보험 손실 개발에서 자동 머신러닝의 힘 활용

보험 세계에서 청구는 산업의 생명줄입니다. 시간이 지남에 따라 손실이 어떻게 진화할지 정확하게 예측하는 것은 준비금, 위험 선택, 보험 인수, 가격 책정 및 청구 관리에 직접적인 영향을 미치기 때문에 중요합니다. 전통적으로, 보험수리학자들은 체인래더(Chain-Ladder)와 본후에터-퍼거슨 삼각법(Bornhuetter-Ferguson triangulation)과 같은 방법을 사용하여 포트폴리오 수준 계산을 통해 준비금 요구사항을 추정해 왔습니다. 이러한 접근 방식은 포트폴리오 전반의 손실 개발에 대한 집계된 관점을 제공하며, 재무 및 규제 보고의 목적에 부합합니다. 이러한 방법은 투명성과 구현의 용이성을 제공하지만, 특정 위험과 한계가 따릅니다.

개별 손실 개발(ILD)의 혁신적인 접근 방식은 각 개별 청구의 고유한 특성을 기반으로 각 개별 청구의 개발을 예측하는 것을 목표로 합니다. 이 접근 방식은 손실 개발에 대한 더 개인화된 관점을 제공하여 게임 체인저가 됩니다.

전통적 방법의 과제

전통적 방법은 손실 개발에 대한 전체적인 관점을 제공하는 데 뛰어나지만 중요한 세부 사항을 간과할 수 있습니다. 집계된 렌즈를 통해 손실 개발을 추정하면 필수 특성이 무시될 경우 특정 세그먼트의 손실 준비금 산정에 오류가 발생할 수 있습니다. 또한, 이러한 방법은 정적인 관점을 제공하며, 준비금 변화와 근본적인 패턴을 분석하는 데 시간이 많이 걸릴 수 있습니다. 게다가, 집계된 방법 내에서 서로 다른 중첩된 트렌드를 구분하고 정량화하는 것은 어려울 수 있습니다.

개별 손실 개발(ILD) 소개

ILD는 각 개별 청구의 고유한 특성을 고려하여 각 개별 청구의 손실 개발을 예측하도록 설계되었습니다. 그러나 ILD 모델을 수동으로 구축하는 것은 청구 개발의 시간적 특성과 기능 공학 및 매개변수 추정의 복잡성으로 인해 특히 어려운 작업일 수 있습니다. 또한, 미래 청구 개발에 대해 매우 예측 가능할 수 있는 자유 텍스트 기능을 다루는 것은 자연어 처리 모델의 제한된 가용성으로 인해 과제를 제기합니다.

자동 머신러닝(AutoML)의 구조

자동 머신러닝(AutoML)은 ILD 모델링과 관련된 복잡성에 대한 해결책으로 등장합니다. AutoML은 기능 공학, 변수 선택 및 모델 빌드를 간소화하여 실험에 필요한 시간을 크게 줄입니다. AutoML은 또한 자동 텍스트 마이닝을 가능하게 하여 청구 문서에서 예측 통찰력을 신속하게 추출할 수 있습니다.

손실 개발을 위한 예측 변수

손실 개발을 위한 예측 변수를 구성하기 위해 보험사는 일반적으로 다섯 가지 유형의 정보를 고려합니다.

1. 초기 청구 세부 정보

2. 청구 개발 정보

3. 정책 세부 정보

4. 고객 세부 정보

5. 외부 요인

그러나 예측 시점에 사용할 수 없는 정보가 모델 학습에 사용될 때 발생하는 대상 누출(target leakage)을 피하는 것이 중요합니다. 이를 방지하기 위해 변수는 각 개발 연도에 대한 역사적 값으로 제한되어 예측 시간과 일치합니다.

기능 세트는 모델의 목적에 따라 다를 수 있으며, 일부는 초기 청구 개발 추정에 중점을 두고 다른 일부는 장기 포트폴리오에 중점을 둡니다.

데이터 준비 과제

ILD 모델링은 특히 장기 책임의 경우 대규모 데이터셋으로 이어질 수 있습니다. 다운샘플링 기법은 데이터셋 크기를 관리하는 데 도움이 될 수 있지만, 단거리 값에 대한 편향을 도입합니다. 편향을 완화하기 위해 가중치를 도입할 수 있으며, 이는 비즈니스 목표에 따라 다릅니다.

모델 설정

ILD 모델을 설정할 때 열린 청구와 닫힌 청구 중 어느 것을 다룰지, 이상치를 어떻게 처리할지, 예측이 이루어지는 청구 단계 및 필요한 사후 처리 기술 등 여러 요소를 고려해야 합니다.

모델링 워크플로우

AutoML은 다양한 모델 패밀리 및 기능 공학 접근 방식에 대한 빠른 실험을 가능하게 합니다. 또한 손실 총액 및 손실 델타와 같은 요소를 고려하여 대상 기능을 생성할 수 있습니다. 최적화 메트릭의 선택은 모델의 의도된 목적에 따라 다릅니다.

모델 해석

ILD 모델은 예측 기능에 대한 통찰력을 제공합니다. 가장 예측력 있는 세 가지 기능은 종종 초기 손실, 누적 발생 손실 및 개발 연도를 포함합니다. 단조성 제약은 모델이 비즈니스 가정과 일치하도록 보장하는 데 중요합니다.

ILD 접근 방식 적용

ILD 접근 방식을 적용하기 위해 서로 다른 사업 하위 라인에서 14,000건의 청구가 포함된 시뮬레이션된 항공 손실 포트폴리오가 사용되었습니다. 모델은 유망한 정확도를 보여주었으며, 가장 예측력 있는 기능은 기대와 일치했습니다. 또한, ILD 모델은 각 예측에 대한 개별 설명을 제공하여 보험사가 청구가 위험하다고 간주될 수 있는 이유를 이해할 수 있게 합니다.

보험사에 대한 함의

ILD 접근 방식은 전통적인 준비금 산정 방법을 보완하는 청구 포트폴리오 인플레이션에 대한 세분화된 관점을 제공합니다. 머신러닝, 특히 AutoML은 수동으로 ILD 모델을 구축하는 것과 관련된 과제에 대한 해결책을 제공하여 시간을 절약하고 실행 가능한 통찰력을 제공합니다. ILD가 삼각법 기반 방법을 완전히 대체하지는 않을 것이지만, 가격 책정, 청구 조사, 사기 탐지 및 포트폴리오 평가 등 보험의 다양한 측면을 향상시킬 수 있습니다. ILD를 수용하고 머신러닝의 진보에 현재 상태를 유지함으로써 보험사는 산업에서 경쟁 우위를 점할 수 있습니다.

항상 진화하는 보험 산업의 환경에서 ILD(인지형 데이터 처리)와 머신러닝의 도입은 업계에 변혁을 가져올 수 있는 가능성을 제시하며, 보험사들이 더 나은 정보를 바탕으로 의사결정을 내리고 고객에게 더 나은 서비스를 제공할 수 있도록 지원합니다.