Predikce počtu asistenčních případů na základě vývoje pojistného kmene

Jakub Fiala

Diplomová práce

Prediction of the number of assistance cases based on the development of the insurance portfolio

Anotace:

Práce se zabývá predikcí počtu asistenčních případů v rámci cestovního pojištění za použití několika modelů strojového učení a jejich komparací. Dále se práce zaměřuje na odhad externích nákladů souvisejících s asistenčními případy. V práci je odhadnuto několik modelů pro predikci počtu asistenčních spisů, a to konkrétně baseline model využívající průměrný počet případů v identifikovaných segmentech. Dále byl odhadnut zobecněný lineární model, který je běžnou metodikou využívanou v pojišťovnictví pro predikci škod. Dále je odhadnut XGBOOST model strojového učení. Pro určení výše externích nákladů neboli severity škod byly využity průměrné náklady v jednotlivých segmentech asistenčních případů. Komparací evaluačních metrik RMSE, MSE a MAE byl jako nejvhodnější model poskytující nejlepší predikce počtu asistenčních případů identifikovaný model využívající metodiku GLM. Nejlepších výsledků dosáhl model, do kterého jako vysvětlující proměnné vstupují distribuční kanál, věková skupina pojištěných, délka pojištění a roční období. Tento model je dále využíván pro odhadnutí severity škod a celkových externích nákladů.

Abstract:

The thesis deals with the prediction of the number of assistance cases in travel insurance using several machine learning models and their comparison. Furthermore, the work focuses on the estimation of external costs related to assistance cases. Several models for predicting the number of assistance cases are estimated in the thesis, namely a basic model using the average number of cases in the identified segments. Furthermore, a Generalized Linear Model was estimated, which is a common methodology used in the insurance industry to predict number of claims. Last but not least XGBOOST machine learning model is estimated. Average costs in individual segments of assistance cases were used to determine the amount of external costs or the severity of damages. By comparing the evaluation metrics RMSE, MSE and MAE, the model using the GLM methodology was identified as the most appropriate model providing the best predictions of the number of assistance cases. The best results were achieved by the model in which the distribution channel, the age group of the insured, the length of the insurance and the season enter as explanatory variables. This model is further used to estimate claims severity and total external costs.

Klíčová slova

Strojové učení, Prediktivní modelování, Pojišťovnictví, Asistenční služby

Keywords

Machine learning, Predictive modelling, Insurance, Assistance services

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 31. 3. 2023

Obhajoba závěrečné práce

• Obhajoba proběhla 19. 5. 2023
• Vedoucí: Pavel Zimmermann
• Oponent: Filip Habarta

Vysoká škola ekonomická v Praze

Magisterský studijní program:
Data & Analytics for Business Management