Neživotní pojištění, klíčová součást naší finanční bezpečnostní sítě, je zásadně závislé na složitém procesu stanovování cen. Tento úkol určuje nejen cenu pojistek, ale i jejich účinnost v ochraně před nečekanými událostmi. Historicky spočíval tento proces ve směsici pojistněmatematických znalostí a kvalifikovaných odhadů založených na hluboké analýze minulých událostí a výpočtech rizik. V současnosti prochází významnou proměnou díky rozvoji umělé inteligence (AI). Tato proměna signalizuje přechod do éry, kde data a pokročilé algoritmy mění způsob, jakým se pojistné vypočítává. Pojištění se díky tomu stane přesnější a personalizovanější a pojišťovny efektivnější.
Jak se pojistil Ferdinand Magellan aneb historické okénko
Metody cenotvorby neživotního pojištění se mohou pochlubit bohatou historií, která se vyvíjela během staletí. V raných fázích pojišťovnictví byla tvorba cen spíše primitivní a založená na intuitivních odhadech než na empirických datech. Například námořní pojištění, jedna z nejstarších forem neživotního pojištění, se při stanovení pojistného spoléhalo primárně na zkušenosti kapitánů. Jak je patrné, tato metoda byla spojena s vysokou mírou nejistoty.Jak se pojistné odvětví rozvíjelo a začalo pokrývat širší spektrum škod, vznikla nutnost systematičtějšího přístupu k cenotvorbě. V 18. a 19. století, s rozvojem statistiky jako vědního oboru, začaly být aplikovány pro tehdejší dobu sofistikované metody. Pojistní matematici, specializovaní odborníci na hodnocení rizik, začali využívat historická data pro základní modelování rizik. Tato éra představovala zásadní posun od subjektivního úsudku k metodě více založené na datech, ačkoliv i tento přístup byl ve své době limitován dostupností a kvalitou dat.
Dvacáté století přineslo s sebou transformační změny v metodách cenotvorby neživotního pojištění. Rozvoj sofistikovanějších statistických metod a akumulace historických dat umožnily hlubší pochopení rizik a trendů. Pojistní matematici začali při určování pojistného brát v úvahu řadu faktorů, jako jsou lokalita, typ majetku a historie předchozích pojistných událostí. V tomto období se vyvinula praxe kategorizace rizik, kdy byly nemovitosti a jednotlivci seskupováni podle vnímané míry rizika. Avšak kvůli limitacím v dostupnosti a použitelnosti dat byly tyto kategorie stále příliš obecné, což vedlo k univerzálnímu přístupu, který nebyl schopen adekvátně zohlednit individuální specifika.
Navzdory těmto pokrokům zůstávala cenotvorba neživotního pojištění do značné míry reaktivní. Ceny nebylo možné přepočítávat příliš často, což omezovalo možnost rychle se přizpůsobovat novým trendům. Modely, které se používaly, byly statické a nedokázaly dynamicky reagovat na data v reálném čase ani na rychlé změny na trhu.
Vstupem do 21. století však digitální revoluce znovu radikálně transformovala pojišťovací prostředí. Rozšíření dat a pokroky ve výpočetní technice položily základ pro další evoluční skok v oblasti cenotvorby neživotního pojištění. Tento skok je charakterizován integrací strojového učení a umělé inteligence, což slibuje – a již nyní ukazuje – nebývalou přesnost a personalizaci v posuzování rizik a stanovování pojistného.
Jak určit správnou cenu?
V neživotním pojištění je proces cenotvorby, tedy určování ceny pojistného, klíčovým prvkem ve vyčíslení rizika a stanovení spravedlivé ceny, kterou by pojistníci měli hradit za jeho pokrytí. Tento proces zahrnuje předpovědi, jako je odhad výše škod, které pojistníci mohou způsobit během doby trvání pojištění. Přesná a promyšlená cenotvorba je nezbytná pro zajištění, že pojistitelé dokážou účinně reagovat na pojistné události a současně si udržet svou finanční stabilitu. V kontextu neživotního pojištění se zaměříme na běžné druhy krytí, jako jsou pojištění aut, nemovitostí a podobně. Specifické metody cenotvorby pro pojištění např. kybernetických rizik nebo teroristických útoků nebudou předmětem tohoto článku.
Proces cenotvorby zahrnuje přípravu dat, výběr relevantních prediktorů, výběr adekvátního statistického modelu a zohlednění obchodní politiky dané pojišťovny. Tradičně tento proces spadá pod oddělení pojistné matematiky, ale i to se s příchodem umělé inteligence mění. Podíváme se podrobněji na jednotlivé kroky tohoto procesu.
Výběr dat
Cenotvorba v neživotním pojištění se významně opírá o historická data, a to jak interní, tak externí. Interní data obvykle zahrnují informace, jako je historie škod, historie konverzí a historické údaje o pojistnících. Externí data mohou obsahovat informace týkající se inflace, geografických údajů, dat z České kanceláře pojistitelů a dalších relevantních zdrojů. Typ použitých dat se liší podle druhu pojištění. S rostoucí dostupností jak interních, tak externích dat – například telematických dat v autopojištění – se zvyšuje i složitost přípravy dat pro účely cenotvorby.
Výběr prediktorů
Při cenotvorbě je zásadní určit relevantní faktory, které je o pojistníkovi potřeba vědět pro správné stanovení výše pojistného, například zda má vliv na cenu povinného ručení barva vozidla, nebo zda je důležitější věk řidiče, či síla motoru. Tyto faktory jsou pečlivě vybírány na základě jejich relevance pro pojišťované riziko a schopnosti předvídat budoucí pojistné události. Nejsou voleny náhodně, ale vycházejí z historických dat a pojistněmatematických analýz, které prokazují statisticky významnou souvislost mezi vybranými faktory a frekvencí či závažností pojistných událostí. Znalost specifik pojistného odvětví je nezbytná.
V pojištění vozidel se tak často volí faktory jako věk řidiče, historie řízení, typ vozidla a oblast bydliště. V pojištění majetku naproti tomu hrají klíčovou roli faktory jako umístění nemovitosti, její stáří, použité stavební materiály a blízkost přírodních rizik.
Výběr statistického modelu
Ve světě cenotvorby neživotního pojištění existuje mnoho různých statistických modelů. Nejrozšířenějším a klíčovým nástrojem jsou zobecněné lineární modely (GLM). Tyto modely rozšiřují koncept lineární regrese, základní statistické metody, kde se predikovaná hodnota odhaduje na základě jednoho či více prediktorů. Příkladem může být odhad váhy (predikovaná hodnota) na základě věku a výšky (prediktory). Pro účely cenotvorby neživotního pojištění lze tento model využít například při stanovování výše škody (predikovaná hodnota) na základě stáří vozidla a síly motoru (prediktory).
GLM umožňuje například predikovat pro konkrétního pojistníka počet škod za jeden rok a průměrnou výši škody. Kombinací těchto hodnot lze určit celkovou předpokládanou výši škod za daný rok. Na základě těchto údajů pak můžepojišťovna stanovit rizikové pojistné, které od klienta vyžaduje. K tomuto rizikovému pojistnému se následně připočítávají náklady (například na úpis a likvidaci škod) a marže pojišťovny, případně obchodní sleva.
Kombinací výše zmíněných postupů a modelů jsou obvykle vytvářeny oceňovací tabulky. Tyto tabulky umožňují spočítat pojistné pro každého potenciálního klienta. Je však důležité si uvědomit, že tvorba cen pojištění není statický proces. Dynamicky se přizpůsobuje proměnlivým okolnostem, jako jsou nová data, vznikající trendy, regulatorní změny a posuny na trhu, které mají vliv na úpravy pojistného.
Cenotvorba neživotního pojištění je komplexním aktem, který vyžaduje důkladné pochopení hodnocení rizik, dynamiky trhu a regulačních rámců. Toto pochopení představuje základ pro zkoumání vlivu umělé inteligence a pokročilé analytiky, které přinášejí zásadní změny v metodách hodnocení rizik a výpočtu pojistného.
Pokrok díky technice
Technologické inovace za posledních 15 let měly zásadní dopad na cenotvorbu v oblasti neživotního pojištění a byly klíčovým faktorem ve formování současné podoby tohoto odvětví. Tento vývoj byl výrazně motivován snahou dosáhnout vyšší přesnosti v posuzování rizik a zvýšení efektivity při stanovování cen pojistek.
Začátek tohoto technologického posunu v cenotvorbě neživotního pojištění byl zahájen adopcí základních počítačových systémů. Tato technologie umožnila pojistitelům efektivněji ukládat a spravovat velké objemy dat. Odchod od papírových metod k elektronickým databázím znamenal významný skok ve zvýšení rychlosti a přesnosti při vyhledávání a zpracování dat. Díky tomu se naskytla možnost využívat širší spektrum prediktorů při cenotvorbě.
Tento přechod umožnil některým pojišťovnám lépe cílit na specifické segmenty klientů a nabídnout jim přitažlivější nabídky než konkurence. To vedlo k větší personalizaci služeb a zlepšení konkurenční pozice na trhu.
Skutečná transformace v cenotvorbě neživotního pojištění přišla s adopcí sofistikovanějších statistických modelů. Tyto modely umožnily pojistitelům hlubší analýzu historických dat a efektivnější identifikaci vzorců a trendů souvisejících s riziky a pojistnými událostmi. K běžnému používání zobecněných lineárních modelů (GLM) přibyly pokročilé techniky jako rozhodovací stromy a náhodné lesy, které umožnily odhalit závislosti, které dříve nebylo možné identifikovat.
Statistické modely se také začaly využívat nejen pro modelování rizik, ale i pro modelování dalších faktorů ovlivňujících cenu pojištění, například modelů poptávky. Tyto modely predikují,
zda si určitý zákazník pojištění za danou cenu zakoupí, na základě historických dat o konverzích.
S rozvojem technologie se také proces cenotvorby výrazně zrychlil, což vedlo k rozvoji dynamické cenotvorby. Tedy prodejci již nepracují se statickými oceňovacími tabulkami, ale zadávají parametry do oceňovacího systému, který jim v reálném čase vypočítá ceny pojištění. Algoritmus za tímto systémem může být průběžně upravován a kalibrován podle aktuálního stavu trhu.
Co je to AI a jak se dotkne cenotvorby neživotního pojištění
Když se hovoří o umělé inteligenci (AI), mnoho lidí si stále představuje obecnou umělou inteligenci. Tato forma AI se vyznačuje schopností řešit úlohy stejně dobře nebo i lépe než člověk, a to bez nutnosti specifického předchozího učení na jednotlivých úzce vymezených úlohách. Avšak realita umělé inteligence v současnosti spíše odpovídá takzvané úzké umělé inteligenci, která se specializuje na řešení specifických, úzce vymezených úloh. V kontextu neživotního pojištění může jedna z takových úloh být cenotvorba pojistných produktů.
Algoritmy strojového učení, mezi něž patří zobecněné lineární modely, rozhodovací stromy a náhodné lesy, lze považovat za formy úzké umělé inteligence. Nejblíže obecné představě o umělé inteligenci jsou pak umělé neuronové sítě. Tyto sítě se učí rozpoznávat vzorce, vztahy a korelace a na jejich základě provádějí predikce nebo klasifikace. Navrženy jsou podle vzoru lidského mozku a skládají se z propojených uzlů (neuronů) zpracovávajících informace, včetně vstupních, skrytých a výstupních vrstev. Tyto vrstvy můžeme přirovnat k lidským smyslům a procesům, jako je sluch (vstupní vrstva), mozek (skrytá vrstva) a řeč (výstupní vrstva). Stejně jako člověk často nemůže vysvětlit, proč něco udělal nebo řekl, i umělá neuronová síť má omezenou schopnost vysvětlit své rozhodování.
V oblasti cenotvorby neživotního pojištění se nejvíce prosadily GLMs a rozhodovací stromy spolu s alternativními metodami. Úzká umělá inteligence je tak již běžně využívána. Pokročilejší metody jako náhodné lesy, umělé neuronové sítě nebo gradient boosting metody2, které patří mezi nelineární přístupy, jsou na vzestupu, ale zatím nejsou takrozšířené, částečně kvůli problémům s interpretovatelností výsledků. Řešením by mohl být rozvíjející se obor explainable AI (vysvětlitelná umělá inteligence), který by měl zvýšit interpretovatelnost výsledků těchto sofistikovaných modelů.
Jaká je tedy budoucnost umělé inteligence v oblasti cenotvorby neživotního pojištění? Vzhledem k současnému využívání některých algoritmů úzké umělé inteligence se dá očekávat, že pojišťovny v blízké budoucnosti začnou implementovat (a některé již začaly) i pokročilejší algoritmy, jako jsou například umělé neuronové sítě. Očekává se, že dojde k rozšíření spektra aplikací těchto algoritmů v procesu cenotvorby pojištění. Jako příklad lze uvést možnost výběru prediktorů pro GLM pomocí náhodných lesů. Proto je téměř jisté, že využívání AI v cenotvorbě neživotního pojištění bude pokračovat a bude růst. Tento trend povede k větší personalizaci pojistných produktů a ke zvýšení efektivity celého procesu cenotvorby.
Jedním z dalších jistých trendů je, že s rostoucím využíváním AI v cenotvorbě přibude i regulace. Tento nárůst regulace bude pravděpodobně zaměřen na zajištění transparentnosti, spravedlivosti a interpretovatelnosti výsledků generovaných AI.
Jak budoucnost AI v cenotvorbě neživotního pojištění ovlivní regulace
Apetit k větší adopci umělé inteligence (AI) v cenotvorbě neživotního pojištění bude do značné míry ovlivněn regulacemi. Nedávno projednávaný návrh nařízení o umělé inteligenci na evropské půdě bude mít významný dopad nejen na pojišťovny, ale i na dodavatele nástrojů na cenotvorbu, jako jsou například Earnix, Willis Towers Watson či Akur8. Oba subjekty, pojišťovny i dodavatelé nástrojů, budou muset splňovat požadavky vyplývající z tohoto nařízení. Zatímco pojišťovny jsou na podobné regulace již zvyklé, pro dodavatele nástrojů může toto představovat novou výzvu.
Klíčovým aspektem bude transformace tzv. „černých skříněk“ v modelování AI na transparentnější a vysvětlitelnější systémy. Modely AI, které mohou být pro pojišťovny někdy těžce pochopitelné, budou muset být přepracovány tak, aby byly jejich algoritmy a rozhodovací procesy průhledné a srozumitelné. Do jaké míry bude tato transparentnost vyžadována, se bude odvíjet od rizikovosti algoritmů a systémů používaných v cenotvorbě. Obecně lze říci, že na cenotvorbu neživotního pojištění bude mít tato regulace dopad podobný jako na jiné procesy využívající AI. Podrobněji se tomuto tématu věnoval článek Dobrý sluha, ale zlý pán v předchozím vydání Pojistného obzoru.
Indikaci, jakým směrem se bude regulace vyvíjet, ukázalo stanovisko Evropského orgánu pro pojištění a zaměstnanecké penzijní pojištění (EIOPA) z března 2023 k diferenčnímu stanovování cen v neživotním pojištění. Diferenční stanovení cen je soubor postupů, které upravují pojistné na základě faktorů nesouvisejících přímo s rizikovým profilem nebo náklady na správu pojištění, jako je například úprava ceny založená na modelu poptávky. Toto stanovisko, určené dohledovým orgánům, vychází z právního rámce směrnice IDD a nařízení o požadavcích na dohled nad produktem a jeho řízení (POG).
Hlavním cílem stanoviska je zabránit cenovým strategiím, které by vedly k nespravedlivému zacházení s klienty, a zároveň nezasahovat přímo do obchodních rozhodnutí nebo procesu stanovování cen. Od pojistitelů se požaduje zdůvodnění používání technik diferencovaného oceňování, které často využívají právě sofistikované modely strojového učení. Toto stanovisko má motivovat pojistitele k důkladnějšímu prověření jejich cenotvorných modelů založených na modelech strojového učení.
Je tedy zřejmé, že regulace kolem umělé inteligence se procesu cenotvorby neživotního pojištění nevyhne a že bude kladen velký důraz na principy nediskriminace a ochrany spotřebitele.
Plíživý nástup AI
Cenotvorba v neživotním pojištění prochází neustálým vývojem a adaptací. Klíčovou roli již hraje umělá inteligence se svou schopností analyzovat rozsáhlé datové soubory a předpovídat trendy, čímž revolučně mění způsob stanovování cen. S technologickým pokrokem je možné očekávat další zdokonalení modelů AI, sofistikovanější hodnocení rizik a vznik více personalizovaných pojistných produktů. Současně se předpokládá zvýšení efektivity celého procesu cenotvorby. Ačkoli může tento vývoj některým připadat příliš optimistický, stačí se podívat na rychlý nástup a širokou adopci nástrojů, jako je například ChatGPT nebo GitHub Copilot.
Paralelní vývoj v regulaci je nezbytný pro zajištění odpovědnosti pojišťoven a ochrany spotřebitele, přičemž zároveň musí být zachován prostor pro inovace. Bude zajímavé sledovat, jak se regulace v oblasti AI bude vyvíjet a jaký dopad bude mít právě na proces cenotvorby neživotního pojištění.
