合成数据给出了高级定价：通过Thorsten Hein

保险定价是一个复杂的练习。要设定保单的保费价格，保险公司必须评估与要涵盖的人，财产或实体相关的各种风险因素。保险公司不应仅限于自己的内部风险评估；他们应该将自己的数据与市场数据相结合，以了解其竞争对手的定价策略和理由。

不幸的是，该过程并不像将一个数据筒仓添加到另一个数据一样简单。至关重要的是，这两个数据集都是互补的，并且达到了相同的高标准细节，粒度和完整性。

保险公司每天都面对数据滑坡，包括跨在线门户，表格和纸张的政策和风险评估细节。然而，数据的干旱达到了适当的细节和颗粒状水平，以使准确，公平的定价。

这比我们大多数人想想的是基于不完整或不一致的数据，无意间做出不公正的偏见决定要容易得多。

以值得信赖的创新为首的技术通过使用合成数据提出了克服这一问题的激动人心的可能性。

什么是合成数据？

合成数据是通过将采样技术应用于现实世界数据或创建模拟方案来生成的，在该方案中，模型和过程相互作用以创建全新的数据。

通常，我们指的是两种生成合成数据的不同算法：GAN（生成对抗网络）和Smote（合成少数民族过度采样技术）。

GAN是先进的深度学习工具，可生成模仿特定分布的新数据。它们有效地生成与现实世界中数据相似的合成数据。

另一方面，Smote用于创建新数据并增强现有数据集以增强数据丰富度。它为少数族裔班的专门生成了新示例以实现平衡。

那么合成数据如何支持精算定价过程？

平衡价格和竞争

保险定价和保留是关于市场份额和盈利能力。如果您将保险产品的价格提高以变得更加有利可图，这将如何影响您在消费者领域的整体市场份额？

答案不仅取决于保险公司自身的风险评估，还取决于竞争对手的定价和产品策略。

假设保险公司用特定产品有利可图，并将其价格提高10％。如果他们的竞争对手将其价格提高20％，则保险公司将保留其市场份额并提高盈利能力。

自然，如果保险公司知道他们可以在竞争中提高价格20％，并且仍然保持市场份额并进一步提高盈利能力。但是你怎么知道这是否可能？

优化高级定价过程：旧方式

目前，大多数保险公司使用通用线性模型（GLM）计算价格。这些统计模型是保险定价和风险评估的基本工具，最常由精算师和数据科学家在保险行业中使用，以预测索赔的可能性和成本。

这种方法通常使用的所有因素均来自保险公司的内部定价结构。因此，它忽略了其他市场参与者，而运营商正对比赛视而不见。

优化高级定价意味着将保险公司自己的数据与可用的市场数据相结合，然后微调承运人的个人保费与市场保费之间的关系。说起来容易做起来难。

提高损失的价格过多，您也可能会失去盈利的业务。但是，如果竞争对手也遭受损失，并且必须在相同的程度上提高价格，那么价格上涨可能不会使您损失任何业务。

你怎么知道？即使您知道，根据这种见解，您花了多长时间做出正确的决定？

大多数保险公司都有一个收集竞争市场信息的单一部门。他们使用电子表格分析数据，最多可能需要几个月的时间 – 为时已晚，无法为最佳的业务决定提供信息。到承运人做出决定时，频率，损失比和动态发生了变化。简而言之：他们的数据已经过时了。

因此，最终，预测只会基于有限的，不准确的数据，而载人则努力提出正确的定价。

输入合成数据

好消息是可以使用此类外部市场数据。大多数保险公司已经可以通过外部Web服务访问它。

但是，这些数据仍然必须集成到运营商的定价系统中，并与内部数据，KPI和其他信息结合在一起，以发现任何趋势。这些趋势将如何影响您自己的决定？

假设竞争对手提高了价格，因此会失去一些客户。这些客户可能愿意购买您的产品。但是，如果竞争对手的价格上涨是由这些客户造成的很大损失所驱动的，那么向他们出售您的服务将意味着增加许多无利可图的客户，从而降低您自己的损失率。

您将需要警告这种动态，以便在这些客户敲门时不会做出错误的决定。这意味着您需要结合有关市场趋势，有关市场趋势的竞争信息以及您自己的定价系统的数据的信息。而且您需要快速执行此操作，并快速获得结果。

我们从一些保险公司那里听说，这一过程可能需要六个月的时间。即使这些是极端情况，与之接近的任何事情都太长了。

那么该过程如何加速呢？

借助综合数据，您可以在分析所需的详细信息级别增强数据集。复杂的AI技术可以提供分析市场数据所需的模型，根据市场趋势计算预测，并将数据与您自己的内部数据匹配，以改善您自己的精算过程。

采用这种近实时的决策方法，您可以及时获得警报和触发器，以比竞争对手更快地调整定价方法。

结论

合成数据可以帮助保险公司克服不完整或过时的信息，并做出更快，更准确的高级定价决定。通过将市场见解与内部数据相结合，运营商可以预期竞争对手的举动，优化盈利能力并保持市场份额，从而在竞争环境中获得优势 – 或至少允许他们保持良好状态。