Actuariaat en data science: toepassingen van machine learning in het actuariaat

26-07-2021

De ontwikkelingen in databeschikbaarheid en technologie zorgen voor een steeds grotere rol van data science methodes in het bedrijfsleven. Vanwege de raakvlakken met het actuariaat zal machine learning ook op dit gebied kansen bieden. De benodigde kwantitatieve basistechnieken zijn relatief eenvoudig voor actuarissen, want zij hebben al ervaring met data-analyse (Plat, 2021). In dit artikel gaan we in op de mogelijke toepassingen van machine learning technieken voor actuariële doeleinden. Machine learning technieken kunnen betere resultaten geven dan bestaande analytische methodes, de hoge beschikbare rekenkracht maakt het mogelijk om steeds complexere modellen en berekeningen uit te voeren in korte tijd. Daarnaast kunnen deze processen door automatisering efficiënter worden ingezet (Grize, Fischer, & Lützelschwab, 2020). Hieronder volgen drie mogelijke toepassingen van machine learning in het actuariaat.

1. Levensverwachting

Levensverwachting is een belangrijk aspect in de pensioen- en verzekeringswereld, levensverwachtingen hebben impact op verplichtingen en waardes van verzekeringsproducten zoals pensioenen. Om sterftecijfers zo accuraat mogelijk te voorspellen worden er verschillende stochastische modellen gebruikt. Om de geschiktheid van deze modellen te analyseren kan er gebruik gemaakt worden van machine learning technieken. Machine learning technieken kunnen actuarissen dus iets vertellen over de kwaliteit van bestaande methodes. Deprez, Shevchenko, & Wüthrich (2017) laten zien hoe een zogenaamde 'regression tree boosting machine' toegepast kan worden om het veelgebruikte Lee-Carter model te verbeteren op basis van individuele karakterkenmerken. Het laat het de sterktes en zwaktes van dit model zien. In het bijzonder laten zij zien dat de toepassing van deze techniek een betere fit geeft in het geval van afzonderlijke gebeurtenissen, waaronder epidemieën. Machine learning kan modellen dus beter aan laten sluiten op de realiteit.

2. Reservehoogtes

Machine learning kan ook worden toegepast om de hoogte van reserves voor verzekeraars te bepalen. De huidige parametrische methodes gaan uit van aannames welke tot onnauwkeurige resultaten kunnen leiden en worden daarnaast toegepast op geaggregeerde data waardoor individuele data verloren gaat. Baudry & Robert (2019) stellen om deze redenen een flexibel en non-parametrisch model voor dat gebruikt maakt van het zogenaamde ExtraTrees algoritme. In een case study over een Nederlands verzekeringsportfolio blijkt dat dit model een goede raming geeft van de aan te houden reserves. De standaarddeviatie is veel kleiner vergeleken met de veelgebruikte 'chain ladder' methode en dit model past zich sneller aan aan ontwikkelingen in claims. In dit geval geval geeft machine learning dus een meer flexibel en accuraat alternatief voor aan verzekeraars.

3. Productwaardering

Ook in de waardering van verzekeringsproducten kent machine learning toepassingen. Zo kan het gebruikt worden voor het voorspellen van risicopremies, risico's en hun frequenties. Waar op dit moment vooral 'generalized linear models' gebruikt voor het voorspellen van claimgroottes, stellen Yi Yang, Wei Qian, & Hui Zou (2016) voor deze te integreren met een 'gradient boosting' algoritme. Dit model geeft in meerdere case simulaties accuratere voorspellingen dan de methode zonder geïntegreerde machine learning techniek. Ook voor waarderingsdoeleinden kan machine learning dus een goed alternatief bieden voor oude methodes.

Voordat de genoemde methodes gebruikt kunnen worden moet er meer onderzoek worden gedaan naar de toepasbaarheid in de praktijk. Machine learning methodes zijn minder transparant dan traditionele rekenmethodes wat de interpretatie van deze methodes lastig maakt. Ook regulering voor de gebruikte methodes in deze sector is vaak streng, wat de integratie van nieuwe machine learning methodes kan bemoeilijken. Desalniettemin zijn met groeiende rol van big data en digitale technologie de vooruitzichten voor machine learning niet slecht, het ligt voor de hand dat machine learning in de nabije toekomst een significante rol gaat spelen in het actuariaat. De actuaris doet er goed aan om zich hier al op voor te bereiden.

Bram Wetzels, consultant bij Adaptif, heeft met meerdere projecten bij pensioenuitvoerders en verzekeraars ervaring binnen het actuariaat. Hij vertelt over het belang van een continue ontwikkeling binnen een bedrijf, de grootste uitdagingen binnen transitieprojecten en hoe je deze het beste aan kan pakken.

Wat is het belang van een continue ontwikkeling van gebruikte methoden en processen binnen een bedrijf?

"Harde euro's. Uit elke procesverbetering of model met accurater resultaat kan uiteindelijk een kostenvermindering vloeien. Hoe lager de kosten, hoe hoger de winst. Dat zie je ook terug bij de drie bovengenoemde methodes, deze zijn er allemaal op gericht om accuratere voorspellingen te maken. Met deze verbeterde resultaten kan een bedrijf een beter product aanbieden tegen een lagere prijs, en daarmee haar marktpositie verbeteren."

Wat zijn de grootste uitdagingen bij transitieprojecten?

"Het begint bij het technische aspect dat volledig uitgewerkt moet worden. Bij actuariële en dataprojecten heb je te maken met een veelvoud aan data die geïnterpreteerd moet worden. Er moeten nieuwe modellen en algoritmes gebouwd, getest en geoptimaliseerd worden zodat deze goed werken. Hierbij is de menselijke component erg belangrijk. Wanneer mensen bepaalde dingen 'altijd zo gedaan hebben' en ervan overtuigd zijn dat hun manier de enige manier is, is het erg belangrijk om hen mee te nemen in het proces. Je moet heel transparant te werk gaan en mensen meenemen in de methoden die je gebruikt om acceptatie binnen de organisatie te realiseren."

Hou kun je transitieprojecten dan het beste aanpakken?

"Je moet aandacht hebben voor alle facetten in het proces en goed inzicht krijgen in wat er speelt binnen een bedrijf. Het verschilt of de transitie voortkomt uit een probleem op de werkvloer, of dat de opdracht wordt gegeven van bovenaf als gevolg van nieuw beleid of wetgeving. In het eerste geval zullen werknemers veel meer geneigd zijn om mee te werken aan een oplossing, deze zal dan makkelijker geaccepteerd worden door management. In het tweede geval is acceptatie veel lastiger. Hier komt het menselijke aspect veel meer terug. Over het algemeen zijn mensen bang voor vernieuwing of zien dit misschien wel als dreiging voor hun baan. Het is daarom ontzettend belangrijk om werknemers mee te nemen in alles wat de vernieuwing met zich meebrengt en ze een horizon te bieden. Vernieuwing hoeft voor werknemers niet slecht te zijn."

Wat is de belangrijkste toegevoegde waarde die wij als L&vS groep kunnen bieden in dit type project?

"Het stukje verandermanagement. Als projectbegeleider houden wij niet alleen de technische ontwikkeling nauw in de gaten, maar nemen wij hier ook de menselijke kant van de ontwikkelingen in mee. Door zowel werknemer als werkgever te overtuigen dat nieuwe systemen werken zorgen wij ervoor dat ook na de transitie een vernieuwing succesvol blijft."

Wilt u meer weten?

Neem dan contact op met Steyn Oversteegen! Hij vertelt u graag meer over de toepassingen van machine learning in het actuariaat.

Bronnen

Baudry, M., & Robert, C. (2019). A machine learning approach for individual claims reserving in insurance. Appl Stochastic Models Bus Ind.(35), 1127-1155. doi:https://doi.org/10.1002/asmb.2455

Deprez, P., Shevchenko, P., & Wüthrich, M. (2017). Machine learning techniques for mortaliy modeling. Eur. Actuar. J(7), 337-352. doi:https://doi.org/10.1007/s13385-017-0152-4

Grize, Y.-L., Fischer, W., & Lützelschwab, C. (2020). Machine learning applications in nonlife insurance. Appl Stochastic Models Bus Ind.(36), 523-537. doi:https://doi.org/10.1002/asmb.2543

Plat, R. (2021). De actuaris en data science: status. De Actuaris, pp. 32-33.

Yi Yang, Wei Qian, & Hui Zou. (2016). Insurance Premium Prediction via Gradient Tree-Boosted Tweedie Compound Poisson Models. Journal of Business & Economic Statistics, 36(3), 456-470. doi: https://dx.doi.org/10.1080/07350015.2016.1200981