amoz.io
← Back to workZurück zu den Arbeiten
FIG.07 · Netlight · Insurance & ReinsuranceVersicherung & Rückversicherung

Reinsurance Underwriting Decision-Support (ML)ML-gestütztes Entscheidungssystem für die Rückversicherungszeichnung

An explainable ML decision-support layer on a reinsurer's automated single-risk underwriting platform — predicting accept / decline / counterproposal, and showing the drivers behind each call.Eine erklärbare ML-Entscheidungsunterstützung auf der automatisierten Single-Risk-Underwriting-Plattform eines Rückversicherers — sagt Annahme / Ablehnung / Gegenvorschlag voraus und zeigt die Treiber hinter jeder Entscheidung.

ChallengeHerausforderung

One of the world's largest reinsurers ran an automated platform where underwriters quote single risks from a form of submission parameters. Working through that queue by hand was slow, and calls varied from one underwriter to the next. An ML layer on top could recommend accept, decline or counterproposal from the same form inputs — but two things had to be true for underwriters to trust and adopt it: a calibrated confidence signal telling them when to rely on the model, and a clear view of which input parameters drove each recommendation. Speed with a black box would not have been enough.Einer der weltweit größten Rückversicherer betrieb eine automatisierte Plattform, auf der Underwriter Einzelrisiken über ein Formular aus Einreichungsparametern kalkulieren. Diese Warteschlange manuell abzuarbeiten war langsam, und die Entscheidungen fielen von Underwriter zu Underwriter unterschiedlich aus. Eine ML-Schicht darüber konnte aus denselben Formulareingaben Annahme, Ablehnung oder Gegenvorschlag empfehlen — doch damit Underwriter ihr vertrauen und sie nutzen, mussten zwei Dinge stimmen: ein kalibriertes Konfidenzsignal, das zeigt, wann man sich auf das Modell verlassen kann, und ein klarer Blick darauf, welche Eingabeparameter jede Empfehlung getrieben haben. Tempo mit einer Blackbox hätte nicht gereicht.

ApproachVorgehen

  1. 01

    Explore the data Daten explorieren

    Analysed the platform's historical submissions and decisions — where risks were accepted, declined or countered, and what seemed to drive it. Historische Einreichungen und Entscheidungen der Plattform analysiert — wo Risiken angenommen, abgelehnt oder gegenvorgeschlagen wurden und was das offenbar trieb.

  2. 02

    Engineer the features Features bauen

    Iteratively engineered features from the form parameters: dropped weak signals, reshaped others and added new ones. Iterativ Features aus den Formularparametern gebaut: schwache Signale entfernt, andere umgeformt und neue ergänzt.

  3. 03

    Train & select Trainieren & auswählen

    Trained several models, compared their performance and selected the strongest — a gradient-boosted classifier (XGBoost, scikit-learn, on Dataiku). Mehrere Modelle trainiert, ihre Performance verglichen und das stärkste gewählt — einen Gradient-Boosted-Classifier (XGBoost, scikit-learn, auf Dataiku).

  4. 04

    Evaluate & calibrate Evaluieren & kalibrieren

    Validated performance and calibrated the confidence score, so low-confidence cases route to a human and high-confidence ones fast-track. Performance validiert und den Konfidenzwert kalibriert, sodass Fälle mit niedriger Konfidenz an einen Menschen gehen und solche mit hoher beschleunigt werden.

  5. 05

    Explain the decision Die Entscheidung erklären

    Surfaced which input parameters drove each recommendation — explainable AI, so underwriters see how a call was reached, not just the call. Sichtbar gemacht, welche Eingabeparameter jede Empfehlung getrieben haben — erklärbare KI, damit Underwriter sehen, wie eine Entscheidung zustande kam, nicht nur die Entscheidung.

  6. 06

    Ship on the platform In der Plattform ausrollen

    Delivered the recommendation, its confidence and its drivers into the underwriting flow, so underwriters clear more submissions in less time. Empfehlung, Konfidenz und Treiber in den Underwriting-Flow gebracht, damit Underwriter mehr Einreichungen in weniger Zeit abarbeiten.

ExampleBeispiel

Example — the AI model analyzes a submission Beispiel — das KI-Modell analysiert eine Einreichung Illustrative Illustrativ

Press play to watch the AI model receive a submission and analyze it — it classifies it, shows which parameters drove the call, and hands a low-confidence case to an underwriter to confirm. Play drücken und zusehen, wie das KI-Modell eine Einreichung entgegennimmt und analysiert — es klassifiziert sie, zeigt, welche Parameter die Entscheidung trieben, und übergibt einen Fall mit niedriger Konfidenz einem Underwriter zur Bestätigung.

Submission Einreichung
Line of business Sparte
Property
Risk location Risikostandort
Munich, DE
Sum insured Versicherungssumme
$40M
Deductible Selbstbehalt
$250k
Loss ratio (5y) Schadenquote (5J)
72%
Cat exposure Cat-Exposure
High
AI ModelKI-Modell XGBoost · gradient-boosted classifier
AI Decision KI-Entscheidung
Counter-proposal Gegenvorschlag
64% Below threshold Unter Schwelle
Drivers Treiber
  • Loss ratio 72% Schadenquote 72% → counter Gegenvorschlag
  • Cat exposure High Cat-Exposure High → counter Gegenvorschlag
  • Tight deductible Enger Selbstbehalt → decline Ablehnung
  • Sum insured $40M Vers.-Summe $40M → counter Gegenvorschlag
Underwriter review Underwriter-Prüfung

Confidence 64% is below the 70% threshold — routed to an underwriter to confirm. Konfidenz 64% liegt unter der 70%-Schwelle — an einen Underwriter zur Bestätigung geroutet.

1 / 5

Targeted ImpactAngestrebte Wirkung

  • +10% underwriting revenue +10% Underwriting-Umsatz
    Projected uplift from clearing more submissions, faster Projizierter Zuwachs, weil mehr Einreichungen schneller abgearbeitet werden
    Projected, not yet realized. Projiziert, noch nicht realisiert.
  • Explainable Erklärbar
    Shows which input parameters drove each call Zeigt, welche Eingabeparameter jede Entscheidung trieben
  • Confidence-scored Mit Confidence-Score
    Flags when to defer to an underwriter Zeigt an, wann ein Underwriter übernehmen soll
  • Faster & consistent Schneller & konsistent
    Same criteria on every submission, cleared quicker Gleiche Kriterien bei jeder Einreichung, schneller abgearbeitet

My RoleMeine Rolle

Full-stack build — ran the data science end to end (exploration, feature engineering, model training and selection, evaluation and confidence calibration) and shipped it, with its explainability, into the reinsurer's underwriting platform.Full-Stack-Umsetzung — die Data Science Ende-zu-Ende verantwortet (Exploration, Feature-Engineering, Modelltraining und -auswahl, Evaluation und Konfidenz-Kalibrierung) und sie samt Erklärbarkeit in die Underwriting-Plattform des Rückversicherers gebracht.

StackStack

  • Dataiku
  • Azure SQL
  • Python
  • pandas
  • scikit-learn
  • XGBoost