DataRobot para Seguradoras

Com o DataRobot para precificação utilizando o machine learning, uma grande seguradora de automóveis no Reino Unido substituiu um modelo gradient boosting por um modelo linear generalizado (MLG) em uma de suas linhas de negócios. Como resultado, a seguradora reduziu sua taxa de sinistralidade, melhorou seu índice combinado, aumentou seus índices de retenção e reduziu seus custos de aquisição. Essas melhorias resultaram em uma economia de $8 milhões. A capacidade do DataRobot de executar algoritmos lineares e não lineares simultaneamente ajuda na precificação precisa e específica ao risco, o que reduz vulnerabilidade à aceitação adversa.

O uso da IA em ciências atuariais — para gestão de preço de renovação — também pode ajudar você a reter clientes. As seguradoras perdem dinheiro quando bons clientes não renovam suas apólices. Com o uso do DataRobot, uma grande seguradora europeia incorporou o risco de “churn” no seu preço de renovação, resultando em redução nos cancelamentos e não renovações, melhora na taxa de sinistralidade e 24% de redução nos custos variáveis. Ao todo, a empresa estima o montante a €12,5 milhões por ano.

Uma grande operadora de seguros P&C dos Estados Unidos usou o DataRobot para criar um modelo para utilizar machine learning em ciências atuariais — para prever a probabilidade de um pedido de indenização trabalhista resultar em disputa judicial. Com esses insights disponíveis, as solicitações com pontuação alta para a probabilidade de disputa judicial são encaminhadas para equipe sênior de sinistros para que sejam feitas ofertas antecipadas e atrativas. A empresa estima que evitou 10% de disputas judiciais que teria enfrentado sem o modelo, resultando em uma redução de 25% no custo de pedidos que apresentavam risco e um montante estimado para a empresa de mais de $5 milhões por ano.

O machine learning atual é muito mais eficaz do que regras estáticas para detectar métodos de fraude cada vez mais evoluídos. Num determinado caso, uma grande seguradora de P&C europeia implementou processamentos em lote noturnos de sinistros de veículos em um modelo criado a partir do DataRobot. As solicitações com pontuação alta para fraude foram designadas para uma equipe especializada de investigação de fraudes de sinistros. A empresa estima que aumentou a precisão da sua detecção de fraude em 30%, rendendo um valor maior que $10 milhões.

Oportunidades de sub-rogação são como encontrar dinheiro, mas apenas se você conseguir identificá-las e agir rapidamente. Uma seguradora de automóveis da Europa continental trabalhou com o DataRobot para identificar sinistros com alta probabilidade de recuperação de sub-rogação. Os gerenciadores de sinistros recebem, agora, listas automatizadas de sinistros com metas de sub-rogação. A empresa dobrou seu índice de sub-rogação de 1,4% para 2,8% de sinistros e espera recuperações anuais adicionais de €4-8 milhões por ano.

A plataforma do DataRobot é projetada para que os usuários entendam e expliquem as previsões para os clientes, executivos e órgãos reguladores. Fatores com valor preditivo são claramente identificados e esclarecidos, e os códigos de “explicação da previsão” informam aos usuários por que um requerente recebeu determinado preço, pontuação ou recomendação.

DataRobot oferece o recurso de implantação automática de modelos analíticos, evitando a necessidade de reprogramação. Há várias maneiras dos usuários acessarem a nossa plataforma:

– Operações podem interagir com modelos do DataRobot diretamente a partir do REST API;

– DataRobot pode exportar modelos em Java .jar ;

– DataRobot pode gerar código-fonte de pontuação em Java ou Python;

– DataRobot pode gerar um aplicativo de pontuação com sua própria interface de usuário baseada na web.

A precisão dos modelos “oscila” com novas experiências de perda e subscrição. DataRobot ajuda a manter a precisão do modelo informando automaticamente aos usuários a frequência com que os resultados atuais divergem das previsões demonstradas e quais fatores podem estar causando a divergência.

Esse recurso é fundamental para alertar os usuários sobre a oscilação progressiva antes que seu impacto se manifeste nas demonstrações financeiras e você perca sua vantagem competitiva — ou seu emprego.

Machine learning também ajuda as seguradoras a desenvolver modelos de estimativa de perdas individuais (ILD) — superando as limitações de GLMs tradicionais, analisando e gerenciando o impacto das diferentes variáveis de perda ao longo da vida de um sinistro

O DataRobot trabalha com dados “como estão”, com todos os gaps e limitações geralmente contidas nesses dados. Há diversas aplicações de seguro para machine learning e IA corporativa, e não há necessidade de uma preparação extensiva de dados para você começar a criar modelos de IA. Os resultados do DataRobot ajudarão você a priorizar seus esforços para expandir e refinar seus dados.