A Líder de Vendas Técnicas da Concirrus, Mita Chavda, apresentou-se recentemente no Congresso Anual da ALSUM, onde discutiu as habilidades de modelagem da empresa e a oportunidade apresentada para a indústria de seguros marítimos.

Recentemente Mita apresentou este tema no Congresso Anual ALSUM . Para acessar a gravação da apresentação em espanhol clique aqui (A apresentação da Mita está no minuto 14h40).

Nota original: https://www.concirrus.com/blog/making-waves-in-predictive-modelling

Hoje, a tecnologia está evoluindo a um ritmo mais rápido do que nunca. Na indústria de seguros marítimos, algoritmos avançados e modelagem preditiva se tornaram uma parte importante da avaliação de riscos futuros. Conforme a adoção de tecnologias inovadoras aumenta no mercado, devemos garantir que os dados subjacentes que esses algoritmos manipulam, sejam limpos e precisos para permitir que os resultados sejam realmente preditivos de cenários futuros.

Outra maneira de pensar sobre isso é imaginar uma receita para fazer um bolo. Você pode seguir a receita e as instruções ao pé da letra, combinando os ingredientes corretos e assando o bolo na temperatura correta, e ao final do processo terá como resultado um bolo. No entanto, se os ingredientes com os quais você começou são de baixa qualidade, por exemplo, se os ovos estavam estragados, então o bolo não será o melhor que você já comeu. O mesmo acontece quando algoritmos avançados são usados no seguro marítimo: a qualidade do resultado será tão boa quanto a qualidade da informação fornecida.

Agora discutiremos alguns dos algoritmos avançados que a Concirrus usa para ajudar a comunidade de seguros marítimos a aumentar a precisão da precificação de risco, reduzir perdas e desenvolver novos produtos de seguro.

Seguro marítimo: algoritmos de otimização genética

Uma das maneiras pelas quais os dados são limpos no setor do casco marítimo é usando algoritmos de otimização genética para remover dados falsos das informações de movimento do navio. Os dados de movimento podem mostrar uma rota estável de vários pontos de dados consecutivos de uma embarcação navegando em uma região. No entanto, no meio da rota estável podem haver alguns pontos isolados que podem levar a crer que o navio está a alguns minutos de distância do seu verdadeiro local (ver figura 1). A linha do tempo nos diz que isso é impossível, no entanto, pontos de dados falsos são comuns em conjuntos de dados brutos.

Figura 1: Exemplo de dados enganosos e seu impacto na rota desenhada

Isso pode ocorrer por vários motivos, mas geralmente é o fato de que estamos usando dados coletados por tecnologia projetada para uma finalidade diferente. O Sistema de Identificação Automática (AIS) é um Sistema de Rastreamento de Embarcações projetado para alertar as tripulações sobre outras embarcações na área e evitar colisões. Agora estamos usando esses dados de localização em escala global para aprender sobre o comportamento do navio e isso pode levar a dados falsos ou ausentes. O resultado significaria que quaisquer fatores derivados de classificação de desempenho, como velocidade e distância percorrida pela embarcação, com base nesses dados brutos, seriam bastante tendenciosos e levariam a previsões inadequadas. Com algoritmos avançados, 98% dos pontos enganosos são limpos, o que significa que a alimentação de dados dos modelos preditivos permanece fiel ao movimento real da embarcação.

Seguro de carga: Processamento de Linguagem Natural (PNL)

Outro exemplo é o uso de Processamento de Linguagem Natural (PNL) para categorizar mercadorias automaticamente. Isso pode ser uma tarefa difícil devido ao uso tradicional de descrições de texto livre, grandes limites de caracteres e milhares de códigos harmonizados. Uma pesquisa da Concirrus destacou que até 80% das carteiras de carga podem ser categorizadas sob um código genérico, como “carga geral”. Isso resulta em uma falta de avaliação dos perfis de risco específicos de ativos individuais, ocultando encargos de baixo e alto risco que deveriam ser classificados de forma diferente para ajudar a gerenciar melhor o risco e mitigar perdas para seguro de carga. Se uma abordagem mais focada não for adotada, a indústria corre o risco de que seus modelos preditivos forneçam a mesma classificação de risco para um contêiner cheio de bichos de pelúcia e um com produtos frágeis. Usando a PNL, uma visão detalhada dos diferentes perfis de risco dentro de um portfólio pode ser fornecida, lendo automaticamente as descrições dos ativos e categorizando-as corretamente.

Figura 2: Exemplo que mostra a recategorização de uma carga usando o codificador de mercadoria Concirrus.

Modelos preditivos para a frequência e gravidade de novos sinistros

A Quest reúne mais de três trilhões de dados brutos e os converte em milhares de fatores de classificação para serem usados em preços mais precisos e gerenciamento de riscos.

A introdução de novos fatores de classificação comportamental, como visitas a portos ou rotas feitas por embarcações individuais, nos permite ver o risco marítimo de uma forma nova e sofisticada que aprofunda nosso entendimento de como a exposição se correlaciona com a perda. Por exemplo, quando um sinal AIS é recebido na Quest, informações sobre os dados, hora, latitude e longitude são incluídas no pacote de dados. Assim que tivermos esses dados brutos, uma série de fatores de classificação relacionados a uma embarcação individual podem ser determinados, incluindo:

• Distância percorrida.
• Tempo gasto para navegar entre os pontos de dados.
• Velocidade do navio.
• Qualquer sinal perdido entre os pontos de dados.
• Visitas ao porto.
• Duração do tempo no porto.
• Visitas a áreas de alto risco ou sancionadas.
• Duração do tempo em áreas de alto risco ou sancionadas.

A Quest combina novos fatores de pontuação de dados, bancos de dados de terceiros e dados de exposição e sinistros de clientes antes de processá-los por meio de uma estrutura de aprendizado de máquina. Usando uma variedade de algoritmos de aprendizado de máquina autônomos ou empilhados, como o Aumento de Gradiente, Árvores de Decisão, Redes Neurais, etc., podemos identificar os algoritmos mais confiáveis para usar em modelos preditivos. Usando o coeficiente de Gini e as métricas de desvio para entender o poder preditivo dos diferentes algoritmos, podemos então selecionar o mais preciso e criar dois novos modelos de previsão:

• Frequência – o número de sinistros que provavelmente ocorreriam no ano seguinte
• Gravidade – o custo médio de um sinistros

A partir daí, os valores podem ser multiplicados para não cobrir um valor de perda esperado e uma pontuação de risco para um navio ou mercadoria e ajudar com a avaliação e precificação de riscos existentes e novos com mais precisão. Para obter mais informações sobre os recursos do Concirrus sobre valores de perda esperada e pontuação de risco, clique aqui.

Essa metodologia permite que a comunidade de seguros marítimos avalie navios e cargas com base em dados comportamentais em tempo real, em vez de fatores estáticos. Como visto em um recente blog da Concirrus “Uma visão do comportamento de duas embarcações”, enquanto duas embarcações que podem parecer idênticas com base em fatores estáticos, seu comportamento é um melhor indicador de risco e pode ajudar o mercado a entender melhor a seleção e precificação de risco.

Resumo

Com uma quantidade de big data crescendo como nunca antes e treinamento continuo de modelos preditivos, é fundamental que esses dados sejam completos, precisos, consistentes e válidos. Deixar de prestar atenção aos detalhes nos dados subjacentes pode levar a indústria para o caminho errado, resultando em perdas inesperadas. Felizmente, os recursos de modelagem preditiva evoluíram, assim como a tecnologia para limpar várias fontes de dados em grande escala.

Armado com essas tecnologias revolucionárias, a indústria marítima pode trabalhar para um futuro mais seguro e lucrativo.

Baixe nosso último livro branco sobre tarifação preditiva aqui

.