保険損失発展における自動機械学習の力を解き放つ

保険の世界では、請求は業界の生命線です。損失が時間とともにどのように発展するかを正確に予測することは極めて重要であり、それは準備金の設定、リスク選択、引受、価格設定、および請求管理に直接影響を与えます。伝統的に、アクチュアリーはチェーンラダー法やBornhuetter-Ferguson三角法などの手法に依存し、ポートフォリオレベルの計算を使用して準備金要件を見積もってきました。これらのアプローチは、ポートフォリオ全体の損失発展の集計ビューを提供し、財務および規制報告の目的に役立ちます。これらの方法は透明性と実装の容易さを提供しますが、特定のリスクと制限を伴います。

Individual Loss Development（ILD）の革新的なアプローチは、各請求の固有の特性に基づいて各個別請求の発展を予測することを目的としています。このアプローチはゲームチェンジャーであり、損失発展に対するより個別化された視点を提供します。

伝統的アプローチの課題

伝統的なアプローチは損失発展の全体的なビューを提供することに優れていますが、重要な詳細を見逃す可能性があります。集計されたレンズを通じてのみ損失発展を見積もると、本質的な特性が無視された場合、特定のセグメントの損失準備金において不正確さにつながる可能性があります。さらに、これらのアプローチは静的なビューを提供し、準備金の変化と基礎となるパターンを分析するのは時間がかかる場合があります。さらに、集計手法内の異なる重複するトレンドを区別して定量化するのは困難です。

Individual Loss Development（ILD）の紹介

ILDは、各個別請求の固有の属性を考慮に入れて、各個別請求の損失発展を予測するように設計されています。しかし、ILDモデルを手動で構築するのは、請求発展の時間的性質や特徴エンジニアリングとパラメータ推定の複雑さにより、特に困難なタスクとなる場合があります。さらに、将来の請求発展に対して非常に予測力のある可能性のある自由テキスト機能の処理は、自然言語処理モデルの利用可能性が限られているため、課題をもたらします。

救世主としてのAutomated Machine Learning（AutoML）

Automated Machine Learning（AutoML）は、ILDモデリングに関連する複雑さに対する解決策として浮上します。AutoMLは、特徴エンジニアリング、変数選択、モデル構築を合理化し、実験に必要な時間を大幅に削減します。AutoMLはまた、自動化されたテキストマイニングを可能にし、請求書文書から予測可能な洞察を迅速に抽出することを可能にします。

損失発展のための予測変数

損失発展のための予測変数を構築するために、保険会社は通常、5つのタイプの情報を考慮します：

1. 初期請求詳細

2. 請求発展情報

3. ポリシー詳細

4. 顧客詳細

5. 外部要因

しかし、予測時に利用できない情報がモデルトレーニングに使用されるターゲットリーケージを避けることが重要です。これを防ぐために、変数は各発展年の過去の値に制限され、予測時刻と一致します。

特徴セットはモデルの目的に応じて異なる場合があります。一部は早期の請求発展推定に焦点を当て、他のものは長期のポートフォリオに焦点を当てます。

データ準備の課題

ILDモデリングは、特に長期負債の場合、大規模なデータセットにつながる可能性があります。ダウンサンプリング手法はデータセットのサイズ管理に役立ちますが、短距離値へのバイアスをもたらします。ビジネス目標に応じて、重みの導入はこのバイアスを軽減するのに役立ちます。

モデルの設定

ILDモデルを設定する際には、オープンおよびクローズド請求の扱い、外れ値の処理方法、予測が行われる請求の段階、および必要な後処理技術など、考慮すべき要因がいくつかあります。

モデリングワークフロー

AutoMLにより、さまざまなモデルファミリーや特徴量エンジニアリング手法の迅速な実験が可能になります。また、損失合計や損失デルタなどの要因を考慮したターゲット特徴量の作成も可能であり、最適化メトリックの選択はモデルの intended purpose に依存します。

モデル解釈

ILDモデルは予測特徴量に関する洞察を提供します。最も予測力の高い3つの特徴量には、通常、初期損失、累積発生損失、および発展年が含まれます。単調性制約は重要であり、モデルがビジネスの前提と一致していることを保証します。

ILDアプローチの適用

ILDアプローチの適用には、異なる事業サブラインからの14,000件の請求を含むシミュレーションされた航空機損失ポートフォリオが使用されました。モデルは有望な精度を示し、最も予測力の高い特徴量は期待どおりでした。さらに、ILDモデルは各予測に対して個別の説明を提供するため、保険会社はなぜ請求がリスクと見なされる可能性があるかを理解できます。

保険会社への影響

ILDアプローチは、従来の準備金算定手法を補完する、請求ポートフォリオのインフレに対する詳細な視点を提供します。機械学習、特にAutoMLは、ILDモデルを手動で構築することに伴う課題に対する解決策となり、時間を節約し、実行可能な洞察を提供します。ILDが三角法ベースの手法を完全に置き換えることは unlikely ですが、価格設定、請求調査、不正検出、ポートフォリオ評価など、保険のさまざまな側面を強化することができます。ILDを採用し、機械学習の進歩に遅れずについていくことで、保険会社は業界で競争優位性を獲得できます。

絶えず進化し続ける保険の状況において、ILDと機械学習の採用は業界を変革し、保険会社がより情報に基づいた意思決定を行い、クライアントにより良いサービスを提供することを可能にする可能性を秘めています。