Tech talk: rekening houden met risicofactoren via een incidentmodel
Het risico van een bepaald incident inschatten is de centrale opdracht van verzekeringsprofessionals. In de eenvoudigste vorm komt dat neer op drie vragen:
Hoe waarschijnlijk is het dat het incident zich voordoet?
Hoe ernstig kan het incident zijn?
Hoeveel zullen de gevolgen van het incident kosten?
Dat zijn de vragen die een model voor risicovoorspelling beantwoordt. Een onderschatting van een van die antwoorden leidt tot financiële verliezen om schade te dekken. Een overschatting kan dan weer concurrentievoordeel kosten.
Om uit te leggen hoe we een machinelearningalgoritme (ML) voor incidentrisico opbouwen, bespreken we twee voorbeelden die het belang van data tonen: meer informatie halen uit wat op het eerste gezicht zichtbaar is, en de impact van uiteenlopende data. We maakten dit model voor een klantproject in autoleasing, maar de principes zijn bruikbaar in verschillende sectoren en situaties.
Data verrijken om de kans op incidenten te bepalen
Een model om risicokosten te schatten, moet minstens steunen op data met een lijst van incidenten, de datum, de klanten en de bijbehorende kosten. Het belang van klantinformatie kunnen we niet genoeg benadrukken. Om de kans op een risico te bepalen, moet u bekijken om welk soort klant het gaat, bijvoorbeeld op basis van sociaaleconomische kenmerken en andere dimensies. Zo kunt u de waarschijnlijkheid van een incident beoordelen. Uit de klanthistoriek zou u bijvoorbeeld kunnen vermoeden dat klanten met meerdere incidenten in het verleden, van hetzelfde type of niet, ook in de toekomst vaker incidenten zullen hebben. Dat is een aanname die we met data moeten toetsen. In dit klantproject bleek ze te kloppen. Door nieuwe informatie uit de beschikbare data af te leiden, konden we het aantal en het type incidenten per klant over de voorbije 3, 6, 12 en 24 maanden onderzoeken. Daarmee vonden we klantkenmerken die samenhangen met een grotere kans op specifieke incidenten.
Wees voorzichtig, want dit is een gevoelig terrein. Dataprivacy is uiterst belangrijk en data scientists zijn verantwoordelijk voor ethische ML-algoritmes. Bij het bepalen van klantkenmerken, zeker wanneer die de kosten van aangeboden diensten beïnvloeden, zijn voorzorgen nodig om discriminatie in het model te voorkomen.
Verschillende risico's onderscheiden met metadata
Betrouwbare data alleen volstaan niet. Bij incidentrisico's is het cruciaal de verschillende soorten risico te herkennen en het model daarop af te stemmen.
Soms kunt u twee soorten incidenten eenvoudig onderscheiden met weinig informatie. Neem een fictieve dataset van een woningverzekeraar die slechts twee soorten schade dekt: kleine herstellingen zoals verstopte leidingen voor ongeveer 10 in een fictieve munteenheid, en grotere herstellingen zoals lekkende leidingen en overstromingen voor ongeveer 100 (zie fig. 1).
Figuur 1 - twee soorten incidenten
We hebben weinig extra informatie nodig om de risicotypes voor de modeltraining te onderscheiden, want de totale kost is al een goede indicator. We kunnen bijvoorbeeld een regel opstellen: als de totale kost lager is dan 45, gaat het om een goedkoop risico, en omgekeerd. Het wordt ingewikkelder bij een derde type risico: middelgrote tot grote herstellingen, zoals schilderwerken voor ongeveer 80 (zie fig. 2).
Figuur 2 - overlappende risico's
In dat geval helpt een eenvoudige kostenregel de modeltraining niet om de risicotypes te onderscheiden. Extra informatie helpt wel, zoals een beschrijving van het probleem (schilderwerk tegenover overstroming), het bedrijf dat de herstellingen uitvoert (schilders tegenover loodgieters) of andere relevante data. Dat toont hoe belangrijk het is om bij het bouwen van een ML-model alle beschikbare informatie te verzamelen. Tot slot: we konden voor onze klant een incidentmodel bouwen dankzij de kwaliteit van de data die hij al verzamelde, en de mogelijkheid om die data te transformeren en te verrijken. Metadata over de incidenten hielpen ons de verschillende risicotypes te onderscheiden.
Agilytic bouwde meerdere incidentmodellen, één voor elk samen met de klant geïdentificeerd risicotype. Zo beantwoordden we de drie beginvragen: hoe waarschijnlijk, ernstig en duur zijn de incidenten waarmee onze klant te maken krijgt?
De belangrijkste les? Meer informatie afleiden dan op het eerste gezicht zichtbaar is en uiteenlopende data verzamelen, verbetert uw incidentmodellering. Is risicovoorspelling een uitdaging voor uw bedrijf? Wij helpen u graag!