Sığorta sahəsi riskin ölçülməsinin ən dəqiq hesablanmasına ehtiyac duyulan sahələrdən sayılır. Sığortaçılar (sığortanı üzərinə götürən tərəf) müştərilərdən riski qəbul edir və riskin nə qədər olduğunu müəyyənləşdirərək müştəri qiymətləndirməsi edir. Sığortaçılar bütün kriteriyaları nəzərə almaqla çox riskli və az riskli müştəriləri müəyyən edir və həmin riskin qədərinə görə sığorta premiumlarını təyin edir. Müştərilərin məlumatları, qərar vermək üçün informasiya çoxluğu premiumların daha dəqiq şəkildə müəyyənləşdirilməsinə gətirir ki, datanın sığortaya nüfuzu vasitəsilə görülən işin keyfiyyəti 1-ə 5 artır. Məqalədə bütün Sığorta Risk modelləşdirməsi addım-addım izah olunur.
Sığortada Risk Analizi
- Sığorta risk faktorlarının müəyyənləşdirilməsi
- Sığortan riskinin proqnozlaşdırılmış (predictive) modelləşdirilməsi
- Sığorta qiymətləndirilməsi (Scoring)
- Sığortanın riskə görə qruplaşdırılması
Sığorta risk faktorlarının müəyyənləşdirilməsi və sığorta riskinin seqmentlərə görə qiymətləndirilməsi:
İlk olaraq qeyd edim ki, hər tip sığortaya fərdi yanaşma tələb olunur. Misal üçün, maşınların sığortasında, keçmiş dövrlərin datasına da baxsaq, görərik ki, qırmızı maşınlar daha çox qəzaya səbəb olur. Əvvəlcə bunun niyəsi korrelasiya analizi quruluraq müəyyən olunur. Sonra ona təsir edən risk faktorları qiymətləndirilir. Bu regressiya (bir hadisənin baş verməsinə təsir edən amillərin təsir gücünün proqnozlaşdırılması və müəyyənləşdirilməsi) analizi ilə də ola bilər və digər analizlərlə də ola bilər.
Pareto Prinsipini hamımız bilirik. Praktiki izah üçün sığorta sifarişlərinin 80-90%-i, müştəri segmentlərinin 10-20%-i tərəfindən verilir. Həmin gəlirli müştəriləri daha çox araşdıraraq, risk menecmentini həyata keçirilmək daha məqsədəuyğundur. Həmin müştərilərin müəyyənləşdirilməsində sadə korrelasiya analizləri kifayət edir. Lakin yeni müştərilərin cəlb edilməsi, hazırki müştərilərin davamlılığının təmin olunmasında riyazi modelərdən istifadə zərurətə çevrilir. Machine-Learning (Maşın öyrənməsi- riyazi alqoritmlərin proqramlaşdırma dillərində qurulması ilə proqnoz vermə üsuludur) və süni zəkanın tətbiqi ilə müştəri segmentlərinin xarakteristikası müəyyən olunur.
Sığorta riskinin proqnozlaşdırılmış (predictive) modelləşdirilməsi
Sığorta risk menecmentinin olmazsa olmazı Machine Learning-maşın öyrənməsidir. Keçmiş dövrlərin datasına əsaslanaraq, gələcəyi proqnoz vermək çətin deyil. Misal üçün, siz qəbul imtahanında 700 bal toplamış, məktəbi əlaçılıqla bitirmiş bir tələbənin universitet imtahanlarında da yüksək ortalama qiymət alacağını təxmin edə bilərsiniz və həmin tələbə haqqında məlumat artdıqca daha dəqiq qərar verə bilirsiniz. Statistika da, eynilə həmin prosesi edir. Modelləşdirmədə istifadə olunan əsas və ən müasir alqoritmlər:
- Neyron şəbəkə (Neural Network) modelləşdirməsi
- Decision Tree
- Regressiya
- RME-EP (Rule-based Model Evaluation with Event Processing)- Bu yeni alqoritm deep learningin güclü platformalarından sayılır. Bu modelin digər üstün cəhəti “Çox riskli”, “Az riskli” və “Orta riskli” qruplaşdırmalarını qura bilməsidir.
Proqnozlaşdırılmış (Predictive) Modelləşdirmədə nəyə diqqət etməli?
Qurulan modellərin keyfiyyəti, əlinizdə olan keçmiş datanın keyfiyyətindən asılıdır. Əgər keçmiş data müştəri tendensiyalarını dəqiq proqnoz verən verilənlərə sahibdirsə, proqnozlar effektiv olacaq. Bəs düşünə bilərsiniz ki, həmin verilənlərin lazımlı olub olmadığını hardan bilək? Cavab bəsitdir. Verilənlərin Uyğunluq (Variable relevancy analysis) analizi sizə lazım olan açardır.
Sığorta qiymətləndirilməsi (Scoring)
Sığorta risk qiymətləndirilməsi müştəriyə özəl sığorta siyasətini müəyyən etmək üçün rəqəmlərlə ifadə olunmuş göstəricidir. Bu göstərici riski ölçmək üçündür.
Riskin müəyyənləşdirilməsində istifadə olunan ənənəvi alqoritm reqressiyadır. Reqressiya funksional və sadə üsuldur. Lakin, data böyüdükcə, verilənlər artdıqca metod özünü doğrulda bilmir. Bu yerdə Decision tree analizi də, bəzən, effektiv olmur. Normal paylanmayan asılı dəyişənlər (dependent variables) alqoritmin keyfiyyətini öldürür. Yeganə çıxış yolu Neyron şəbəkə alqoritmi qalır.
Neyron Şəbəkədə Risk Qiymətləndirməsi (Scoring)
- Verilənlər iki cür olur. Asılı (dependent) və Sərbəst (independent) verilənlər. asılı dəyişənlər proqnoz vermək istədiyimiz dəyişəndir. Sərbəst dəyişənlər isə təsir edici dəyişənlərdir. Model qurulmazdan əvvəl verilənlərin uyğunluq analizi həyata keçirilməli, lazımsız verilənlər diqqətə alınmamalıdır. Neyron şəbəkə alqoritmi bir qədər uzun vaxt tələb edəcək, hesablamalar üçün. Bu səbəbdən, şəxsi məsləhət olaraq ya güclü kompyuter, və ya R proqramlaşdırma dilində hesablamaları edirsinizsə “h2o” package-indən istifadəni tövsiyyə edə bilərəm.
- Modellər bütünlükdə hazırlandıqdan və test olunduqdan sonra birləşdirilir. RME-EP modeli məhz bu səbəbdən var. Maksimun, minimum və orta olaraq qruplaşdıraraq riski qiymətləndirirsiniz. Və qurulan modeli qruplaşdırarkən vizuallaşdırmanızda da fayda var.
- Risk qiymətləndirməsindən sonra risk 100%-lik şkalada “Çox riskli”(30%-dən çox), “Az riskli”(20%-dən az), “Orta riskli”(20-30%) olaraq qiymətləndirilir. 60% və daha çox risk 100%-lik risk olaraq qiymətləndirilir.
Sevinc Hüseynova, banco.az
