1. Precificação no Âmbito
do Data Science
Cristina Mano
Setembro, 2017
http://www.lebigdata.fr/data-science-definition
2. Agenda
O que é Big Data? Os múltiplos V’s
O que é Data Science
Uso de Big Data e Data Science em Seguros
Internet das Coisas: uso de Telemetria e Acessórios na Precificação de Seguros
Precificação de Seguros: Técnicas Tradicionais vs Novas Técnicas
Restrições ao Uso de Big Data
Desafios para o Atuário
Conclusões
3. O que é Big Data? Os Múltiplos V’s
Outros V´s:
• Variabilidade
• Visualização
• Valor
http://www.ibmbigdatahub.com/infographic/four-vs-big-data
4. Organização Quantidade de dados
armazenados (*)
Google 15.000 PB
NSA 10.000 PB
Baidu 2.000 PB
Facebook 300 PB
Sanger 22 PB
Spotify 10 PB
Organização Quantidade de dados
processados por dia (*)
Google 100 PB
Baidu 10-100 PB
NSA 29 PB
Facebook 600 TB
Twitter 100 TB
Spotify 2.2 TB
Sanger 1.7 TB
(*) dados de 2016 http://www.ibmbigdatahub.com/infographic/four-vs-big-data
5. Por exemplo:
•Agência dos Correios
• Supermercados/cadeias varejistas
• Comerciantes de automóveis
• Cartões de crédito
De que fontes os dados são obtidos?
• Sistemas Administrativos
• Sinistros
• Sistemas Operacionais
• Campanhas
• Bancos
• Corretores/Agentes
• Plataformas digitais
• Censo
• Birô de crédito e outros birôs
• Segmentações demográficas
• Outras informações socioeconômicas e educacionais
• Mapas de localização, mapas de inundações
• Internet
• Celular
• Mídia social
• GPS, dispositivos de telemetria e aplicativos de celulares
• Acessórios (relógios, óculos, etc.)
Canais de distribuição
Externo
Digital
Parceiros de afinidade
Sistemas internos
6. O que é Data Science
THE DATA SCIENCE VENN DIAGRAM
A Ciência dos Dados é uma mistura
de três grandes domínios:
• Matemática/Estatística
• Ciência da Computação
• Conhecimento do Negócio
http://www.fox.temple.edu/institutes-and-centers/data-science/
Data Science é um campo
multidisciplinar que busca extrair
conhecimento ou insights dos
mais variados tipos de dados
7. Uso de Big Data e Data Science em Seguros
Sinistros
Underwriting e
Precificação
Retenção do Cliente
Marketing &
Distribuição
• Detecção de fraude
• Estimativa de Provisões
• Regulação de Sinistros
(drones)
• Telemetria
• Acessórios
• Casas Conectadas
• Melhoria na Eficiência
do Underwriting
• Websites de
Comparação de Preço
• Precificação em Tempo
Real
• Sensibilidade ao Preço
• Melhores Serviços
oferecidos
• Produtos relevantes
• Personalização do
Cliente
• Satisfação do Cliente
• Criação de um scoring
para os corretores
• Eficácia da mídia em
novas aquisições
• Análise de competidores
• Análise de sentimento
Potencial para mudança de
comportamento do segurado
Privacidade e
considerações éticas
Benefícios para a
Sociedade
8. O mundo digital fornece os dados e a
capacidade de segmentar e entregar soluções
personalizadas.
Desafio: processar toda a informação
disponível por meio de técnicas de
análise de dados em grande escala
que permitam a definição de um perfil
individual de cada cliente.
As coberturas de seguro deverão se
ajustar aos perfis individuais dos
segurados.
9. Internet das coisas: Telemetria em Seguro de
Automóveis - PAYD PHYD
Aplicação em Seguro de Automóvel Grande quantidade de dados e potencial para
uso de algoritmos avançados
Dados de telemetria em Auto
•Frenagem e Aceleração
•Motorista agressivo (fechadas)
•Velocidade
•informação do GPS
•Número de passageiros
•etc
Contexto Externo
•Tipo de estrada
•Pontos de Interesse
•Tempo
•Densidade de tráfego
•Obras nas estradas
Dados de estilo de vida
Segmentação de clientes
Desenho do Produto (por exemplo, PAYD-> PHYD)
Viés de auto-seleção
Redução de Risco (mudança de comportamento)
Preços mais refinados
Redução de Risco (mudança de comportamento)
Gerenciamento de sinistros
Detecção de fraude
10. Barreiras do Mercado para a Adoção de
Telemetria
Fonte: https://www.octousa.com/state-of-insurance-tlematics
Pesquisa realizada nos EUA com executivos de seguradoras de danos para verificar o
estado da arte na adoção e implementação de telemetria (The State of Insurance
telematics – OCTO North America, 2015).
Baixa taxa de adesão do segurado
Custos proibitivos
Dificuldade de encontrar o parceiro ideal
Outros
Ambiente regulatório excessivamente restritivo
11. Barreiras Internas para Adoção de Telemetria
Fonte: https://www.octousa.com/state-of-insurance-tlematics
Fornecer retorno do investimento feito para o uso de telemetria
Definir uma estratégia para ir ao mercado
Falta de apoio executivo/operacional
Falta de talentos para o gerenciamento de programas de telemetria
Armazenamento, gerenciamento e segurança dos dados
Outros
Pesquisa realizada nos EUA com executivos de seguradoras de danos para verificar o
estado da arte na adoção e implementação de telemetria (The State of Insurance
telematics – OCTO North America, 2015).
12. Áreas de Melhoria com o Uso de Telemetria
Fonte: https://www.octousa.com/state-of-insurance-tlematics
Precificação Satisfação do
Segurado
Retenção do
Segurado
Novas
aquisições
Pesquisa realizada nos EUA com executivos de seguradoras de danos para verificar
o estado da arte na adoção e implementação de telemetria (The State of Insurance
telematics – OCTO North America, 2015).
13. Internet das Coisas: uso de acessórios
(wearables) em seguros de vida e saúde
Paralelo com Auto Telemetria
Futura Tecnologia promete utilização de mais
informação
Passos diários
•Sono (fases do sono)
•Batimento cardíaco
•Stress
•Temperatura
•ECG
•Taxa de respiração
•Detecção de Apneia
•Nível de oxigênio no sangue
•Pressão sanguínea
•….
Muitas aplicações nos seguros de vida, mas
ainda limitada à auto-seleção
• Dados altamente relevantes e necessidade
de técnicas analíticas sofisticadas
• Necessidade de parcerias:
• Gerenciamento de dados através de
intermediários?
• Os seguradores querem fornecer a
tecnologia?
• Parcerias com Insurtechs?
14. Precificação de Seguros: Técnicas
Tradicionais vs Novas Técnicas
Presented by Peter Banthorpe – Big Data: Big Oportunity or Big Risk for Actuaries? March 2016
15. Precificação de Seguros: Técnicas
Tradicionais vs Novas Técnicas
https://machinelearningmastery.com/
Machine Learning Algorithms Mindmap
16. Comparação: GLMs vs Machine Learning
GLMs
Modelo definido pelo
analista
Modelo claramente definido
Aprendizado e insight
Estatísticas de Ajuste do
modelo
Fácil de ocorrer overfitting
Utilizado inicialmente nos
anos 70 com dados limitados
Machine Learning
Modelo automatizado
Modelo não paramétrico ou
obscuro
Precisão preditiva
Processo de treinamento e
validação
Controle de overfitting
Dados evoluem com o poder da
computação
17. Por que GLMs são menos populares no mundo
de Big Data?
Vantagem
Reconhecida como a técnica
padrão na indústria bancária e de
seguros
Fornece respostas para
distribuições assimétricas
Fórmula matemática relativamente
simples, fácil de implementar e fácil
de interpretar
Desvantagem
Precisa pré-processar os dados
(missing values, outliers, etc)
GLMs não capturam a complexidade
dos dados automaticamente. O
processo de modelagem iterativa é
demorado (pode demorar semanas).
Ruim
GLMs tendem a apresentar
overfitting quando são utilizadas
muitas variáveis ou quando são
utilizadas muitas categorias por
variável.
Técnicas de Machine Learning estão se tornando as técnicas de preferência de várias indústrias
18. Restrições ao Uso de Big Data e Data Science
Privacidade
Quais dados pessoais podem ser utilizados
e para quem podem ser fornecidos?
Podem incluir dados fornecidos pelo
segurado ou publicações em rede sociais,
buscas na internet, etc
Segurança dos dados
Risco cibernético: inesperado e
imprevisível
Segurança e confidencialidade dos dados
do segurado devem ser protegidas
https://www.datascienceacademy.com.br
19. Restrições ao Uso de Big Data e Data Science
Propriedade dos dados
Quem é dono da informação: seguradora,
segurado, fabricante do dispositivo, fonte
de coleta dos dados?
Precisão dos dados
Mal funcionamento dos dispositivos e
acessórios
Transmissão de dados imprecisa
Uso indevido dos dispositivos e acessórios
Aspectos legais
A legislação do país permite o uso de Big
Data?
https://www.datascienceacademy.com.br
20. O Interesse do Atuário em (Big) Data
O mundo (e o
mercado de seguros)
é digital
Captação e utilização
de novos dados
trazem novos riscos
Os dados são um
ativo estratégico
Os atuários têm que
entender o mundo
que os rodeia
Atuários gerenciam
riscos
Os dados são o
sangue vital de um
atuário
O Atuário deve ser capaz de criar modelos que tenham um poder
preditivo real.
21. Habilidades Necessárias para se tornar
Cientista de Dados
Atuários
• ferramentas computacionais
• conhecimentos em matemática e estatística
• profundo conhecimento do negócio
Atuários como gerentes ou como analistas tem um
espaço a ser conquistado no âmbito do Data Science
Necessidade de aperfeiçoar o conjunto de habilidades com as novas
técnicas e softwares relevantes para analisar Big Data.
• Gerenciamento: entender o processo e os modelos, buscar as
habilidades necessárias na equipe.
• Modelagem: construir algoritmos e aplicar metodologias que estão
crescendo em importância.
Source: http://www.edureka.co/blog/who-is-a-data-scientist/
22. O Atuário está preparado para ser um
Cientista de Dados?
Paul
Embrechts
2005
Actuaries of the First
Kind
Actuaries of the Second
Kind
Actuaries of the Third
Kind
Actuaries of the Fourth
Kind
HansBühlmann1987
Big Data
Working
Party (*)
Actuaries of the Fifth
Kind
• Século 17: Seguro de vida, métodos
determinísticos
• Início do século 20: Seguros gerais,
Métodos probabilísticos
• 1980s: uso de processos estocásticos na
avaliação do risco financeiro (atuário
financeiro)
• Início do século 21: ERM – avaliação de
todos os riscos que afetam a organização
• Segunda década do século 21: Big Data/Data science
(*) Singapore Actuarial Society Big Data Working Party
23. Conclusão
O mundo digital não é somente um canal, é uma mudança fundamental na forma
como as pessoas trabalham e interagem. O uso de Big Data/Data Science no Mercado
segurador é inevitável.
O advento de Big Data abre um leque de novas possibilidades para o atuário. Mais
dados permitem uma base mais rica de análise atuarial, assim como o uso de Big Data
permite uma abordagem dinâmica de gerenciamento de risco.
O advento de Big Data exige que as empresas adotem uma nova cultura de negócios
orientada a dados, que trará impacto a todas as atividades, desde o underwriting até
a regulação de sinistros.
O uso de Big Data pode ajudar a encontrar respostas para as necessidades dos
segurados e da sociedade. Os segurados serão informados sobre seu comportamento
para que possam corrigir e alterar o comportamento de risco.
24. Conclusão
Parcerias e trabalho multidisciplinar continuarão a crescer, particularmente com
outros especialistas em ciências de dados.
Os atuários precisam considerar ativamente como expandir seus conhecimentos e
habilidades para assumir o papel de cientistas de dados do mercado segurador. Seu
envolvimento em várias camadas do negócio (desde a precificação até a análise
financeira) fornece o conhecimento do negócio tão importante como as habilidades
estatísticas e computacionais para ser um cientista de dados.