Das Potenzial des automatisierten maschinellen Lernens in der Versicherungs-Schadenentwicklung erschließen

In der Versicherungsbranche sind Schadensfälle das Lebenselixier der Branche. Die genaue Vorhersage, wie sich Schäden im Laufe der Zeit entwickeln, ist entscheidend, da sie direkt die Rückstellungsbildung, Risikoselektion, Underwriting, Preisgestaltung und Schadenregulierung beeinflusst. Traditionell haben Aktuare die Rückstellungserfordernisse mithilfe von Portfoliorechnungen geschätzt, wobei sie Methoden wie die Chain-Ladder- und Bornhuetter-Ferguson-Dreiecksberechnung verwendeten. Diese Ansätze bieten eine aggregierte Sicht auf die Schadenentwicklung über ein Portfolio hinweg und dienen den Zwecken der finanziellen und regulatorischen Berichterstattung. Während diese Methoden Transparenz und einfache Implementierung bieten, bringen sie auch bestimmte Risiken und Einschränkungen mit sich.

Der innovative Ansatz der Individual Loss Development (ILD), der darauf abzielt, die Entwicklung jedes einzelnen Schadensfalls basierend auf seinen einzigartigen Merkmalen vorherzusagen. Dieser Ansatz ist ein Gamechanger und bietet eine individuellere Perspektive auf die Schadenentwicklung.

Herausforderungen traditioneller Methoden

Traditionelle Methoden sind hervorragend darin, einen Gesamtüberblick über die Schadenentwicklung zu bieten, können jedoch wichtige Details übersehen. Die Schätzung der Schadenentwicklung ausschließlich durch eine aggregierte Linse kann zu Ungenauigkeiten bei der Schadenrückstellung für bestimmte Segmente führen, wenn wesentliche Merkmale vernachlässigt werden. Darüber hinaus bieten diese Methoden eine statische Sicht, und die Analyse von Rückstellungsänderungen und zugrunde liegenden Mustern kann zeitaufwändig sein. Darüber hinaus kann es schwierig sein, verschiedene, sich überschneidende Trends innerhalb aggregierter Methoden zu unterscheiden und zu quantifizieren.

Einführung der Individual Loss Development (ILD)

ILD ist darauf ausgelegt, die Schadenentwicklung für jeden einzelnen Schadensfall vorherzusagen, wobei seine einzigartigen Attribute berücksichtigt werden. Die manuelle Erstellung von ILD-Modellen kann jedoch eine formidable Aufgabe sein, insbesondere aufgrund der zeitlichen Natur der Schadenentwicklung und der Komplexität der Merkmalskonstruktion und Parameterschätzung. Darüber hinaus stellt die Arbeit mit Freitextmerkmalen, die hochprädiktiv für die zukünftige Schadenentwicklung sein können, aufgrund der begrenzten Verfügbarkeit von Modellen zur natürlichen Sprachverarbeitung (NLP) Herausforderungen dar.

Automated Machine Learning (AutoML) als Lösung

Automated Machine Learning (AutoML) erweist sich als Lösung für die mit der ILD-Modellierung verbundenen Komplexitäten. AutoML vereinfacht die Merkmalskonstruktion, die Variablenauswahl und den Modellbau und reduziert die für Experimente erforderliche Zeit erheblich. AutoML erleichtert auch die automatisierte Textanalyse, wodurch prädiktive Erkenntnisse aus Schadensdokumenten schnell extrahiert werden können.

Prädiktive Variablen für die Schadenentwicklung

Um prädiktive Variablen für die Schadenentwicklung zu konstruieren, berücksichtigen Versicherer typischerweise fünf Arten von Informationen:

1. Ursprüngliche Schadensdetails

2. Informationen zur Schadenentwicklung

3. Policendetails

4. Kundendetails

5. Externe Faktoren

Es ist jedoch entscheidend, Target Leakage zu vermeiden, das auftritt, wenn Informationen, die zum Zeitpunkt der Vorhersage nicht verfügbar wären, im Modelltraining verwendet werden. Um dies zu verhindern, werden Variablen auf historische Werte für jedes Entwicklungsjahr beschränkt, was mit dem Vorhersagezeitpunkt übereinstimmt.

Die Funktionsumfänge können je nach Einsatzzweck des Modells variieren, wobei einige Modelle auf die Schätzung der frühen Schadenentwicklung abzielen und andere auf langschwänzige Portfolios.

Herausforderungen bei der Datenvorbereitung

ILD-Modellierung kann zu großen Datensätzen führen, insbesondere bei langschwänzigen Verbindlichkeiten. Downsampling-Techniken können helfen, die Datengröße zu verwalten, führen jedoch zu einer Verzerrung hin zu kurzfristigen Werten. Die Einführung von Gewichten kann diese Verzerrung je nach Geschäftsziel mildern.

Einrichtung des Modells

Bei der Einrichtung eines ILD-Modells müssen mehrere Faktoren berücksichtigt werden, darunter die Arbeit mit offenen und geschlossenen Schäden, der Umgang mit Ausreißern, zu welchen Schadenstadien Vorhersagen getroffen werden und welche Nachbearbeitungstechniken erforderlich sind.

Modellierungsworkflow

AutoML ermöglicht schnelle Experimente mit verschiedenen Modelfamilien und Feature-Engineering-Ansätzen. Es ermöglicht auch die Erstellung von Ziel-Features unter Berücksichtigung von Faktoren wie Gesamtverlust und Verlustdelta. Die Wahl der Optimierungsmetrik hängt vom beabsichtigten Zweck des Modells ab.

Modellinterpretation

ILD-Modelle bieten Einblicke in prädiktive Merkmale. Die drei prädiktivsten Merkmale sind häufig der Anfangsverlust, der kumulierte entstandene Verlust und das Entwicklungsjahr. Monotonieeinschränkungen sind entscheidend, um sicherzustellen, dass das Modell mit den geschäftlichen Annahmen übereinstimmt.

Anwendung des ILD-Ansatzes

Ein simuliertes Luftfahrt-Schadenportfolio mit 14.000 Schäden aus verschiedenen Geschäftszweigen wurde verwendet, um den ILD-Ansatz anzuwenden. Das Modell zeigte eine vielversprechende Genauigkeit, und die prädiktivsten Merkmale entsprachen den Erwartungen. Darüber hinaus bieten ILD-Modelle individuelle Erklärungen für jede Vorhersage, was es Versicherern ermöglicht zu verstehen, warum ein Schaden als riskant eingestuft wird.

Auswirkungen auf Versicherer

Der ILD-Ansatz bietet eine granulare Perspektive auf die Inflation von Schadenportfolios und ergänzt traditionelle Rückstellungsmethoden. Maschinelles Lernen, insbesondere AutoML, bietet eine Lösung für die Herausforderungen beim manuellen Aufbau von ILD-Modellen, spart Zeit und liefert umsetzbare Erkenntnisse. Während ILD traditionelle Dreiecksmethoden wahrscheinlich nicht vollständig ersetzen wird, kann es verschiedene Aspekte der Versicherung verbessern, von der Preisgestaltung und Schadenuntersuchung bis hin zur Betrugserkennung und Portfolioevaluierung. Durch die Übernahme von ILD und die Aktualisierung mit Fortschritten im maschinellen Lernen können Versicherer einen Wettbewerbsvorteil in der Branche erlangen.

In der sich ständig wandelnden Landschaft der Versicherung verspricht die Einführung von ILD und maschinellem Lernen, die Branche zu transformieren, Versicherern zu ermöglichen, fundiertere Entscheidungen zu treffen und ihren Kunden bessere Dienstleistungen anzubieten.