Применение кластерного анализа в обязательном страховании гражданско-правовой ответственности владельцев транспортных средств
DOI:
https://doi.org/10.26577/JMMCS-2019-2-28Ключевые слова:
кластерный анализ, машинное обучение без учителя, k-means algorithm, страхование, андеррайтинговый анализАннотация
С ростом потока обрабатываемой и хранимой информации в страховых организациях
в Казахстане, связанных, в том числе, с наращиванием клиентской базы, процессами
слияний и поглощений и внедрением новым страховых продуктов, растет актуальность
проблем предварительной обработки информации для ее структурирования, выделения
характерных признаков, обобщения и сортировки. Без соответствующего научного и
методологического подхода процесс обработки и анализа данных будет становится все
более затруднительным для страховых организаций, и может потребоваться использование
значительных информационно-вычислительных и финансовых ресурсов. В настоящей статье
в качестве современного научно-исследовательского подхода к решению данной проблемы
предлагается использовать процедуру кластерного анализа k-means algorithm, позволяющую
упростить обработку и дальнейший анализ массивов данных путем упорядочивания данных
в сравнительно однородные группы. В частности, в статье описывается процесс применения
кластерного анализа k-means algorithm к данным по убыткам по классу обязательного
страхования гражданско-правовой ответственности владельцев транспортных средств. Цель
статьи состоит в том, чтобы разделить убытки по данному классу страхования на однородные
качественные группы (кластеры) на базе частоты и тяжести убытков и интерпретировать
полученные кластеры. Результаты k-means algorithm свидетельствуют о том, что в каждом
из выделенных кластеров находятся статистически значимые данные со схожим влиянием
на процесс убытков, которые могут быть использованы в дальнейшем для оценки убытков
страховой организации. Методологические подходы и результаты, полученные в статье, будут прежде всего интересны участникам страхового рынка Республики Казахстан для проведения более
качественного андеррайтингового исследования по формированию эффективной структуры
страхового портфеля по обязательному страхованию гражданско-правовой ответственности
владельцев транспортных средств в соответствии с тарифными ставками.
Библиографические ссылки
[2] "Current state of the insurance sector of the Republic of Kazakhstan National Bank of Kazakhstan, accessed May 15, 2019, https://nationalbank.kz/cont/%D0%A2%D0%A1%2001.04.2019%20eng.pdf.
[3] Resolution of Board of the Agency of the Republic of Kazakhstan on regulation and supervision of the financial market and the financial organizations, March 25, 2006, No. 85.
[4] Resolution of Board of National Bank of the Republic of Kazakhstan, December 26, 2016, No. 304.
[5] "Big Data v Kazahstne: O krupnom zakazchike, kadrah i perspektivah"[Big Data in Kazakhstan: On a large customer, personnel and prospects], accessed May 15, 2019, https://kapital.kz/tehnology/71257/big-data-v-kazahstane-o-krupnomzakazchike-kadrah-i-perspektivah.html.
[6] Cherezov D.S., Tyukachev N.А., "Obzor osnovnyh metodov klassifikacii i klasterizacii dannyh [Overview of basic data classification and clustering methods]" , The Bulletin of Voronezh State University 2 (2009): 27.
[7] Atapina N.V., "Upravlenie processom anderrajtinga v imushestvennom strahovanii [Property Insurance Underwriting Management]" , Molodoj uchenyj 1 (2011): 84-87.
[8] Octaviani D, "Portfolio rule-based clustering at automobile insurance in Portugal" , Internship report presented as partial requirement for obtaining the Master’s degree in statistics and information management proposal, NOVA Information Management School (2016).
[9] Berry M.J.A. and Linoff G.S., Data Mining Techniques: for Marketing, Sales and Customer Relationship Management (United States of America: Wiley Publishing, 2014), 1150.
[10] Kaufman L. and Rousseeuw P.J., Finding groups in data: an introduction to cluster analysis (United States of America: Wiley-Interscience, 2009), 3.
[11] Brito P.Q., Soares C., Almeida S., Monte A. and Byvoet M., "Customer segmentation in a large Data base of an Online customized fashion business" , Robotics and Computer-Integrated Manufacturing 36 (2015): 93-100.
[12] Hasan M.S. and Duan Z.H., "Hierarchical k-means: a hybrid clustering algorithm and its application to study gene expression in lung adenocarcinoma" , Emerging trends in computational biology, bioinformatics and systems biology (2015): 51-67. Accessed May 10, 2019. doi:10.1016/B978-0-12-802508-6.00004-1.
[13] Han J. and Kamber M., Data mining concepts and techniques (United States of America: Morgan Kaufmann Publishers, 2012), 600-703.
[14] He Z., Xu X., Huang J.Z. and Deng S., "Mining class outliers: сoncepts, algorithms and applications in CRM", Expert Systems with Applications 27 (2004): 681-697.
[15] Ali Ghorbani and Sara F., "Fraud detection in automobile insurance using a data mining based approach" , International Journal of Mechatronics, Electrical and Computer Technology (IJMEC) 8(27) (2018): 3764-3771.
[16] Yi P., Gang K., Alan S., Zhengxin C., Deepak K., Yong S. and Peter K., "Application of clustering methods to health insurance fraud detection"paper presented in the International conference on service systems and service management, Troyes, France (2006).
[17] Thakur S.S. and Sing J.K., "Mining Customer’s Data for Vehicle Insurance Prediction System using k-Means Clustering-An Application" , International Journal of Computer Applications in Engineering Sciences 3(4) (2013): 148-153.
[18] Kaveh K-D., Farshid A. and Shaghayegh A., "Insurance customer segmentation using clustering approach" , International Journal of Knowledge Engineering and Data Mining (2016). Accessed May 09, 2019. doi:10.1504/IJKEDM.2016.082072.
[19] Ai C.Y., Kate A.S., Robert J.W. and Malcolm B., "Clustering technique for risk classification and prediction of claim costs in the automobile insurance industry" , Intelligent systems in accounting, finance and management 10 (1) (2001): 39-50.
[20] Everitt B.S., Landau S. and Leese M., Cluster Analysis (London: Arnold, 2001): 260.
[21] Mirkin B., "Choosing the number of clusters" , WIRE Data Mining and Knowledge Discovery 3 (2011): 252-260.
[22] Romesburg C.H., Cluster Analysis for Researchers (North Carolina: Lifetime Learning Applications, Belmont, Ca. Reproduced by Lulu Press, 2004), 15-334.
[23] Mirkin B., Clustering for Data Mining: a data recovery approach (United States of America: Chapman & Hall/CRC, 2012), 93-137.
[24] Pang-Ning T., Michael S. and Vipin K., Introduction to Data Mining (United States of America: Addison-Wesley Longman Publishing Co., Inc. Boston, MA, 2005), 125-147.
[25] P´erez-Ortega J., Almanza-Ortega N.N and Romero D., "Balancing effort and benefit of K-means clustering algorithms in Big Data realms" , PLoS One 13(9) (2018). Accessed May 07, 2019. doi:10.1371/journal.pone.0201874.
[26] Madhulatha T.S., "An overview on clustering methods" , IOSR Journal of Engineering 2(4) (2012): 719-725.
[27] Ghoreyshi S. and Hosseinkhani J., "Developing a clustering model based on k-means algorithm in order to creating different policies for policyholders in insurance industry" , International Journal of Advanced Computer Science and Information Technology (IJACSIT) 4(2) (2015): 46-53.
[28] Jain A., Murty M. and Flynn P., "Data clustering: A review" , ACM Computing Surveys Vol. 31, No. 3 (1999): 264-323.
[29] The Law of Republic of Kazakhstan "On the republican budget for 2018-2020".
[30] Izakova N.B. and Kapustina L.M., "Primenenie metodov klasternogo analiza dlya segmentirovaniya promyshlennyh rynkov [Application of cluster analysis for segmentation of industrial markets]" , Vestnik of Samara State University of Economics 9(131) (2015): 100-107.
