Desbloqueando o Poder do Aprendizado de Máquina Automatizado no Desenvolvimento de Perdas de Seguros

No mundo dos seguros, as sinistros são a vida da indústria. Prever com precisão como as perdas evoluirão ao longo do tempo é crucial, pois influencia diretamente a reserva, a seleção de riscos, a subscrição, o precificação e a gestão de sinistros. Tradicionalmente, os atuários estimaram os requisitos de reserva usando cálculos em nível de portfólio, confiando em métodos como a triangulação de Chain-Ladder e Bornhuetter-Ferguson. Essas abordagens fornecem uma visão agregada do desenvolvimento de perdas em um portfólio, atendendo aos propósitos de relatórios financeiros e regulatórios. Embora esses métodos ofereçam transparência e facilidade de implementação, eles também vêm com certos riscos e limitações.

A abordagem inovadora do Desenvolvimento de Perdas Individuais (ILD), que visa prever o desenvolvimento de cada sinistro individual com base em suas características únicas. Esta abordagem é um divisor de águas, fornecendo uma perspectiva mais individualizada sobre o desenvolvimento de perdas.

Desafios dos métodos tradicionais

Os métodos tradicionais se destacam em fornecer uma visão geral do desenvolvimento de perdas, mas podem ignorar detalhes críticos. Estimar o desenvolvimento de perdas apenas através de uma lente agregada pode levar a imprecisões na reserva de perdas para segmentos específicos se características essenciais forem negligenciadas. Além disso, esses métodos oferecem uma visão estática, e analisar mudanças nas reservas e padrões subjacentes pode ser demorado. Além disso, distinguir e quantificar tendências diferentes e sobrepostas dentro de métodos agregados pode ser desafiador.

Apresentando o Desenvolvimento de Perdas Individuais (ILD)

O ILD é projetado para prever o desenvolvimento de perdas para cada sinistro individual, levando em conta seus atributos únicos. No entanto, construir modelos ILD manualmente pode ser uma tarefa formidável, particularmente devido à natureza temporal do desenvolvimento de sinistros e à complexidade da engenharia de recursos e estimação de parâmetros. Além disso, trabalhar com recursos de texto livre, que podem ser altamente preditivos do desenvolvimento futuro de sinistros, apresenta desafios devido à disponibilidade limitada de modelos de processamento de linguagem natural.

Aprendizado de Máquina Automatizado (AutoML) para o resgate

O Aprendizado de Máquina Automatizado (AutoML) surge como uma solução para as complexidades associadas à modelagem ILD. O AutoML simplifica a engenharia de recursos, seleção de variáveis e construção de modelos, reduzindo significativamente o tempo necessário para experimentação. O AutoML também facilita a mineração de texto automatizada, permitindo a extração de insights preditivos de documentos de sinistros rapidamente.

Variáveis preditivas para o desenvolvimento de perdas

Para construir variáveis preditivas para o desenvolvimento de perdas, as seguradoras geralmente consideram cinco tipos de informação:

1. Detalhes iniciais do sinistro

2. Informações de desenvolvimento do sinistro

3. Detalhes da apólice

4. Detalhes do cliente

5. Fatores externos

No entanto, é crucial evitar o vazamento de alvo, que ocorre quando informações que não estariam disponíveis no momento da previsão são usadas no treinamento do modelo. Para evitar isso, as variáveis são restritas a valores históricos para cada ano de desenvolvimento, alinhando-se com o tempo de previsão.

Os conjuntos de recursos podem variar dependendo do propósito do modelo, com alguns focando na estimativa inicial do desenvolvimento do sinistro e outros em portfólios de cauda longa.

Desafios de preparação de dados

A modelagem ILD pode levar a grandes conjuntos de dados, especialmente para passivos de cauda longa. Técnicas de subamostragem podem ajudar a gerenciar o tamanho do conjunto de dados, mas introduzem viés em direção a valores de curta distância. A introdução de pesos pode ajudar a mitigar esse viés, dependendo do objetivo de negócios.

Configurando o modelo

Vários fatores devem ser considerados ao configurar um modelo ILD, incluindo se trabalhar com sinistros abertos e fechados, como lidar com valores atípicos, em quais estágios do sinistro as previsões são feitas e quais técnicas de pós-processamento são necessárias.

Fluxo de trabalho de modelagem

O AutoML permite experimentação rápida com várias famílias de modelos e abordagens de engenharia de recursos. Também permite a criação de recursos de destino, considerando fatores como perda total e delta de perda. A escolha da métrica de otimização depende do propósito pretendido do modelo.

Interpretação do modelo

Os modelos ILD fornecem insights sobre recursos preditivos. Os três recursos mais preditivos geralmente incluem perda inicial, perda incorrida cumulativa e ano de desenvolvimento. As restrições de monotonicidade são cruciais, garantindo que o modelo esteja alinhado com as suposições de negócios.

Aplicando a abordagem ILD

Um portfólio de sinistros de aviação simulado com 14.000 sinistros de diferentes sublinhas de negócio foi utilizado para aplicar a abordagem ILD. O modelo demonstrou precisão promissora, e as características mais preditivas alinharam-se com as expectativas. Além disso, os modelos ILD oferecem explicações individuais para cada previsão, permitindo que as seguradoras compreendam por que um sinistro pode ser considerado de risco.

Implicações para as seguradoras

A abordagem ILD oferece uma perspectiva granular sobre a inflação do portfólio de sinistros, complementando os métodos tradicionais de provisão. O machine learning, particularmente o AutoML, fornece uma solução para os desafios associados à construção manual de modelos ILD, economizando tempo e oferecendo insights acionáveis. Embora seja improvável que o ILD substitua completamente os métodos baseados em triângulos, ele pode aprimorar vários aspectos do seguro, desde precificação e investigação de sinistros até detecção de fraudes e avaliação de portfólio. Ao adotar o ILD e manter-se atualizado com os avanços do machine learning, as seguradoras podem obter uma vantagem competitiva no setor.

No cenário em constante evolução do setor de seguros, a adoção do ILD e do machine learning promete transformar a indústria, permitindo que as seguradoras tomem decisões mais informadas e forneçam melhores serviços aos seus clientes.