简化复杂性. 使用诸如Feature Impact之类的工具, 功能的影响, 预测的解释, 词云, DataRobot所揭示的洞见可以很容易地传达给其他企业所有者, 允许迅速采取相应的行动和积极的改变.

NTUC收入标志颜色
行业
地理位置
喜欢这个故事? 与他人分享:

开启成为人工智能企业之旅