Она позволит снизить стоимость полиса КАСКО до 40 процентов без ущерба для страховщика. Как пояснил корреспонденту "РГ" генеральный директор компании-разработчика Алексей Тимонин, применение классической модели оценки рисков, которую используют страховщики, позволяет варьировать цены на КАСКО больше, чем в условиях жестко регламентированного тарифа ОСАГО. Однако все равно создает ограничения в формировании персонального тарифа.
Поэтому и была разработана онлайн-платформа Mafin, которая использует при формировании страховых тарифов модель, основанную на анализе big data.
Методы машинного обучения позволяют учитывать намного больше факторов, чем классические страховщики, - около 70 против обычных 10-20, причем не только групповых, но и индивидуальных.
Например, риск попадания в ДТП для многих марок автомобиля снижается, когда машиной владеют более 1-2 лет. Регулярные поездки по одному и тому же маршруту менее вероятно заканчиваются ДТП. Возможно, это вызвано тем, что водители не думают, как ехать, не совершают опасных перестроений в последний момент и не отвлекаются на навигаторы. Поездки в некоторые районы Москвы, напротив, коррелируют с большим риском попасть в аварию. Частая смена собственников может означать, что машина доставляет владельцам проблемы - часто ломается, что повышает риск страхового случая.
Взаимосвязь факторов также очень важна. Например, традиционно считается, что молодые водители ездят более рискованно, чем водители постарше. При классическом подходе водители 22-24 лет получают определенную надбавку по цене по сравнению с водителями 30-33 лет - независимо от того, на какой машине они ездят. Оценка риска автомобиля заложена в так называемый базовый тариф. А нелинейный подход позволяет рассматривать факторы возраста и автомобиля во взаимосвязи. Это намного больше соответствует действительности.
К примеру, для машины BMW X5 2017 года выпуска риски этих возрастных групп (22-24 года и 30-33 года) отличаются на 110 процентов, а для машины KIA Ceed 2017 года выпуска - на 22 процента.
И получается, что давать всем молодым водителям одинаковый повышающий коэффициент несправедливо. Так происходит деление на микрогруппы. При стандартной оценке рисков всех водителей разделяют на крупные, но независимые друг от друга группы - "водители 40-45 лет", "владельцы машин 2012-2017 года выпуска", "владельцы автомобилей Mazda", и у каждой из этих групп есть коэффициент риска.
При персонализированной оценке риска водители делятся на более однородные микрогруппы: "водители 40-42 лет, черных автомобилей Mazda, владеющие машиной более 2 лет, не ездящие по обочине" будут иметь иной уровень риска, чем "водители 43-45 лет, белых автомобилей Mazda, купившие автомобиль год назад и регулярно нарушающие скоростной режим". Это позволяет дать каждой группе более точную цену.
Другой пример. При классическом подходе риск угона рассчитывается исходя из региональной статистики (парк машин и частота угонов в регионе) применительно к определенной марке/модели/возрасту машины. В нелинейном подходе в дополнение к этим факторам при расчете риска угона оценивается возраст владельца авто, цвет машины и прочие факторы. Например, самый низкий риск угона - у автовладельца старше 50 лет.
Вероятно, это связано с тем, что люди постарше более аккуратно относятся к своему автомобилю, хранят его в гараже или на парковке, используют дополнительные средства защиты от угона. Что касается цветов, то для премиум-класса вероятность угона яркой машины чуть ниже, чем светлой - серой, бежевой, серебристой, золотой. При этом черные машины угоняются в несколько раз чаще белых - видимо, "заказ" на машину черного цвета намного более популярный. С автомобилями бюджетных марок ситуация отличается, так как их чаще угоняют на запчасти, и цвет автомобиля в этом случае не играет существенной роли.
Для более чем 70 процентов автовладельцев при таком подходе стоимость страховки будет ниже. При этом 43 процента автовладельцев оцениваются как наименее рискованная группа, и они могут получить скидку 30-40 процентов от среднерыночной цены. А риски 27 процентов водителей оцениваются как высокие - и они получат цену существенно выше среднерыночной.
Таким образом, методы машинного обучения позволяют оценивать риски более точно, что выгодно и для страхователя, и для страховщика.