Pokročilé modelovanie rizika v povinnom zmluvnom poistení: Využitie štatistických metód a strojového učenia

Abstrakt

Cieľom článku je analyzovať možnosti kombinácie tradičných štatistických metód a modelov strojového učenia (ML) pri spracovaní údajov v oblasti povinného zmluvného poistenia (PZP). Východiskom je použitie generalizovaných lineárnych modelov a kontrastnej analýzy na štatistickú segmentáciu poistencov podľa rizikových faktorov, ako sú vek vodiča, značka a výkon vozidla či lokalita. V ďalšej fáze boli implementované ML algoritmy, najmä Random Forest, na imputáciu chýbajúcich údajov a predikciu závažnosti poistných udalostí (claim severity). Výsledky ukazujú, že strojové učenie dosahuje vyššiu predikčnú presnosť než tradičné modely, pričom zároveň identifikujú kľúčové faktory rizika. Kombinovaný analytický prístup spája výhody oboch metodík – vysvetliteľnosť a regulačnú transparentnosť štatistiky so škálovateľnosťou a výpočtovým výkonom ML. Záverom štúdia odporúča hybridný modelovací rámec ako optimálny nástroj pre segmentáciu poistencov, dynamickú cenotvorbu a efektívne riadenie rizika v PZP.