Skip to main content
Artikel

Het nieuwe tijdperk van insurance analytics – gedreven door technologie, toolkits en talent

N/A
N/A

Februari 15, 2018

Wat moeten verzekeraars weten over nieuwe analysemethoden en zijn deze analysemethoden een investering waard?

Sommige verzekeraars gebruiken geavanceerde analysemethoden om innovatieve producten en oplossingen te ontwikkelen. Wat moeten verzekeraars weten over nieuwe analysemethoden en zijn deze analysemethoden een investering waard? Claudine Modlin en Graham Wright, allebei specialisten in predictive analytics in Property & Casualty bij Willis Towers Watson, bespreken technologie, toolkits en talent – onderwerpen die u kunnen helpen beslissen.

Q — Bij de prijszetting voor verzekeringen is het duidelijk dat zelfs kleine verbeteringen verzekeraars grote winst kunnen opleveren. Is er volgens u één bepaalde analysemethode die het meest wordt gebruikt, omdat zij het beste resultaat oplevert?

A — Modlin: Geen enkele methode is de meest geschikte voor elk soort gegevens of elk zakelijk probleem. Het is belangrijk om verschillende methoden te onderzoeken en te overwegen hoe een methode zal worden gebruikt.

Methoden zoals gegeneraliseerde lineaire modellen (GLM's) zijn lange tijd de wereldwijde standaard in de sector geweest voor prijszettingsanalyses. Ze hebben een robuust statistisch framework, een hoge graad van transparantie en een algoritmische vorm die goed aansluit bij rating engines voor verzekeringen. Verzekeringsmaatschappijen onderzoeken de mogelijkheden van machinaal leren voor prijszetting, maar het is nog moeilijk voor te stellen dat die de primaire methode, die zich in de markt bewezen heeft, volledig zal vervangen. Dit komt door vraagstukken rond transparantie en inzet, vooral in gereguleerde markten zoals die in de Verenigde Staten. Op korte termijn is het aannemelijker dat bij prijszetting machinaal leren als aanvulling gebruikt zal worden op GLM's om:

  • Nieuwe variabelen of combinaties van variabelen te creëren
  • Efficiënter selecties te maken uit een lijst van honderden of duizenden voorspellende variabelen
  • Tekortkomingen van het model op te sporen
  • Kansen op te sporen om hiërarchieën van modellen te bouwen (d.w.z. een groot aantal goed gedefinieerde, eenvoudige modellen in plaats van een klein aantal complex uitziende modellen)

A — Wright: Veel verzekeringsspecialisten in het VK zullen zich nog herinneren dat niet al te lang geleden de kosten van persoonlijk letsel bij ongevallen met voertuigen significant begonnen te stijgen, en dat modellen dit verschijnsel niet goed konden verklaren. Niet een machine, maar juist mensen stelden vast dat letselclaims waarbij ook het voertuig aanzienlijke schade had, een hele andere claimhistorie hadden dan letselclaims, waarbij dat niet het geval was. Door op basis van dit criterium een hiërarchie van modellen te bouwen, konden actuarissen veel effectiever begrijpen wat de oorzaak van de claimkosten was.

Het klinkt misschien logisch dat met machinaal leren patronen kunnen worden opgespoord die andere methoden over het hoofd zien. Toch is het nog niet zo eenvoudig geweest om vast te stellen en uit te leggen welke unieke inzichten deze methoden aan het licht brengen. Wel hebben we vooruitgang geboekt bij het naar boven halen en in beeld brengen wat deze methodes leren.

Ook moet opgemerkt worden dat we methodes als GLM's met succes hebben geautomatiseerd zodat ze de resultaten van machinaal leren beter nabootsen, vooral wanneer de modelleerder bereid is om de controle uit handen te geven en zelfs statistische methoden toe te staan om patronen te vinden die we misschien niet begrijpen. En dit is eigenlijk de crux van de keuze voor een methode: specialisten maken verschillende keuzes, afhankelijk van de vraag of het kunnen interpreteren of begrijpen van de resultaten essentiële eisen zijn bij hun modellen.

Q — Maar is de keuze voor een methode of de vorm van een model dan het belangrijkste bij verzekeringsanalyses?

A — Wright: Op zichzelf niet, neen – dit is slechts één dimensie. Ik zie het zo: je vraagt een machine om het routinewerk te doen en je stelt mensen in staat om slimme dingen te bedenken. De meerwaarde van onze rol zit in het definiëren van het probleem om de analyses beter te kunnen gebruiken. Je kunt hiervoor elke analyse in één van vier kwadranten indelen (zie figuur).

De methode versus het probleem

Chart showing de methode versus het probleem

 
We hebben gedurende lange tijd in het blauwe kwadrant linksboven geopereerd – we richtten ons op wat we altijd al deden, maar deden dat elke keer beter. Met de hype rond methoden en dingen als cdsourced analytics wedstrijden zoals op Kaggle verplaatsen we ons in de linkerkolom naar beneden. We discussiëren daarbij over de vraag, welke methode het beste is. Op zichzelf mist deze enkele component zijn doel: een probleem moet correct gedefinieerd worden voordat we er nieuwe methodes op kunnen loslaten.

A — Modlin: Daar ben ik het mee eens. De definitie van het probleem kan verband houden met de reactie die we proberen te voorspellen. Claimmanagers zijn op zoek naar geavanceerde analysemethoden om mogelijke complexe claims in een vroeg stadium op te sporen, zodat ze ze met de juiste middelen en protocollen kunnen managen. De uitdaging is het definiëren van ‘complex’. Vaak wordt dit gelijkgesteld met een hoge verwachte claim of een hoge waarschijnlijkheid daarvan. Maar het voordeel van een model dat managers vertelt dat sterfgevallen tot hoge claims leiden, is marginaal. Een geschiktere uitkomst van een model dat naar complexiteit zoekt, zou verband kunnen houden met de vraag, hoe hoog een claim oploopt (d.w.z. het verschil tussen de afwikkelingswaarde en de eerste reservering).

De kenmerken die we in onze voorspellingen overwegen, kunnen ook het probleem definiëren. Technieken als topic modeling brengen volledig nieuwe voorspellers aan het licht door ongestructureerde data (bijvoorbeeld notities over aanpassingen van claims) te doorzoeken.

A — Wright: In de praktijk wordt het probleem niet eenvoudig door een aantal discrete kenmerken gedefinieerd (zoals in de figuur), maar is het eerder een continu spectrum. Het grootste potentieel voor het verwerven van inzicht is te verwachten van het onderzoeken van nieuw gedefinieerde problemen met nieuw gedefinieerde technieken.

A — Modlin: Het is ook belangrijk dat “beroepscijferaars” en domeinexperts met elkaar afspreken op basis van welke cijfers de diverse methoden voor het bedrijfsleven worden beoordeeld. Statistici zullen vaak op een zuivere statistische diagnose vertrouwen om verbetering bij het ene model ten opzichte van het andere aan te tonen. Dit is ook de voorkeursmethode bij wedstrijden zoals die op Kaggle. Maar de uitkomst hiervan zegt een zakelijke gebruiker niet veel; die is waarschijnlijk meer geïnteresseerd in kritische prestatie-indicatoren zoals een verbetering van de verliesratio of kostenbesparing.

Daar komt bij dat verschillende toepassingen om een verschillende mate van nauwkeurigheid vragen. Een marketingtoepassing die tot doel heeft klanten onder te verdelen in drie brede categorieën hoeft niet zo nauwkeurig of intensief te zijn als prijssegmentatie. Tenslotte is het, voordat een analyseproject in opdracht wordt gegeven, belangrijk dat alle stakeholders bespreken welke eisen aan transparantie/interpreteerbaarheid en aan het gebruik van de resultaten moeten worden gesteld.

Q — Dat is allemaal goed en wel, maar waarom zouden verzekeraars in geavanceerde analysemethoden moeten investeren? Wat is de meerwaarde ervan?

A — Modlin: Wij hebben in veel gevallen met ons werk aangetoond dat het toepassen van diverse technieken bij het oplossen van verzekeringsgerelateerde vraagstukken voordeel oplevert. Onder sommige omstandigheden levert machinaal leren betere resultaten op dan de traditionele statistische technieken bij het voorspellen van verlies of andere soorten klantgedrag. Maar of deze waarde ook echt wordt gecreëerd, hangt sterk af van wat bij de implementatie nodig is. Sommige toepassingen, zoals prijszetting en acceptatie, vereisen een hoge mate van interpreteerbaarheid voor diverse stakeholders (toezichthouder, makelaar, verzekeraar en klant). Andere toepassingen, zoals het ontwikkelen van marketing-doellijsten of het signaleren van mogelijke frauduleuze claims hoeven waarschijnlijk niet voor iedereen begrijpelijk te zijn. Veel verzekeraars vinden het momenteel ook deels nog lastig om de output van deze nieuwe technieken in te zetten, maar dat verschilt per toepassing en zal in de loop van de tijd veranderen.

Technologische triggers hebben geavanceerde analysemethoden bij verzekeringen bijna op de top van overspannen verwachtingen gebracht zoals die in de Hypecyclus van Gartner wordt genoemd. De meeste mensen zullen het erover eens zijn dat enige teleurstelling te verwachten is, voordat uiteindelijk een stabiel niveau van verbeterde productiviteit wordt bereikt. We weten niet hoe die reis eruit zal zien, hoe lang hij zal duren en hoe significant de productiviteitswinst op lange termijn zal zijn. De algemene consensus voor de sector is dat er meer wordt geëxperimenteerd met en geleerd over geavanceerde analysemethoden, dan dat ze worden toegepast. Maar dat zal veranderen. Het leren zal toepassingen aanmoedigen die snel tastbare voordelen opleveren, en doorlopend onderzoek zal de voordelen versterken en early adopters een voorsprong bieden.

A — Wright: In het VK en de VS hebben we in de afgelopen jaren een golf gezien van systeemtransformaties die normaal gesproken in elke generatie maar één keer voorkomen. Daardoor zullen verzekeraars gaandeweg in staat zijn om sommige uitdagingen bij de implementatie te overwinnen. Ondanks dat blijft de interpreteerbaarheid nog een uitdaging.

In de context van methode versus probleem (zie figuur), is de toegevoegde waarde bewezen van een beweging naar rechts en naar beneden, maar het is onbekend hoe groot die waarde dan rechtsonder wordt.

Ook zonder de aanpak compleet te veranderen, zijn inzichten die met behulp van technieken voor gegevensondervraging worden verkregen, van enorme waarde. Sommige oplossingen zijn enablers en leveren onder de streep geen resultaat op. Analyses die gebruik maken van grote gegevensportfolio's kunnen bijvoorbeeld helpen bij het verfijnen van gesegmenteerde marketingstrategieën en zo op lange termijn meerwaarde opleveren.

Q — Wat is volgens u het belangrijkste dat verzekeringsspecialisten hiervan moeten opsteken?

A — Modlin: Het aantal getalenteerde analisten en toolkits neemt toe, en de verzekeringssector zal daar ongetwijfeld van profiteren. Onze sector staat voor de uitdaging om initiatieven op het gebied van analysemethoden in te kaderen zodat het probleem juist geformuleerd wordt en niet té veel aandacht wordt besteed aan het uitproberen van nieuwe methoden. Methoden worden zowel op hun statistische als zakelijke waarde beoordeeld en de toepassingsvereisten worden altijd in het oog gehouden. Op korte termijn zullen we successen en mislukkingen meemaken, maar zelfs de mislukkingen zullen ons leren hoe we in het vervolg met geavanceerde analysemethoden om moeten gaan.

A — Wright: Om volledig te kunnen profiteren van geavanceerde analysemethoden moeten we een balans vinden tussen kennis uit het verzekeringsdomein en data science-expertise. Nieuwe technieken om met bestaande problemen om te gaan, zullen zeker wat winst opleveren, maar de echte meerwaarde zal voortkomen uit het duidelijk identificeren van nieuwe problemen in combinatie met de toepassing van machinaal leren bij de juiste opgaven. De rol van de traditionele analist staat niet op het spel, maar zal wel veranderen wanneer machinaal leren bij de juiste opgaven wordt toegepast. Analisten krijgen zo meer tijd om zich te richten op werk met een grotere toegevoegde waarde.

Contact Us
Related content tags, list of links Artikel