Коэффициент скоринга в каско: Скоринг в страховых компаниях: как это работает
Скоринг в страховых компаниях: как это работает
В каких видах страхования актуален скоринг
Массовое использование в России пока получил лишь скоринг бюро кредитных историй – в моторном страховании. Выявленные зависимости позволяют существенно уточнять прогноз убыточности по полису каско и даже противодействовать попыткам мошенничества с имуществом. К примеру, тариф по каско зависит от возраста, пола, семейного положения автовладельца, марки и региона эксплуатации автомобиля, а также других параметров, которые страховщики называют тарифным фактором. По мнению заместителя генерального директора, директора по рискам – руководителя управления актуарных расчетов «Сбербанк страхование» Владимира Новикова, это и есть скоринг. С развитием цифровых технологий и аккумулированием больших объемов данных стало возможным кроме классических факторов оценки рисков использовать те, которые раньше не привлекали внимание андеррайтеров. Техника скоринга применима не только к оценке рисков: она хорошо работает при решении задач маркетинга, продаж, оптимизации урегулирования убытков, борьбе с мошенничеством, полагает Владимир Новиков.
По словам начальника отдела маркетинговых исследований СК «МАКС» Евгения Попкова, в недавнем прошлом страховой скоринг представлял собой весьма ограниченный инструментарий. Так, в большинстве случаев сотрудники офисов продаж пользовались страховыми калькуляторами по добровольным видам, в которых по определенным триггерам срабатывал контроль – «Требуется согласование андеррайтера» или «Необходима проверка СБ».
Александр Морозов, директор по статистике и аналитике Лаборатории Умного Вождения, утверждает, что скоринг по сути является персональной оценкой страхового риска. Эта оценка точнее в сравнении с традиционными моделями, рассчитанными на основе усредненных факторов.
Алексей Данилов, генеральный директор Adaperio, приводит следующий пример. Традиционные методы оценки всегда основывались на поведении усредненного пользователя – абстрактного страхователя определенного социально-демографического профиля, но по факту поведение, например, двух мужчин 35 лет, проживающих в Москве и пользующихся BMW, может кардинально отличаться. Именно в этом случае становятся полезны большие данные, которые позволят более точно определить риски страховой компании и, как результат, повлияют на показатели прибыли (убыточности).
Как научиться выявлять мошенничество в автостраховании, используя методы машинного обучения? Об этом на примере скоринг-модели с lift, равное 4, Илья Лопатинский, директор департамента поддержки розничного бизнеса Ингосстрах, расскажет на Scoring Days 2018.
В мировой практике скоринговая оценка применяется во всех линиях бизнеса страховых компаний. В российской практике скоринг наиболее распространен в таких видах, как ДМС и автострахование, говорит генеральный директор БКИ «Эквифакс» Олег Лагуткин. «Самым экзотическим видом применения скоринга в нашей практике была оценка склонности к мошенничеству сотрудников страховых компаний, принимающих решения об условиях заключения договора страхования», ‒ рассказывает Олег Лагуткин. По его мнению, скоринговую оценку целесообразно внедрять в такие процессы, как антифрод, убытки и продажи.
Заместитель директора департамента андеррайтинга и управления продуктами СК «Согласие» Андрей Ковалев видит потенциал использования скоринга во всех добровольных массовых видах страхования (в том числе автостраховании, ДМС, страховании ИФЛ). Основная сфера использования скоринга – оценка риска и антифрод, но он может найти применение и в области поддержки продаж.
Заместитель генерального директора «ВТБ Страхования» Евгений Ниссельсон полагает, что скоринг целесообразнее использовать в продажах розничных продуктов, таких как автострахование, страхование имущества, страхование от несчастных случаев и т.д. Он позволяет снизить расходы на оценку риска и существенно ускорить данный процесс. Скоринг применим к типовым продуктам, для анализа специфических рисков необходимо использовать традиционные методы.
Мария Барсова, операционный директор ‒ заместитель генерального директора по имущественным видам страхования САО ЭРГО, рассказала, что компания использует кредитный скоринг в каско и индивидуальном страховании физических лиц, в основном в андеррайтинге и для определения тарификации.
Страховщики тестируют телематику
По словам начальника управления андеррайтинга в автостраховании ООО «Зетта Страхование» Дмитрия Рыкова, полисы на основе телематики пока не получили масштабного развития, но компания продолжает аккуратно тестировать эти продукты, наблюдает за рынком и готовится сделать интересное предложение. В СК «Согласие» также подтвердили, что реализация скоринга на данных телематических устройств находится в стадии разработки и тестирования. В «ВТБ Страховании» сообщили, что скоринг по данным телематики на промышленной основе страховщик не использует в силу ограниченного присутствия на рынке автострахования. При этом компания тестировала телематические системы разных производителей и результаты показали довольно высокую эффективность. Мария Барсова, операционный директор ‒ заместитель генерального директора по имущественным видам страхования САО ЭРГО, рассказала, что компания внедряла скоринг по данным телематических устройств и продолжает это делать, но нельзя утверждать, что ожидания оправдались на 100%. Объемы пока небольшие, и в связи с этим говорить о влиянии на убыточность рано.
«Любые данные полезны для улучшения оценки персонального страхового риска. Тем более если они неплохо коррелируют с этим самым риском и не имеют аналогов. Данные с телематических устройств, полученные напрямую от автомобиля, не могут быть качественно заменены другими факторами и отлично коррелируют со страховым риском, – отметил Александр Морозов, директор по статистике и аналитике Лаборатории Умного Вождения. – Поэтому можно точно сказать, что телематические данные полезны для скоринга. Результат внедрения зависит от конкретной модели, предложенной страховой компанией, состава, качества и стоимости самих данных, поэтому какую-то единую оценку называть будет некорректно».
Какие данные использовать при построении скоринга для каско? Об этом — в выступлении Фрэнка Шихалиева, руководителя отдела развития анализа данных «Ренессанс Страхование» 19 апреля на Scoring Days 2018.
Технологии: чем пользуются страховщики
На вопрос, пользуется ли компания собственными разработками или разработками сторонних поставщиков, в компании «Согласие» заявили, что применяют оба этих подхода. «Несомненно, при внутренних разработках обеспечивается более высокая устойчивость бизнеса, но все же есть сферы, где компания не может осуществлять все разработки своими силами», – сказал Андрей Ковалев, заместитель директора департамента андеррайтинга и управления продуктами СК «Согласие». Компания «ВТБ Страхование» использует готовые решения поставщиков, настроенные под потребности страховщика. Работу компании «Сбербанк страхование» в рамках скоринга можно разделить на две части. Одна часть – это анализ, где используются программное обеспечение и статистические пакеты, которые разработали для компании сторонние подрядчики. Вторая часть – остальные 50% успеха в применении скоринговых данных – определяется компетентностью сотрудников, то есть зависит от наличия в компании специалистов, умеющих работать с большими данными.
Начальник управления андеррайтинга в автостраховании ООО «Зетта Страхование» Дмитрий Рыков рассказал, что кроме собственных методик компания использует инструменты, предоставленные партнерами. Один из примеров – сервис Audatex, позволяющий проверять историю аварий по автомобилю. Другой пример – КБМ по ОСАГО, который также позволяет приблизительно оценить страховую историю клиента.
Инсайты скоринга от страховщиков и разработчиков
Выбор модели автомобиля действительно несет информацию о поведении клиента на дороге. Например, клиент, выбравший марку ТС, которая подчеркивает драйверские свойства машин, стабильно чаще попадает в аварии, чем клиент, который выбирает ТС аналогичного класса, мощности, размера и стоимости, но от производителя, который подчеркивает комфорт или надежность, рассказал Андрей Ковалев, заместитель директора департамента андеррайтинга и управления продуктами СК «Согласие».
Кейсы построения скоринга в автостраховании от Ильи Лопатинского из Ингосстраха и Фрэнка Шихалиева из Ренессанс Страхование — на конференции Scoring Days 2018.
По мнению Дмитрия Рыкова, начальника управления андеррайтинга в автостраховании ООО «Зетта Страхование», есть много интересных зависимостей: например, частота ДТП по страхователям, находящимся в разных семейных статусах, существенно различается. Так, женатые водители имеют наименьшую частоту страховых случаев и получают скидку в компании. Другая зависимость, которую компания обнаружила непосредственно в Москве, – взаимосвязь вероятности наступления страхового случая и адреса постоянной регистрации страхователя. Скидка для автовладельца, проживающего в районе с более безопасным трафиком, может составить 20% от стоимости полиса.
Владимир Шикин, заместитель директора по маркетингу НБКИ, сообщил, что, как правило, все закономерности имеют логическое объяснение, но бывает, что они обнаруживаются уже по факту. Например, в ходе тестирования в компании заметили, что в сегменте с низкими значениями банковского скоринга высока вероятность убытка от угона. «Мы сделали предположение, что в этом диапазоне могут находиться клиенты, которым в силу низкой ответственности банки уже не дают кредиты, и эти люди могут решать свои финансовые проблемы за счет страховых компаний. То есть, по сути, мы выявили индикатор потенциального мошенничества», – рассказал Владимир Шикин.
По теме:
Нужен ли скоринг страховщикам?
Чем выгоден скоринг для страхователя по КАСКО
Скоринговые технологии популярны в разных сферах. Впервые их использовали в банковском деле для оценки благонадежности заемщика, позже скоринг распространился на многие сферы деятельности. В переводе данный термин означает «получение очков».
Страховые компании с помощью системы баллов определяют степень риска при заключении договора с конкретным покупателем, но и потенциальному клиенту такой подход сулит немало преимуществ.
Как страховщики изучают потребителей: анализ кредитной истории и телематические программы
Банковские учреждения давно взвешивают все «за» и «против» перед тем, как выдавать кредит: анализируют активность человека в интернете (сайты поиска вакансий, посты в соцсетях), принимают во внимание наличие образования и т. д.
Страховые компании лишь несколько лет назад получили доступ к кредитной истории граждан, информация используется с целью создания различных скоринговых систем.
Основные факторы, интересующие разработчиков программ моделирования рисков — количество просроченных платежей, частота нарушений, оформление ипотеки, автокредита. Среди дополнительных — сведения о составе семье. На основании полученных данных формируется «портрет» каждого покупателя. Чем выше оценки, тем ниже будет страховой тариф.
Инновационные технологии позволяют составить общее представление о поведении водителя на дороге благодаря телематическим устройствам. Оборудование отслеживает и передает оператору огромный массив информации:
- среднюю скорость движения;
- склонность к резкому торможению и опасным маневрам;
- количество поездок;
- дорожные инциденты.
По итогам тестового периода автомобилисту насчитывают баллы. Позитивная оценка дает право на неплохую скидку.
Как страховщики привлекают «безаварийных» водителей
Скоринг в страховом деле появился совсем недавно, раньше для развития подобных технологий не было ни источников информации для анализа, ни оборудования.
Общероссийской базы страхователей нет и вряд ли она появится в обозримом будущем. Найти данные о количестве аварий с участием автомобилиста можно в базе РСА. Осторожных водителей ценят все страховщики, они готовы предложить им скидки в случае перехода от своих конкурентов.
Ведущие компании каждому покупателю выставляют скоринговые баллы, от которых зависит конечная стоимость продукта. Статистика подтверждает выводы экспертов: полисы КАСКО, выданные страхователям с более низкими баллами, оказываются на 20 % убыточнее договоров, обладатели которых — водители с высокими оценками.
Деление клиентов на категории по степени риска — прогрессивная модель, повышающая рентабельность деятельности страховщика. Убедившись в том, что водитель бережет свою машину и предпочитает не нарушать ПДД, компания вознаграждает его скидкой. Такое сотрудничество выгодно обеим сторонам.
Скоринг: проблемные моменты
Компании разрабатывают разные скоринговые системы, основываясь на доступных им данных, в связи с чем результаты иногда кардинально отличаются. Найти источники информации о клиенте законным путем довольно сложно, ведь персональные данные граждан защищены.
Разработать качественную систему — дорогое удовольствие, не каждая СК имеет достаточно средств, чтобы нанять профессионального подрядчика.
как это работает, Новости страхования
Страховщики активно используют скоринг в автостраховании для оценки риска, а также в иных массовых видах страхования. В отличие от традиционных методов оценки, скоринг позволяет учесть индивидуальные характеристики клиента – данные ГИБДД и ФССП о характере штрафов, долгов, сроках оплаты, кредитную историю, специфику трат на мобильную связь, данные о круге общения и многое другое.
В каких видах страхования актуален скоринг
Массовое использование в России пока получил лишь скоринг бюро кредитных историй – в моторном страховании. Выявленные зависимости позволяют существенно уточнять прогноз убыточности по полису каско и даже противодействовать попыткам мошенничества с имуществом. К примеру, тариф по каско зависит от возраста, пола, семейного положения автовладельца, марки и региона эксплуатации автомобиля, а также других параметров, которые страховщики называют тарифным фактором. По мнению заместителя генерального директора, директора по рискам – руководителя управления актуарных расчетов «Сбербанк страхование» Владимира Новикова, это и есть скоринг. С развитием цифровых технологий и аккумулированием больших объемов данных стало возможным кроме классических факторов оценки рисков использовать те, которые раньше не привлекали внимание андеррайтеров. Техника скоринга применима не только к оценке рисков: она хорошо работает при решении задач маркетинга, продаж, оптимизации урегулирования убытков, борьбе с мошенничеством, полагает Владимир Новиков.
По словам начальника отдела маркетинговых исследований СК «МАКС» Евгения Попкова, в недавнем прошлом страховой скоринг представлял собой весьма ограниченный инструментарий. Так, в большинстве случаев сотрудники офисов продаж пользовались страховыми калькуляторами по добровольным видам, в которых по определенным триггерам срабатывал контроль – «Требуется согласование андеррайтера» или «Необходима проверка СБ».
Александр Морозов, директор по статистике и аналитике Лаборатории Умного Вождения, утверждает, что скоринг по сути является персональной оценкой страхового риска. Эта оценка точнее в сравнении с традиционными моделями, рассчитанными на основе усредненных факторов.
Алексей Данилов, генеральный директор Adaperio, приводит следующий пример. Традиционные методы оценки всегда основывались на поведении усредненного пользователя – абстрактного страхователя определенного социально-демографического профиля, но по факту поведение, например, двух мужчин 35 лет, проживающих в Москве и пользующихся BMW, может кардинально отличаться. Именно в этом случае становятся полезны большие данные, которые позволят более точно определить риски страховой компании и, как результат, повлияют на показатели прибыли (убыточности).
Как научиться выявлять мошенничество в автостраховании, используя методы машинного обучения? Об этом на примере скоринг-модели с lift, равное 4, Илья Лопатинский, директор департамента поддержки розничного бизнеса Ингосстрах, расскажет на Scoring Days 2018.
В мировой практике скоринговая оценка применяется во всех линиях бизнеса страховых компаний. В российской практике скоринг наиболее распространен в таких видах, как ДМС и автострахование, говорит генеральный директор БКИ «Эквифакс» Олег Лагуткин. «Самым экзотическим видом применения скоринга в нашей практике была оценка склонности к мошенничеству сотрудников страховых компаний, принимающих решения об условиях заключения договора страхования», ‒ рассказывает Олег Лагуткин. По его мнению, скоринговую оценку целесообразно внедрять в такие процессы, как антифрод, убытки и продажи.
Заместитель директора департамента андеррайтинга и управления продуктами СК «Согласие» Андрей Ковалев видит потенциал использования скоринга во всех добровольных массовых видах страхования (в том числе автостраховании, ДМС, страховании ИФЛ). Основная сфера использования скоринга – оценка риска и антифрод, но он может найти применение и в области поддержки продаж.
Заместитель генерального директора «ВТБ Страхования» Евгений Ниссельсон полагает, что скоринг целесообразнее использовать в продажах розничных продуктов, таких как автострахование, страхование имущества, страхование от несчастных случаев и т.д. Он позволяет снизить расходы на оценку риска и существенно ускорить данный процесс. Скоринг применим к типовым продуктам, для анализа специфических рисков необходимо использовать традиционные методы.
Мария Барсова, операционный директор ‒ заместитель генерального директора по имущественным видам страхования САО ЭРГО, рассказала, что компания использует кредитный скоринг в каско и индивидуальном страховании физических лиц, в основном в андеррайтинге и для определения тарификации.
Страховщики тестируют телематику
По словам начальника управления андеррайтинга в автостраховании ООО «Зетта Страхование» Дмитрия Рыкова, полисы на основе телематики пока не получили масштабного развития, но компания продолжает аккуратно тестировать эти продукты, наблюдает за рынком и готовится сделать интересное предложение. В СК «Согласие» также подтвердили, что реализация скоринга на данных телематических устройств находится в стадии разработки и тестирования. В «ВТБ Страховании» сообщили, что скоринг по данным телематики на промышленной основе страховщик не использует в силу ограниченного присутствия на рынке автострахования. При этом компания тестировала телематические системы разных производителей и результаты показали довольно высокую эффективность. Мария Барсова, операционный директор ‒ заместитель генерального директора по имущественным видам страхования САО ЭРГО, рассказала, что компания внедряла скоринг по данным телематических устройств и продолжает это делать, но нельзя утверждать, что ожидания оправдались на 100%. Объемы пока небольшие, и в связи с этим говорить о влиянии на убыточность рано.
«Любые данные полезны для улучшения оценки персонального страхового риска. Тем более если они неплохо коррелируют с этим самым риском и не имеют аналогов. Данные с телематических устройств, полученные напрямую от автомобиля, не могут быть качественно заменены другими факторами и отлично коррелируют со страховым риском, – отметил Александр Морозов, директор по статистике и аналитике Лаборатории Умного Вождения. – Поэтому можно точно сказать, что телематические данные полезны для скоринга. Результат внедрения зависит от конкретной модели, предложенной страховой компанией, состава, качества и стоимости самих данных, поэтому какую-то единую оценку называть будет некорректно».
Какие данные использовать при построении скоринга для каско? Об этом — в выступлении Фрэнка Шихалиева, руководителя отдела развития анализа данных «Ренессанс Страхование» 19 апреля на Scoring Days 2018.
Технологии: чем пользуются страховщики
На вопрос, пользуется ли компания собственными разработками или разработками сторонних поставщиков, в компании «Согласие» заявили, что применяют оба этих подхода. «Несомненно, при внутренних разработках обеспечивается более высокая устойчивость бизнеса, но все же есть сферы, где компания не может осуществлять все разработки своими силами», – сказал Андрей Ковалев, заместитель директора департамента андеррайтинга и управления продуктами СК «Согласие». Компания «ВТБ Страхование» использует готовые решения поставщиков, настроенные под потребности страховщика. Работу компании «Сбербанк страхование» в рамках скоринга можно разделить на две части. Одна часть – это анализ, где используются программное обеспечение и статистические пакеты, которые разработали для компании сторонние подрядчики. Вторая часть – остальные 50% успеха в применении скоринговых данных – определяется компетентностью сотрудников, то есть зависит от наличия в компании специалистов, умеющих работать с большими данными.
Начальник управления андеррайтинга в автостраховании ООО «Зетта Страхование» Дмитрий Рыков рассказал, что кроме собственных методик компания использует инструменты, предоставленные партнерами. Один из примеров – сервис Audatex, позволяющий проверять историю аварий по автомобилю. Другой пример – КБМ по ОСАГО, который также позволяет приблизительно оценить страховую историю клиента.
Инсайты скоринга от страховщиков и разработчиков
Выбор модели автомобиля действительно несет информацию о поведении клиента на дороге. Например, клиент, выбравший марку ТС, которая подчеркивает драйверские свойства машин, стабильно чаще попадает в аварии, чем клиент, который выбирает ТС аналогичного класса, мощности, размера и стоимости, но от производителя, который подчеркивает комфорт или надежность, рассказал Андрей Ковалев, заместитель директора департамента андеррайтинга и управления продуктами СК «Согласие».
Кейсы построения скоринга в автостраховании от Ильи Лопатинского из Ингосстраха и Фрэнка Шихалиева из Ренессанс Страхование — на конференции Scoring Days 2018.
По мнению Дмитрия Рыкова, начальника управления андеррайтинга в автостраховании ООО «Зетта Страхование», есть много интересных зависимостей: например, частота ДТП по страхователям, находящимся в разных семейных статусах, существенно различается. Так, женатые водители имеют наименьшую частоту страховых случаев и получают скидку в компании. Другая зависимость, которую компания обнаружила непосредственно в Москве, – взаимосвязь вероятности наступления страхового случая и адреса постоянной регистрации страхователя. Скидка для автовладельца, проживающего в районе с более безопасным трафиком, может составить 20% от стоимости полиса.
Владимир Шикин, заместитель директора по маркетингу НБКИ, сообщил, что, как правило, все закономерности имеют логическое объяснение, но бывает, что они обнаруживаются уже по факту. Например, в ходе тестирования в компании заметили, что в сегменте с низкими значениями банковского скоринга высока вероятность убытка от угона. «Мы сделали предположение, что в этом диапазоне могут находиться клиенты, которым в силу низкой ответственности банки уже не дают кредиты, и эти люди могут решать свои финансовые проблемы за счет страховых компаний. То есть, по сути, мы выявили индикатор потенциального мошенничества», – рассказал Владимир Шикин.
Скоринг в страховых компаниях: как это работает
В каких видах страхования актуален скоринг
Массовое использование в России пока получил лишь скоринг бюро кредитных историй – в моторном страховании. Выявленные зависимости позволяют существенно уточнять прогноз убыточности по полису каско и даже противодействовать попыткам мошенничества с имуществом. К примеру, тариф по каско зависит от возраста, пола, семейного положения автовладельца, марки и региона эксплуатации автомобиля, а также других параметров, которые страховщики называют тарифным фактором. По мнению заместителя генерального директора, директора по рискам – руководителя управления актуарных расчетов «Сбербанк страхование» Владимира Новикова, это и есть скоринг. С развитием цифровых технологий и аккумулированием больших объемов данных стало возможным кроме классических факторов оценки рисков использовать те, которые раньше не привлекали внимание андеррайтеров. Техника скоринга применима не только к оценке рисков: она хорошо работает при решении задач маркетинга, продаж, оптимизации урегулирования убытков, борьбе с мошенничеством, полагает Владимир Новиков.
По словам начальника отдела маркетинговых исследований СК «МАКС» Евгения Попкова, в недавнем прошлом страховой скоринг представлял собой весьма ограниченный инструментарий. Так, в большинстве случаев сотрудники офисов продаж пользовались страховыми калькуляторами по добровольным видам, в которых по определенным триггерам срабатывал контроль – «Требуется согласование андеррайтера» или «Необходима проверка СБ».
Александр Морозов, директор по статистике и аналитике Лаборатории Умного Вождения, утверждает, что скоринг по сути является персональной оценкой страхового риска. Эта оценка точнее в сравнении с традиционными моделями, рассчитанными на основе усредненных факторов.
Алексей Данилов, генеральный директор Adaperio, приводит следующий пример. Традиционные методы оценки всегда основывались на поведении усредненного пользователя – абстрактного страхователя определенного социально-демографического профиля, но по факту поведение, например, двух мужчин 35 лет, проживающих в Москве и пользующихся BMW, может кардинально отличаться. Именно в этом случае становятся полезны большие данные, которые позволят более точно определить риски страховой компании и, как результат, повлияют на показатели прибыли (убыточности).
Как научиться выявлять мошенничество в автостраховании, используя методы машинного обучения? Об этом на примере скоринг-модели с lift, равное 4, Илья Лопатинский, директор департамента поддержки розничного бизнеса Ингосстрах, расскажет на Scoring Days 2018.
В мировой практике скоринговая оценка применяется во всех линиях бизнеса страховых компаний. В российской практике скоринг наиболее распространен в таких видах, как ДМС и автострахование, говорит генеральный директор БКИ «Эквифакс» Олег Лагуткин. «Самым экзотическим видом применения скоринга в нашей практике была оценка склонности к мошенничеству сотрудников страховых компаний, принимающих решения об условиях заключения договора страхования», ‒ рассказывает Олег Лагуткин. По его мнению, скоринговую оценку целесообразно внедрять в такие процессы, как антифрод, убытки и продажи.
Заместитель директора департамента андеррайтинга и управления продуктами СК «Согласие» Андрей Ковалев видит потенциал использования скоринга во всех добровольных массовых видах страхования (в том числе автостраховании, ДМС, страховании ИФЛ). Основная сфера использования скоринга – оценка риска и антифрод, но он может найти применение и в области поддержки продаж.
Заместитель генерального директора «ВТБ Страхования» Евгений Ниссельсон полагает, что скоринг целесообразнее использовать в продажах розничных продуктов, таких как автострахование, страхование имущества, страхование от несчастных случаев и т.д. Он позволяет снизить расходы на оценку риска и существенно ускорить данный процесс. Скоринг применим к типовым продуктам, для анализа специфических рисков необходимо использовать традиционные методы.
Мария Барсова, операционный директор ‒ заместитель генерального директора по имущественным видам страхования САО ЭРГО, рассказала, что компания использует кредитный скоринг в каско и индивидуальном страховании физических лиц, в основном в андеррайтинге и для определения тарификации.
Страховщики тестируют телематику
По словам начальника управления андеррайтинга в автостраховании ООО «Зетта Страхование» Дмитрия Рыкова, полисы на основе телематики пока не получили масштабного развития, но компания продолжает аккуратно тестировать эти продукты, наблюдает за рынком и готовится сделать интересное предложение. В СК «Согласие» также подтвердили, что реализация скоринга на данных телематических устройств находится в стадии разработки и тестирования. В «ВТБ Страховании» сообщили, что скоринг по данным телематики на промышленной основе страховщик не использует в силу ограниченного присутствия на рынке автострахования. При этом компания тестировала телематические системы разных производителей и результаты показали довольно высокую эффективность. Мария Барсова, операционный директор ‒ заместитель генерального директора по имущественным видам страхования САО ЭРГО, рассказала, что компания внедряла скоринг по данным телематических устройств и продолжает это делать, но нельзя утверждать, что ожидания оправдались на 100%. Объемы пока небольшие, и в связи с этим говорить о влиянии на убыточность рано.
«Любые данные полезны для улучшения оценки персонального страхового риска. Тем более если они неплохо коррелируют с этим самым риском и не имеют аналогов. Данные с телематических устройств, полученные напрямую от автомобиля, не могут быть качественно заменены другими факторами и отлично коррелируют со страховым риском, – отметил Александр Морозов, директор по статистике и аналитике Лаборатории Умного Вождения. – Поэтому можно точно сказать, что телематические данные полезны для скоринга. Результат внедрения зависит от конкретной модели, предложенной страховой компанией, состава, качества и стоимости самих данных, поэтому какую-то единую оценку называть будет некорректно».
Какие данные использовать при построении скоринга для каско? Об этом — в выступлении Фрэнка Шихалиева, руководителя отдела развития анализа данных «Ренессанс Страхование» 19 апреля на Scoring Days 2018.
Технологии: чем пользуются страховщики
На вопрос, пользуется ли компания собственными разработками или разработками сторонних поставщиков, в компании «Согласие» заявили, что применяют оба этих подхода. «Несомненно, при внутренних разработках обеспечивается более высокая устойчивость бизнеса, но все же есть сферы, где компания не может осуществлять все разработки своими силами», – сказал Андрей Ковалев, заместитель директора департамента андеррайтинга и управления продуктами СК «Согласие». Компания «ВТБ Страхование» использует готовые решения поставщиков, настроенные под потребности страховщика. Работу компании «Сбербанк страхование» в рамках скоринга можно разделить на две части. Одна часть – это анализ, где используются программное обеспечение и статистические пакеты, которые разработали для компании сторонние подрядчики. Вторая часть – остальные 50% успеха в применении скоринговых данных – определяется компетентностью сотрудников, то есть зависит от наличия в компании специалистов, умеющих работать с большими данными.
Начальник управления андеррайтинга в автостраховании ООО «Зетта Страхование» Дмитрий Рыков рассказал, что кроме собственных методик компания использует инструменты, предоставленные партнерами. Один из примеров – сервис Audatex, позволяющий проверять историю аварий по автомобилю. Другой пример – КБМ по ОСАГО, который также позволяет приблизительно оценить страховую историю клиента.
Инсайты скоринга от страховщиков и разработчиков
Выбор модели автомобиля действительно несет информацию о поведении клиента на дороге. Например, клиент, выбравший марку ТС, которая подчеркивает драйверские свойства машин, стабильно чаще попадает в аварии, чем клиент, который выбирает ТС аналогичного класса, мощности, размера и стоимости, но от производителя, который подчеркивает комфорт или надежность, рассказал Андрей Ковалев, заместитель директора департамента андеррайтинга и управления продуктами СК «Согласие».
Кейсы построения скоринга в автостраховании от Ильи Лопатинского из Ингосстраха и Фрэнка Шихалиева из Ренессанс Страхование — на конференции Scoring Days 2018.
По мнению Дмитрия Рыкова, начальника управления андеррайтинга в автостраховании ООО «Зетта Страхование», есть много интересных зависимостей: например, частота ДТП по страхователям, находящимся в разных семейных статусах, существенно различается. Так, женатые водители имеют наименьшую частоту страховых случаев и получают скидку в компании. Другая зависимость, которую компания обнаружила непосредственно в Москве, – взаимосвязь вероятности наступления страхового случая и адреса постоянной регистрации страхователя. Скидка для автовладельца, проживающего в районе с более безопасным трафиком, может составить 20% от стоимости полиса.
Владимир Шикин, заместитель директора по маркетингу НБКИ, сообщил, что, как правило, все закономерности имеют логическое объяснение, но бывает, что они обнаруживаются уже по факту. Например, в ходе тестирования в компании заметили, что в сегменте с низкими значениями банковского скоринга высока вероятность убытка от угона. «Мы сделали предположение, что в этом диапазоне могут находиться клиенты, которым в силу низкой ответственности банки уже не дают кредиты, и эти люди могут решать свои финансовые проблемы за счет страховых компаний. То есть, по сути, мы выявили индикатор потенциального мошенничества», – рассказал Владимир Шикин.
По теме:
Нужен ли скоринг страховщикам?
Коэффициент скоринга в каско что это
Страховые компании с помощью системы баллов определяют степень риска при заключении договора с конкретным покупателем, но и потенциальному клиенту такой подход сулит немало преимуществ.
Инновационные технологии позволяют составить общее представление о поведении водителя на дороге благодаря телематическим устройствам. Оборудование отслеживает и передает оператору огромный массив информации:
- среднюю скорость движения;
- склонность к резкому торможению и опасным маневрам;
- количество поездок;
- дорожные инциденты.
По итогам тестового периода автомобилисту насчитывают баллы. Позитивная оценка дает право на неплохую скидку.
Скоринг в страховом деле появился совсем недавно, раньше для развития подобных технологий не было ни источников информации для анализа, ни оборудования.
Общероссийской базы страхователей нет и вряд ли она появится в обозримом будущем. Найти данные о количестве аварий с участием автомобилиста можно в базе РСА. Осторожных водителей ценят все страховщики, они готовы предложить им скидки в случае перехода от своих конкурентов.
Ведущие компании каждому покупателю выставляют скоринговые баллы, от которых зависит конечная стоимость продукта. Статистика подтверждает выводы экспертов: полисы КАСКО, выданные страхователям с более низкими баллами, оказываются на 20 % убыточнее договоров, обладатели которых — водители с высокими оценками.
Деление клиентов на категории по степени риска — прогрессивная модель, повышающая рентабельность деятельности страховщика. Убедившись в том, что водитель бережет свою машину и предпочитает не нарушать ПДД, компания вознаграждает его скидкой. Такое сотрудничество выгодно обеим сторонам.
Компании разрабатывают разные скоринговые системы, основываясь на доступных им данных, в связи с чем результаты иногда кардинально отличаются. Найти источники информации о клиенте законным путем довольно сложно, ведь персональные данные граждан защищены.
Разработать качественную систему — дорогое удовольствие, не каждая СК имеет достаточно средств, чтобы нанять профессионального подрядчика.
В работе по созданию страхового скоринга на основе кредитных историй принимали участие крупные российские страховые компании, НБКИ и международный лидер в области предиктивной аналитики – компания FICO. Опыт работы FICO на американских и европейских страховых рынках был взят за основу исследовательской работы и во многом обеспечил получение быстрого и сильного с математической точки зрения результата. Именно благодаря международному опыту мы сразу стали ориентироваться на моторное страхование. Эта отрасль во всем мире показывает сильную корреляцию между убыточностью по страховым полисам и персональной ответственностью клиента.
Для начала исследовательских упражнений была сформирована гипотеза о наиболее сильных прогнозных переменных из кредитной истории. На этом этапе был использован опыт построения кредитного скоринга, предсказывающего дефолт заемщика по кредитным обязательствам. Как и в страховании, в кредитном процессе кредитор оценивает ответственность клиента – его персональную характеристику, выстраиваемую на основе истории выполнения ранее взятых обязательств. Каждая переменная проходила тщательный анализ на сформированной базе исторических страховых полисов, в результате были выбраны наиболее сильные и стабильные переменные.
Среди наиболее сильных переменных, конечно, данные о нарушении обязательств. Количество и глубина просроченных платежей оказывают понижающее влияние на скоринговый балл. С другой стороны, приветствуется опыт пользования длинными кредитами: положительный опыт ипотеки и автокредитования оказывает повышающее влияние на результат. Одним из наиболее сложных вопросов для построения скоринговой модели стал учет региональной специфики. В результате в итоговую модель вошли несколько переменных, основанных на данных о регионе.
К неосновным, но тем не менее оказывающим влияние на скоринговый балл переменным можно отнести данные о членах семьи клиента. Эта информация включена в скоринговую модель для того, чтобы учесть ситуацию, при которой, например, один из супругов берет на себя все вопросы взаимодействия с кредиторами, хотя экономика у семьи общая. То есть, условно говоря, идеальная кредитная история женщины вовсе не означает, что у нее не будет проблем, если у ее мужа – сплошные нарушения по обязательствам.
Валидация переменных и скоринговой модели в целом – сложнейшая задача. Ее успешное решение во многом зависит от репрезентативности и объема данных, доступных для ретротестирования. В этой связи необходимо отдать должное лидерам российского рынка автострахования. Все они включились в работу по созданию и валидации модели буквально с первых дней. Цифры говорят сами за себя: общее количество участвовавших в анализе полисов каско – более 6,5 млн. Историческая ретроспектива полисов – более шести лет. Это позволило создать модель отдельно для Москвы и регионов, убедиться в ее стабильности – замеры осуществлялись по пяти реперным периодам с интервалом в один год. Была не только изучена корреляция скорингового балла с общей убыточностью по полисам, но и построена зависимость от отдельных видов – например, по убыточности от угона.
В результате полученная скоринговая модель показала: убыточность по полисам в низшем скоринговом диапазоне до 600 баллов (шкала страхового скоринга приведена к большинству популярных скорингов FICO: от 350 до 850 баллов, при этом меньшие значения балла означают больший риск) в среднем на 20% выше, чем в диапазоне от 700 баллов для Москвы и на 30% – для регионов.
Интересные результаты дало изучение корреляции скорингового балла с убыточностью по отдельным видам возмещений. Например, при изучении зависимости выплат по угонам автомобиля от скоринговых баллов выявлена аномалия – резкий рост убыточности (в 4–5 раз) в диапазоне ниже 550 баллов. Консультации с коллегами позволили дать объяснение этому явлению: граждане с низкой платежной дисциплиной и чрезмерной долговой нагрузкой уже не могут получить заемные средства у кредиторов, так как им отказывают, и пытаются решать свои материальные проблемы за счет страховых компаний. То есть фактически речь идет о страховом мошенничестве. Как выяснилось, страховой скоринг на базе кредитных историй позволяет эффективно противостоять и этой угрозе.
Полученные результаты открывают перспективы использования страхового скоринга на базе кредитных историй в моторном страховании в краткосрочной перспективе. Во-первых, страховые компании уже сейчас могут использовать скоринг НБКИ для ценообразования по каско и принятия решения о продаже полиса конкретным клиентам. Например, применяя повышающие коэффициенты для высокорисковых сегментов. Во-вторых, страховой скоринг применим для прогноза убыточности по портфелю – архиважная задача, с которой регулярно сталкиваются актуарии и от точности решения которой во многом зависит финансовый результат всей компании.
И наконец, успех создания скоринговой модели в автостраховании позволяет надеяться, что и в других видах страхования применимы аналогичные технологии. По оценкам НБКИ и крупных страховых компаний, поиск и валидация зависимостей между ответственностью человека и его поведением по большинству страховых продуктов – дело ближайшего будущего.
Мнение автора может не совпадать с мнением редакции
Российские страховщики, которые сотрудничают с финансово-кредитным сектором, оказались в сложной ситуации. С одной стороны, на фоне сокращения продаж добровольной корпоративной страховки им на руку рост реализации полиса для оформления залога. А он обоснован растущим спросом на кредиты.
Страховой скоринг: первые шаги в России
Выход из ситуации предложил посредник – НБКИ (бюро кредитных историй). Его директор Алексей Волков рассказал в конце февраля, чем его организация может помочь страховому рынку в сфере страхования передаваемого в залог имущества предприятий.
По словам эксперта, в Европе наблюдалась схожая ситуация 12 лет назад. Тогда в развитых западных странах (Россия в 2014 году последовала их примеру) законодатель вынужденно открыл СК доступ к историям кредитов по гражданам и что важнее, предприятиям.
Одна из крупнейших аналитических компаний FICO разработала для крупных страховщиков специфический продукт – модель страхового скоринга по аналогии с кредитным скорингом. Что это?
Скоринг – технология для определения вероятности наступления дефолтного состояния кредитора (страхователя). Но в отличие от классической методики оценки страховых рисков она учитывает поведенческие факторы – уровень ответственности субъекта и его готовность отвечать по обязательствам при любых обстоятельствах.
В 2014 году в России был принят закон, который позволяет страховщикам пойти тем же путем,
- получить доступ к историям обслуживания кредитов предприятиями;
- проанализировать качество поведения в отношении контракта с кредитором;
- сделать вывод о добросовестности страхователя, чтобы предложить ему тарифы по страхованию залогов на основе полученных данных (или отказать в оформлении полиса).
Алексей Волков рассказал, что в 2014 году потребность в подобной технологии скоринга для РФ была не так высока, как сейчас. Заметного сокращения потока страхователей (в том числе, корпоративных) еще не замечалось, СК покрывали свои риски за счет потоковых сборов.
Но сегодня, когда каждый контракт нужно проверять, страховой скоринг снова набирает актуальность. И НБКИ при содействии специалистов FICO уже разработали модель его расчета. Принцип ее работы прост:
- на основании данных по кредитам юридического лица система определяет уровень его лояльности;
- результат получается в баллах, диапазон – от 350 до 850;
- чем ниже балл, тем выше будет стоимость страхования предмета залога для предприятия и наоборот.
Страховщику такой подход выгоден по двум причинам, – уверен Волков. Во-первых, СК получает точные данные для расчета своих рисков. Во-вторых, она может отсечь нелояльных (ненадежных) клиентов и сократить для себя вероятность мошенничества со стороны страхователя.
Последнему нововведение тоже будет интересным, – считает руководитель НБКИ.
- Компания-заемщик (в прошлом или настоящем) сможет рассчитывать на скидку по страхованию имущества организаций при условии исправного погашения прошлых займов.
- Наличие прозрачной методики оценки перспективности страхователя упростит процесс утверждения страхового бюджета.
Будущее страхового скоринга
Алексей Волков уверен, что именно по этим причинам уже в 2017-2018 годах страховой скоринг будет применяться на всех уровнях корпоративного страхования, не только для страховки залога по кредиту предприятия. Эксперт также рассказал, что эффективность данных по скорингу уже была опробована в 10 городах страны, включая Москву.
В рамках экспериментального запуска система оценивала перспективную убыточность заемщиков с полисом КАСКО. Результаты показали, что страхователи с количеством баллов ниже 625 являются более убыточными.
Хитрости коэффициентов
КАСКО
Страхование КАСКО год от года становится всё популярнее. Причин тому много, например, растущий автомобильный рынок, необходимость страхования залоговых автомобилей и т.д. Кроме того, среди страхователей становится всё больше интернет пользователей, предпочитающих выполнять расчёт стоимости полиса в режиме онлайн.
Наверняка многие автомобилисты когда-либо рассчитывали тариф в калькуляторе КАСКО , при этом у них мог возникнуть вполне логичный вопрос: «По какому принципу рассчитывается цена?». Ответ прост: у каждой страховой компании есть просчитанные коэффициенты КАСКО по маркам машин. В дальнейшем данный параметр перемножается на ряд поправочных коэффициентов, позволяющих скорректировать тариф в зависимости от ряда характеристик. Об указанных коэффициентах и пойдёт речь в этой статье.
Какие бывают коэффициенты каско?
КАСКО – довольно консервативный вид страхования с многолетней историей. Именно поэтому основные коэффициенты здесь сформировались достаточно давно. На сегодняшний день они идентичны практически у всех российских автостраховщиков. Страховые компании используют практически те же категории оценки риска «ущерб», что и 10-20 лет назад, пусть данные параметры и довольно разнообразны. Среди прочих стоит выделить те, что оказывают наибольшее влияние на формирование итоговой стоимости КАСКО:
- Место прописки собственника автомашины;
- Марка транспортного средства и его модель;
- Фактический возраст автомашины;
- Количество лошадиных сил;
- Количество водителей, их пол, а также их возраст и стаж вождения;
- Наличие правого руля;
- Безаварийное вождение;
- Банковский залог автомашины.
Кроме того, зачастую автолюбители, а особенно владельцы новых авто, предпочитают дополнить договор добровольного страхования автомобиля риском «угон». А в случае если автомобиль приобретается в кредит, то представители банка в обязательном порядке будут настаивать на включении в страховой договор данного риска. При страховании также и по «угону» специалисты страховой компании непременно учтут в расчёте страховки следующие параметры:
- Тип охранного устройства автомашины;
- Наличие охраняемой стоянки в ночное время суток.
К последнему пункту могут быть отнесены гаражные кооперативы, подземные паркинги, стоянки под открытым небом. Однако полный перечень подобных мест ночного хранения всё-таки лучше уточнить в конкретной страховой компании, с которой автолюбитель планирует заключить договор. Ещё лучше самостоятельно изучить Правила страхования страховщика, где можно ознакомиться с перечнем мест ночного хранения и требований к ним.
Другой важный параметр, выпадающий из общего списка, – повышающий коэффициент КАСКО после ДТП. Многие автолюбители искренне удивляются, когда при продлении страховки стоимость полиса увеличивается на несколько порядков. А ведь в этом нет ничего удивительного: страховщик, прежде всего, нацелен на получение прибыли и будет нещадно отсеивать «нежелательных» клиентов, часто попадающих в аварии. Многие страховые компании считают прямой отказ в оформлении договора добровольного страхования автомобиля неуместным и порочащим репутацию. Вот почему они применяют повышающий коэффициент КАСКО после ДТП. Таким образом, клиент сам откажется от продления страховки, ведь платить вдвое (если не втрое) больше за страховой полис не разумно.
Как формируются коэффициенты КАСКО?
Вычислением рисков страховой компании и формированием страховых коэффициентов КАСКО занимаются отдельные специалисты – страховые актуарии. Данные сотрудники регулярно производят мониторинг статистики убыточности, как внутри своей компании, так и страхового рынка в целом. Разумеется, страховые актуарии также нередко прибегают к официальным данным государственных органов. При этом принимаются во внимания статистические параметры аварий и их участников. Кроме того, ведётся периодический мониторинг угонов. Именно поэтому в страховой компании, где за короткий промежуток времени угнали несколько застрахованных автомобилей одной и той же модели, будет практически невозможно выгодно застраховать аналогичную автомашину.
В итоге на основании полученных сведений актуарии при помощи специализированных математических формул вычисляют вероятность наступления того или иного страхового события.
Например, при повышении количества аварий с участием водителей определённого возраста, будет введён повышающий коэффициент КАСКО для таких автолюбителей. Если статистика говорит, что водители, например, старше 30 лет крайне редко становятся участниками ДТП, то для такой категории водителей наоборот введут понижающий коэффициент.
Помимо изложенной информации стоит отметить ещё один немаловажный момент. Ведущие российские автостраховщики в последние годы всерьёз задумались о применении практики установки систем телеметрии. Такое оборудование позволяет отслеживать многие параметры, включая скорость движения автомобиля и стиль вождения конкретного человека. На сегодняшний день отдельные компании уже применяют телеметрию для измерения степени страхового риска. Механизм определения тарифа по такой страховке достаточно прост. При оформлении полиса автовладелец устанавливает на свой автомобиль телеметрическое оборудование, рекомендованное страховщиком, и получает за это весомую скидку. В дальнейшем тариф корректируют в зависимости от манеры вождения конкретного автолюбителя. Конечно же, аккуратные водители могут рассчитывать на дополнительные скидки, а вот нарушителям ПДД придется заплатить за полис дороже.
Как сэкономить на каско?
Вопрос экономии на страховке, конечно, сродни вопросу экономии на своевременном ремонте автомобиля. Однако бывают ситуации, когда автовладелец вроде и хотел бы приобрести страховку, но ему банально не хватает денег. В данном случае стоит в первую очередь задуматься об исключении повышающих коэффициентов КАСКО. Это можно сделать, элементарно исключив молодых лиц без солидного водительского опыта из списка водителей. Подобный подход позволит снизить итоговую стоимость страховки КАСКО на 20-30%. Однако существуют и другие хитрости, которыми может воспользоваться каждый автолюбитель. Первая и самая действенная из них – безаварийная езда на протяжении нескольких лет. Как правило, ведущие автостраховщики готовы предоставить таким водителям скидку в размере 15-30% за каждый безубыточный год.
Ещё одна действенная хитрость может быть применена путём смены прописки собственника автомобиля. Территориальный коэффициент для различных российских населённых пунктов может в разы отличаться даже в рамках отдельно взятой страховой компании.
Например, собственник автомашины с московской пропиской при прочих равных заплатит за КАСКО намного больше автолюбителя, зарегистрированного в Таганроге. Однако у этого метода есть множество «подводных камней», один из которых заключается в существенном различии стоимости нормочасов ремонтных работ и стоимости запчастей не только в разных регионах, но даже в соседних городах. То есть, в случае расчёта размера компенсации по КАСКО сумма возмещения рассчитывается, исходя из расценок в Таганроге, что не всегда может гарантировать достойный сервис и качественный ремонт.
Последняя хитрость лишь косвенно касается темы данной статьи, но всё-таки стоит о ней упомянуть. Дело в том, что при расчёте стоимости страховки стоит уточнить, как именно страховая компания считает возраст автомобиля: по дням (с даты выдачи ПТС) или по году производства. Подавляющее большинство страховщиков, как правило, придерживаются второго варианта, но есть и те, кто считает целесообразным применение первого подхода. Дело в том, что чем старше становится автомашина, тем выше страховой тариф. Поэтому страхование в компании, рассчитывающей возраст авто с даты указанной в ПТС, зачастую намного выгоднее, так как позволяет снизить страховой возраст автомобиля на целый календарный год. Это в свою очередь непременно отразится на страховом тарифе в сторону уменьшения, что, безусловно, крайне выгодно для автовладельца.
В качестве итога
Как видно из приведённой выше информации, страховые компании на сегодняшний день помимо базовых ставок КАСКО применяют массу поправочных коэффициентов, призванных индивидуализировать риски для каждого водителя. При этом существуют некоторые хитрости, которые страхователи могут применить для снижения цены полиса. Однако не стоит забывать и о последствиях, ведь хитрости иногда выходят боком. Однозначно можно сказать только одно: каждый владелец автомашины – взрослый человек, а потому должен сам взвешенно подходить к соизмерению возможной выгоды и негативных последствий.
Скоринг на службе страховых компаний | Волков Алексей
Автор: Волков Алексей, Директор по маркетингу Национального бюро кредитных историй (НБКИ)
Дата публикации: 17.02.2016
Категория: Секреты профессии
Когда речь заходит о понятии риска применительно к финансовой сфере, в первую очередь, многим приходит в голову сегмент розничного кредитования. И речь, соответственно, о кредитном риске. При этом в кредитовании риск уже давно научились не только оценивать, но и управлять им. Кредитный риск рассчитывается с помощью предиктивных методик оценки вероятности дефолта заемщика в будущем. С этим уже на протяжении многих лет успешно справляются специально разработанные скоринговые модели.
Что же касается страхования, то даже для некоторых игроков на этом рынке до сих пор является сюрпризом возможность определения риска убыточности полиса по аналогии с расчетом кредитного риска. То есть при помощи все того же скоринга. Убыточность полиса, то есть отношение выплат по страховым событиям к собранной премии, является целевой переменной риска в страховании и, на первый взгляд, ничего общего с дефолтом по кредиту не имеет. Но на самом деле, у обоих этих события общая природа – не аккуратность и пренебрежение собственными обязательствами со стороны субъекта.
С внесением полтора года назад поправок в закон «О кредитных историях», у страховых компаний появилась возможность получать кредитные истории своих клиентов. Поскольку для страховщиков, как и для кредиторов, кредитные истории представляют наибольший интерес именно с точки зрения возможности оценки риска, перед страховой индустрией и, соответственно, перед НБКИ (в котором хранятся кредитные истории 74-х миллионов россиян), встал вопрос построения математической модели, предсказывающей убыточность на основе данных из кредитных историй – страхового скоринга.
Такую зависимость уже достаточно давно обнаружили и активно используют страховщики разных стран. В России о такой корреляции знали и раньше, но до 2014 года на практике использовать не могли: закон «О кредитных историях» не позволял предоставлять кредитную историю не кредиторам. Практически сразу же после вступления в силу поправок начались работы по формализации упомянутой зависимости. В работе приняли участие эксперты НБКИ, актуарии крупнейших страховых компаний и специалисты FICO – автора самого популярного и эффективного страхового скоринга в мире.
К середине 2015 года было обработано более 5 миллионов страховых полисов и совпадение с базой кредитных историй составило порядка 80%. Рассчитанный на базе кредитных историй страховой скоринг, также как и в розничном кредитовании, учитывает качество обслуживания кредитных обязательств, типы кредитов и историю пользования заемными средствами. Для простоты использования НБКИ и FICO сохранили шкалу скоринговой модели – от 350 до 850 баллов. При этом низкий балл означает высокий риск убыточности полиса, а высокий балл — наоборот.
Результаты тестирования модели на реальных полисах в автостраховании оказались сопоставимы с кредитным скорингом: КАСКО, для которых модель рассчитывала низкий скоринговый балл (менее 625) оказались на 20% убыточнее полисов с высоким баллом (более 725). Этот результат был подтвержден как для московских полисов, так и для региональных. Еще более наглядные результаты были получены при анализе убыточности от конкретных страховых событий. Например, по ущербу от угона автомобилей убыточность полисов в низких диапазонах скоринга в 5 раз выше, чем для верхнего диапазона. Очевидно, что это связано с тем, что страховой скоринг НБКИ смог выявить недобросовестных граждан, которым банки уже перестали давать в долг из-за их плохой платежной дисциплины и высокой закредитованности, и они пошли в страховые компании, надеясь с помощью страховых выплат и обмана решить свои финансовые проблемы. Другими словами, страховой скоринг НБКИ оказался полезен для предотвращения страхового мошенничества.
И, наконец, успешность проделанной работы в автостраховании позволяет надеяться на то, что и в других видах страхования применимы аналогичные технологии. По мнению НБКИ и крупных страховых компаний, поиск и валидация зависимостей между ответственностью человека и его поведением по большинству страховых продуктов – дело ближайшего будущего.
Страница поддержки не найдена | Поддержка SAS
- Решения
- По отраслям
- Сельское хозяйство
- Банковское дело
- Связь
- Образование
- Здравоохранение
- Страхование
- Науки о жизни
- Производство
- Государственный сектор
- Малый бизнес
Мегаполис
- Все отрасли
- По отраслям
- По технологиям и темам
- Расширенная аналитика
- ИИ и машинное обучение
- Облако
- COVID-19
- Управление данными
- Принятие решений
- Анализ мошенничества и безопасности
- Интернет вещей
- Marketing Analytics
- Open Integration
- Operationalizing Analytics
- Управление рисками
- Все технологии и темы
- По продуктам
- SAS Viya
- SAS Customer Intelligence 360
- SAS Detection & Investigation 9 0003 SAS Model Manager
- SAS Visual Analytics
- SAS Visual Data Mining & Machine Learning
- SAS Visual Forecasting
- Все продукты
- Пробные версии бесплатного программного обеспечения
- По ролям
- Разработчики
- Пользователи
Соискатели
- Партнеры
- Малый и средний бизнес
- Студенты и преподаватели
- Лидеры идей
- Пробные версии бесплатного ПО
- Среды моделирования COVID-19
- Опыт разработчиков SAS
(с открытым исходным кодом) Обработка потока событий SAS в облаке SAS
- Машинное обучение SAS
- SAS Visual Analytics
- SAS Visual Data Mining & Machine Learning
- SAS Visual Statistics
- Все испытания
- Запросить демонстрацию
- Запросить программное обеспечение
- Свяжитесь с представителем отдела продаж SAS Entative
- Точки зрения аналитиков
- Награды компании
- Лидерство компании
- Истории успеха клиентов
- Мыслительное лидерство
- Новости
- Новаторские исследования и разработки
- Новости
- Новости
- Партнерский дизайн
- Службы поддержки мирового класса
- Обучение
- Бесплатное обучение
- Электронное обучение
- Корпоративное обучение
- SAS Academy for Data Science
- Все обучение
- My Training
- Курсы
- Программирование
- 1
- Программирование 2
- SAS Enterprise Guide 1
- SAS Programming for RUsers
- SAS Viya Enablement
- All Courses
- Learning Formats
- e-Learning
- Live Web
Classroom
Classroom eo Tutorials
- Базовый программист
- Продвинутый программист
- Data Scientist
- Статистический бизнес-аналитик
- 3 Preictive Modeler
000 Сертификация
- Для начинающих
- Сертификация
- Скидки
- Предстоящие издания
- Все книги
- По продукту
- Enterprise
- Enterprise
- Enterprise
- Enterprise
- Base SAS
- SAS / STAT
- SAS Studio
- SAS Visual Analytics
- Все продукты
- Обновления программного обеспечения и изменения продуктов
- Программирование
- SAS 9.4 и SAS Viya
- SAS 9.3 и более ранние версии
- Администрирование
- SAS
- SAS 9.4 и более ранние версии
- Установка и настройка
- Центр установки
- Системные требования
- Стороннее программное обеспечение
- Технические документы
- Вся документация
- Поддержка
- Главная страница поддержки
- База знаний
- Замечания по установке
- Замечания по проблемам
- Замечания по использованию
- Поиск по всем примечаниям
- Образцы данных
- Образцы
- Поиск
Все образцы
- Product Security
- Вся база знаний
- Поддержка продуктов
- Base SAS
- SAS Customer Intelligence 360
- SAS Enterprise Guide
- SAS Enterprise Miner
- SASPy
- SAS 9 / ST
- SAS Visua l Аналитика
- Все продукты
- Основные направления
- Безопасность продукта
- Поддержка по ролям
- Администраторы
- Разработчики
- Программисты
- Студенты
- Новички в SAS
- 000
Службы поддержки Управляйте своими треками
- SAS Download Manager
- SAS Universal Viewer
- Стандартные планы развертывания
- Стандартные планы развертывания
- Стандартные планы развертывания
- SAS Viya
.
Использование коэффициента Джини для оценки эффективности моделей кредитного рейтинга | Идан Шац
Главный недостаток коэффициента Джини проистекает из того факта, что это порядковая метрика, то есть он фиксирует порядок значений, игнорируя расстояние между ними. Эта характеристика коэффициента Джини иногда может скрывать плохие характеристики модели.
При упорядочивании заемщиков на основе оценки, предсказанной обеими моделями, мы получаем тот же столбец «По умолчанию».Это указывает на то, что эти две модели имеют одинаковый коэффициент Джини (0,85).
При сравнении распределений оценок, предсказанных этими двумя моделями, мы получаем следующие диаграммы:
Распределения оценок двух моделей с одинаковым коэффициентом Джини
Обе модели имеют одинаковый коэффициент Джини. Но модель B смогла разделить заемщиков только на три типа: 1, 2 и 3, в то время как модель A смогла охватить все 10 уровней риска. Это говорит о том, что Модель A более чувствительна, чем Модель B, к различным характеристикам заемщиков и может лучше различать разные уровни риска.
Чтобы понять важность описанной выше функции, предположим, что владелец модели A и владелец модели B решают установить оценку, которая будет пороговым значением для утверждения их ссуды. То есть запросы на ссуду от заемщиков с оценкой ниже или равной пороговому значению будут отклонены, а запросы на ссуду от заемщиков с оценкой выше порога будут одобрены. Оба владельца модели изучили результаты своей модели на тестовой выборке и решили использовать в качестве порогового значения оценку, которая соответствует 100% совокупного коэффициента дефолта.Следовательно, владелец модели A устанавливает порог равным 6, а владелец модели B устанавливает свой порог равным 2. Выбрав эти оценки, владельцы модели получили очень разные результаты:
Владелец модели A отклонил 8 «хорошо. »Заемщиков и одобрили 5, в то время как владелец модели B отклонил 12« хороших »заемщиков и утвердил только 1. Порог, установленный владельцем модели A, дает FPR 62%, а порог, установленный владельцем Model B, дает FPR в размере 92%.
Следовательно, неспособность коэффициента Джини уловить эффективность модели при различении различных уровней риска является серьезным недостатком.
Чтобы преодолеть этот недостаток, я рекомендую глазным глазом проверить распределение прогнозов модели, как в Gambacorta, Huang, Qiu, & Wang, 2019 [4], и использовать кривую Precision-Recall для оценки компромисса модели. между захватом «плохих» заемщиков и ошибочным прогнозом дефолта «хороших» заемщиков.
Резюме
- Коэффициент Джини, который используется в финансовой индустрии для оценки качества модели кредитного рейтинга, на самом деле представляет собой D Сомерс, а не показатель неравенства Коррадо Джини.
- Существует три распространенных метода получения коэффициента Джини:
- Извлечь коэффициент Джини из кривой CAP.
- Постройте кривую Лоренца, извлеките меру Коррадо Джини, затем выведите коэффициент Джини.
- Постройте кривую ROC, чтобы извлечь AUC, а затем выведите коэффициент Джини.
- Распространенная ошибка при вычислении коэффициента Джини — идентичные оценки.
- Главный недостаток коэффициента Джини заключается в том, что он не отражает чувствительность модели к различным уровням риска.
Ссылки
[1] Gini, C. (1914). Перепечатано: Об измерении концентрации и изменчивости характеров (2005). Metron, LXIII (1), 338.
[2] Somers, R. (1962). Новая асимметричная мера ассоциации для порядковых переменных. Американский социологический обзор, 27 (6), 799–811. Получено с www.jstor.org/stable/2090408
[3] Schechtman, E., & Schechtman, G. (2016). Связь между методологией Джини и кривой ROC (Научная статья SSRN No.ID 2739245). Рочестер, штат Нью-Йорк: Сеть исследований в области социальных наук.
[4] Гамбакорта, Л., Хуанг, Ю., Цю, Х., и Ван, Дж. (2019). Как машинное обучение и нетрадиционные данные влияют на кредитный рейтинг? Новое свидетельство китайской финтех-фирмы . Получено с https://www.bis.org/publ/work834.htm
.
Полезные свойства кривых ROC, оценки AUC и коэффициентов Джини — Lucky’s Notes
Кривые рабочих характеристик приемника (ROC) Значения и AUC часто используются для оценки моделей бинарной классификации в Kaggle и в статьях. Однако долгое время они казались мне довольно не интуитивными и запутанными. В этом сообщении блога я объясню некоторые основные свойства кривых ROC, которые полезно знать для соревнований Kaggle, и то, как вы должны их интерпретировать.
Вверху: Пример кривой ROC
Во-первых, определения.Кривая ROC отображает производительность двоичного классификатора при различных настройках пороговых значений; это измеряется показателем истинных положительных и ложных положительных результатов. Если ваш классификатор чаще предсказывает «истинно», он будет иметь больше истинных положительных результатов (хорошо), но также и больше ложных срабатываний (плохо). Если ваш классификатор более консервативен и реже предсказывает «истинный», он будет иметь меньше ложных срабатываний, но и меньше истинных срабатываний. Кривая ROC является графическим представлением этого компромисса.
Идеальный классификатор имеет 100% истинных положительных результатов и 0% ложных срабатываний, поэтому его кривая ROC проходит через верхний левый угол квадрата.Полностью случайный классификатор (например: предсказание «истинного» с вероятностью p и «ложного» с вероятностью 1-p для всех входных данных) по случайной случайности правильно классифицирует пропорцию p фактических истинных значений и неправильно классифицирует пропорцию p ложных значений, поэтому его истинная и ложноположительная частота равны p . Следовательно, ROC-кривая полностью случайного классификатора представляет собой прямую линию, проходящую через диагональ графика.
AUC (Площадь под кривой) — это площадь, ограниченная кривой ROC.У идеального классификатора AUC = 1, а у полностью случайного классификатора AUC = 0,5. Обычно ваша модель набирает что-то среднее. Диапазон возможных значений AUC составляет [0, 1]. Однако, если ваш AUC ниже 0,5, это означает, что вы можете инвертировать все выходные данные своего классификатора и получить более высокий балл, поэтому вы сделали что-то не так.
Коэффициент Джини равен 2 * AUC — 1, и его цель — нормализовать AUC, чтобы случайный классификатор получил 0 баллов, а идеальный классификатор — 1.Диапазон возможных значений коэффициента Джини составляет [-1, 1]. Если вы выполните поиск по запросу «коэффициент Джини» в Google, вы найдете тесно связанную с ним концепцию из экономики, которая измеряет неравенство в благосостоянии внутри страны.
Почему нам важна AUC, почему бы просто не набрать процентную точность?
AUC подходит для задач классификации с несбалансированностью классов. Предположим, задача состоит в том, чтобы обнаружить деменцию по речи, а 99% людей не страдают деменцией и только 1% страдают. Затем вы можете отправить классификатор, который всегда выводит «нет деменции», и это обеспечит точность 99%.Казалось бы, ваш классификатор с точностью 99% довольно хорош, хотя на самом деле он совершенно бесполезен. Используя оценку AUC, ваш классификатор получит 0,5 балла.
Во многих задачах классификации стоимость ложного срабатывания отличается от стоимости ложноотрицательного результата. Например, хуже ложно заключить в тюрьму невиновного человека, чем позволить виновному преступнику уйти, поэтому наша система правосудия предполагает, что вы невиновны, пока его вина не будет доказана, а не наоборот. В системе классификации мы будем использовать правило , пороговое значение , где все, что выше определенной вероятности, рассматривается как 1, а все, что ниже, рассматривается как 0.Однако решение о том, где провести черту, требует взвешивания стоимости ложноположительного и ложноотрицательного результата — это зависит от внешних факторов и не имеет ничего общего с проблемой классификации.
Оценка AUC позволяет нам оценивать модели независимо от порога. Вот почему AUC так популярен в Kaggle: он позволяет участникам сосредоточиться на разработке хорошего классификатора, не беспокоясь о выборе порогового значения, и позволить организаторам выбрать порог позже.
(Примечание. Это не совсем так — классификатор иногда может быть лучше при определенных порогах и хуже — при других порогах. Иногда необходимо комбинировать классификаторы, чтобы получить лучший из них для определенного порога. Подробности в документе, ссылка на который конец поста.)
Далее, вот набор полезных свойств, которые нужно знать при работе с кривыми ROC и оценкой AUC.
AUC нельзя напрямую сравнивать с точностью, точностью, отзывчивостью или оценкой F1. Если ваша модель достигает 0,65 AUC, неверно интерпретировать это как «точность 65%». Причина в том, что AUC существует независимо от порога и невосприимчив к дисбалансу классов, тогда как точность / точность / отзывчивость / оценка F1 требуют выбора порогового значения, поэтому вы измеряете две разные вещи.
Только относительный порядок имеет значение для оценки AUC. При вычислении ROC AUC мы прогнозируем вероятность для каждой точки данных, сортируем точки по прогнозируемой вероятности и оцениваем, насколько она близка к идеальному порядку точек.Следовательно, AUC инвариантен относительно масштабирования или любого преобразования, которое сохраняет относительный порядок. Например, прогнозирование [0,03, 0,99, 0,05, 0,06] аналогично прогнозированию [0,15, 0,92, 0,89, 0,91], поскольку относительный порядок для 4 элементов одинаков в обоих случаях.
Следствием этого является то, что мы не можем рассматривать результаты модели, оптимизированной для AUC, как вероятность того, что это правда. Некоторые модели могут быть плохо откалиброваны (например: его выход всегда находится между 0,3 и 0,32), но все же имеют хороший показатель AUC, потому что его относительный порядок правильный.Это то, на что следует обратить внимание при объединении прогнозов разных моделей.
Это мой обзор наиболее важных свойств кривых ROC. Есть еще кое-что, о чем я не говорил, например, как вычислить показатель AUC. Если вы хотите узнать больше, я бы порекомендовал прочитать «Введение в анализ ROC» Тома Фосетта.
Нравится:
Нравится Загрузка …
Связанные
.
Полигенных оценок риска: отношение шансов или бета-коэффициент?
Эй,
Отношение шансов (OR) является показателем коэффициента бета. Сам коэффициент бета — это увеличение / уменьшение экспозиции на единицу. Практический пример объяснит это лучше:
моделирование <- data.frame (
условие = фактор (c (rep («A», 100), rep («B», 100)), levels = c («A», «B»)),
ген1 = c (runif (100), runif (100)))
голова (моделирование)
состояние gen1
1 А 0,3607443
2 А 0.3268301
3 А 0,4237005
4 А 0,7621534
5 А 0,1456797
6 А 0,3201094
Обратите внимание, что мы установили в качестве эталонного уровня.
модель <- glm (условие ~ ген1, данные = моделирование, семейство = биномиальное (ссылка = 'логит'))
резюме (модель)
Коэффициенты:
Оценка Std. Ошибка z значение Pr (> | z |)
(Перехват) -0,03767 0,30014 -0,126 0,900
ген1 0,07294 0,51258 0,142 0,887
Здесь коэффициент бета для gene1 по отношению к условию B по сравнению с A равен 0.07294. Итак, gene1 увеличивает экспрессию в условии B (если бы она уменьшилась, коэффициент бета был бы отрицательным). Однако это не является статистически значимым результатом: p = 0,887.
Мы также можем протестировать gene1 с помощью теста Вальда по коэффициенту бета:
требуется (aod)
wald.test (b = coef (модель), Sigma = vcov (модель), Terms = 2)
Тест Вальда:
----------
Тест хи-квадрат:
X2 = 0,02, df = 1, P (> X2) = 0,89
exp (cbind (OR = coef (модель), confint (model, level = 0.95)))
ИЛИ 2,5% 97,5%
(Перехват) 0,9630288 0,5333548 1,737047
ген1 1,0756700 0,3930383 2,949061
Итак, отношение шансов составляет всего 1,1, что, как вы можете сказать, не очень много и отражает лишь небольшое увеличение.
Логарифм ИЛИ - это просто натуральный логарифм ИЛИ. Что касается того, почему мы можем даже захотеть использовать логическое ИЛИ вместо ИЛИ, то, вероятно, есть много причин. Один из них заключается в том, что мы можем вычислить оценку Z из журнала ИЛИ:
ИЛИ <- 1.0756700
нижний CI <- 0,3930383
верхний CI <- 2,949061
logOR <- журнал (OR)
logORlowerCI <- журнал (lowerCI)
logORSE <- (logOR - logORlowerCI) / 1.96
Затем вычислите Z:
logOR / logORSE
[1] 0,1420052
Кевин
.