fallstudie: prädiktives underwriting - swiss re206a62af-83f0-4cbb-9c2e... · 2021. 2. 2. ·...
Post on 09-Mar-2021
4 Views
Preview:
TRANSCRIPT
Fallstudie: Prädiktives Underwriting
Swiss Re Life & Health Forum 2019
30. Oktober 2019Daniel Thyssen
Life & Health Forum 2019 | CGD Rüschlikon | Oktober 2019 2
Wearables – What For?
Biomedical data in the insurance chain
TEMPLATE
IMAGERY
Neue DatenquellenNeue Geschäftsmodelle basierend auf
biometrischen oder anderen neuerschlossenen Datenbringen Versicherern, Versicherten und Patienten direkte Vorteile
Engagement & Retention
Underwriting
Bestand
Vision: Kundentreue erhöhen. Kündigungen vorhersagen und mit gezielten Anreizen reagieren.
Schritt: Wirkung von Wellness-Programmen auf Kundentreue analysieren, Auslöser identifizieren.
Schaden
Vision: Schnellere, bessere und kostengünstigere Risikoeinschätzung dank Fitness-Daten
Schritt: Prototypen prädiktiver Modelle für die Risikozeichnung basierend auf Fitnessdaten
Vision: Dynamische Lebensversicherungen und individuelles Gesundheitsmanagement
Schritt: Medizinische Wearables verbessern und die Entwicklung chronischer Krankheiten analysieren
Vision: Warnsignale aus den biometrischen Daten ermöglichen frühzeitige und gezielte Intervention
Schritt: Sensoren verbessern sowie Engagement-Strategien und Geschäftsmodelle anpassen
2. Prio
1. Prio
Später
Später
Fitness-Qualität: Projekt mit einem grossen EMEA-Kunden
Life & Health Forum 2019 | CGD Rüschlikon | Oktober 2019
Die Modelle bilden Schlüssel-parameter der Versicherten ab…
3
Underwriting
Bestand
Fitnessprogramm
… und erreichen gute Präzision
Alter
90%+Trefferquote der Storno-Vorhersage2
Mitgliedsdauer
Beruf
Prämien
Einkommen
Prämienrabatte
Risikoklasse
Verkaufskanal
Bildung
Mitgliedsdauer
Schritte
Mitglieds-Status
Gym-Mitgliedschaft
Schäden
Health Score
Breit abgestützte Versicherten-Daten…
… interpretiert mit Gradient Boosted Trees (ML1)-Modell
1. Machine Learning 2. Recall 0.2; Stornos im nächsten Jahr 3. Recall 0.26; Risikoklasse (Prämienaufschlag)
95%+Trefferquote der UW-Vorhersage3
Die Resultate variieren mit den Modellparametern sowie Präferenz für Precision oder Recall
Fallstudie
Life & Health Forum 2019 | CGD Rüschlikon | Oktober 2019 4
Prädiktives UW kann ein wertvolles Werkzeug für einenschlanken Entscheidungsprozess sein
VerkaufPreiskalkulation & Underwriting
Risiko-Management
Bestand / Fitnessprogramm
• Gezielte Produkt-angebote auf Basis projizierter UW-Entscheidungen
• Anreize auf Risiko-faktoren mit hoher Vorhersagekraft abstimmen (z.B. BMI, Aktivität)
• Verbesserte Schaden-vorhersagen und Reservierung basierend auf UW-Wissen
Vorhersage der Risiko-Klassifizierung für (von Magnum eskalierte) Anträge
Bevorzugte Bearbeitung von Standard-Risiken
Vor-Entscheidungen bestätigen oder überprüfen(~96% Genauigkeit)
Das Modell nachtrainieren, um höher automatisierenzu können
Akzeptiert
Mehr Tests benötigt
Beispiel
Fallstudie
• Vorbereitete UW-Entscheidungenbeschleunigen den UW-Prozess
Life & Health Forum 2019 | CGD Rüschlikon | Oktober 2019
Die Gesundheits-Faktoren BMI, Alter und Cholesterin sind die stärksten Prädiktoren für die UW-Entscheidung
1. BMI ist klar der beste Prädiktor für UW
2. Andere Gesundheits- und demographische Faktoren (z.B. Alter, Cholesterin, Einkommen) vereinigen wie erwartet die grösste Vorhersagekraft auf sich
3. Fitnessprogramm-Aktivität (Schritte, Fitnesscenter) ergänzen die Vorhersagekraft des Modells
Modell-Highlights
Wichtigkeit der Features
Fallstudie
5
Life & Health Forum 2019 | CGD Rüschlikon | Oktober 2019
BMI korreliert stark mit höherem Risiko. Lücken in den Versichertendaten werden sichtbar.
Das Modell sagt vorher, dass Personen ohne BMI-Daten (Wert “0“) ein höheres Risiko
darstellen als aktuell klassifiziert…
Anteil von Substandard-Risiken nach BMI (%)
Tatsächliche % Substandard
Vorhergesagte % Substandard
… dasselbe gilt für Personen mit sehr hohem BMI (50+)
100% der Personen mit BMI 60+ warden als ‘Standard’ klassifiziert? Datenlücke vermutet
Fallstudie
6
Life & Health Forum 2019 | CGD Rüschlikon | Oktober 2019 7
Cholesterin und Blutdruck zeigen ein ähnliches Muster wie BMI
Substandard-Risiko steigt mit dem Cholesterinspiegel, fällt aber am Ende ab
Cholesterin: Anteil der Substandard-Risiken (%)
Systolischer Blutdruck: Anteil der Substandard-Risiken (%)
Ähnlich beim Blutdruck, allerdings sagt das Modell den Einbruch bei 175 nicht voraus
Tatsächliche % Substandard
Vorhergesagte % Substandard
Fallstudie
Life & Health Forum 2019 | CGD Rüschlikon | Oktober 2019 8
Prädiktives Storno-Modell ermöglicht einen schlankeren Betrieb
• Kunden mit höherer erwarteter Treue identifizieren
• Kunden mit hoher Storno-Wahrscheinlichkeit identifizieren und gezielt ansprechen
• Veränderungen in der Stornohäufigkeit vorhersagen und Reserven anpassen
Kunden mit höchster Storno-Wahrscheinlichkeit identifizieren
Kunden gezielt ansprechen, z.B. mit besonderen Angeboten
Modell basierend auf den Erfahrungen justieren
Das Modell nachtrainieren, um die Trefferquote weiterzu erhöhen
Take 10K daily steps next week and get an automatic Tier Status upgrade! Retained
Lapsed
Fallstudie – übrigens…
VerkaufPreiskalkulation & Underwriting
Risiko-Management
Bestand / Fitnessprogramm
• Preisannahmenvalidieren/anpassen aufgrund der modellierten Schadenerfahrung
Beispiel
Life & Health Forum 2019 | CGD Rüschlikon | Oktober 2019 9
Dauer der Kundenbeziehung, Prämienrabatt und Einkommen sind die stärksten Prädiktoren für Kundentreue
1. Programm-Mitgliedschaft ist das einflussreichste Feature
2. Prämie (z.B. discount, amount), Policenalter und Einkommen sind ebenfalls starke Prädiktoren
3. Fitness-Faktoren (score, steps, usw.) sind schwächere, aber immer noch signifikante Signale
Light Gradient Boosting Machine Model – Wichtigkeit der Features1
1. Feature-Wichtigkeit berechnet mittels LightGBM (v. 2.1.1)
Modell-HighlightsPROGRAM_DURATION_DAYS
PROGRAM_DURATION_MTHS
DAYS_ACTIVE
Fallstudie
Life & Health Forum 2019 | CGD Rüschlikon | Oktober 2019 10
Deskriptives Modell für die Schaden-Analytik verbessert das Verständnis der Bestandsentwicklung
• gezielte Produkt-Angebote basierend auf dem Schadenmodell
• Preisannahmenvalidieren/anpassen aufgrund der modellierten Schadenerfahrung
• Kunden mit erhöhtem Risiko identifizieren und gezielte Intervention anbieten
Kunden mit guter Schadenerwartung
Differenzierte, präzisierte Preisofferten
Bessere Gesundheit danke gezielter Unterstützung
Wiederholtes Lernen verbessert das Modell
Beispiel
VerkaufPreiskalkulation & Underwriting
Risiko-Management
Bestand / Fitnessprogramm
• Verbesserte Schaden-vorhersagen und Reservierung basierend auf UW-Wissen
Fallstudie – übrigens…
Life & Health Forum 2019 | CGD Rüschlikon | Oktober 2019 12
Zusammenfassende Einschätzung: Breite Anwendbarkeit von Daten aus Fitnessprogrammen
Quantifizierung der Korrelation von Fitness- und Digital Engagement-Daten mit…
laufenden Schadenkosten Storno-Verhalten Risiko-Klassifizierung
Fallstudie
Life & Health Forum 2019 | CGD Rüschlikon | Oktober 2019 13
Life & Health Forum 2019 | CGD Rüschlikon | Oktober 2019
Legal notice
14
©2019 Swiss Re. All rights reserved. You are not permitted to create any modifications or derivative works of this presentation or to use it for commercial or other public purposes without the prior written permission of Swiss Re.
The information and opinions contained in the presentation are provided as at the date of the presentation and are subject to change without notice. Although the information used was taken from reliable sources, Swiss Re does not accept any responsibility for the accuracy or comprehensiveness of the details given. All liability for the accuracy and completeness thereof or for any damage or loss resulting from the use of the information contained in this presentation is expressly excluded. Under no circumstances shall Swiss Re or its Group companies be liable for any financial or consequential loss relating to this presentation.
top related