실제 예시 2 : 보험가입심사

보험 개요

 

생명 보험 : 출생, 사망 , 불의의 사고로 인한 경제적 손실 보전

(거의 사망,종신, 정기 , 연금) (손해와 겹치기도 함) ex-> 상해,질병,간병(제3보험)

손해 보험 : 우연한 사건으로 인해 발생하는 재산상의 손해를 보상해주는 제도 

(화재, 해상 , 자동차 등등 보험)

화재 보험 : 우연한 화재 사고로 입은 재산상 손해 보상

 

판매 채널(영업채널)

대면, ga(대리점), Tm(전화),dm(다이랙트),BM(대리점의 변화, 은행 창고에서도 판매 )

 

보험료? 보험계약자가 보험회사에 납부하는 보험요금.

보험금 ? 보험회사가 보험제약자에게 지급하는 보험지급금. 

계약자는 , 보험계약을 체결하고, 보험료의 지급할 의무

피보험자 = 돈을 받으며, 보험에 가입된 생명과 신체의 소유자

수익자 = 보험금을 지급받는 사람

 

계약체결과정 ->

 대체로는 보험계약자가 청약서를 작성 (최근에는 청약과 계약이 동시에 발생) 보험 설계사, 대리점 제출

보험 회사에서 승낙을 하고, 그 이후 보험증권을 교부

예전에는 보험증권이 계약 체결의 의미 + 보험회사는 주식을 발행하는 것 처럼, 연말이 되면 보험증권으로 사용 가능.

이를 유배당 보험상품이라고 한다. 

 

언더라이팅 -> 계약심사. 

보험회사의 위험평가 체계화 된 기법 <심사하는 업무 자체를 언더라이팅이라고 간단하게 할 수 있다>
넓은 개녕므론, 계약인수, 처리, 손해사정 , 보험금 지금같은 모든 과정을 의미한다.

전문적인 언더라이터도 있다.

 

보험 가입자 : 미래 위험이 발생할 수있는 보험가입자.

손해발생 : 보험료보다 보험금이 더 많다면, 보험사에서 위협이 된다. 이가 위험률

역선택: 발생이 되면 안된다.(위험률을 증가시킨다) -> 고의적인 사고를 내거나, 사고가 날 것을 알면서 가입하는것

 

인공지능이 어디에서 사용되는가 ?

언더라이팅 과정에서 비용 절감(인건비), 그 과정에서 신속화 , 정확도향상, 역선택 탐지 

 

EX) 데이터 수집 : 사전 질문서, 고객 연령, 직업, 보험 가입이력

데이터 전처리 : 비정형 텍스트 , 과거 심사정보, 보험 가입이력 등등이 있다 이를 벡터화 

그 이후 표준 미달 가능성, 승인 거절 가능성 

자동 심사 결과 영향도 분석 -> 설명력을 가진다. ai로 결과가 나오면, 그 설명력이 굉장히 중요

 

기획 -> 어떤 데이터셋을 쓸거고, 어떻게 수집할 것이냐(내부,외부 데이터중 무엇)

데이터 예제에는 계약자정보,피보험자정보,보험기간,모집인수 , 심사점수 등등. 

 

 

기술 스펙

저장을 위한, data분석용, 프로그래밍언어.프레임워크.데이터 시각화 등등. 

 

한계

1 . 프로파일링 대응권 . 

 소비자의 거절된 결과 , 언더라이팅 결과등에 설명을 요구, 이의 제기 

 

2. 해석과 한계

black box model의 한계를 통해, 이를 설명하기가 굉장히 어렵다 . 

+이는, 딥러닝의 사용을 기피하게끔 만드는 결과 . 

머신러닝은 통계 기반이기때문에, 좀 더 설명하기가 유리하다. 

(그럼에도 한계 있음)

 

3. 동의 데이터 -> 고객이 동의까지한, 정답 데이터 Y가 너무 부족하다.