CC BY
26
УДК: 004.021
Шашков Никита Ярославович ФГБОУ ВО «ЧелГУ» Институт информационных технологий
DOI: 10.24411/2520-6990-2019-10334 РАЗРАБОТКА ПРОТОТИПА РЕКОМЕНДАТЕЛЬНОГО МОДУЛЯ СТРАХОВЫХ ПРЕДЛОЖЕНИЙ НА ОСНОВЕ ПРОГНОЗИРОВАНИЯ СТОИМОСТИ СТРАХОВОГО ПОЛИСА И ВЕРОЯТНОСТНОЙ ОЦЕНКЕ ЗАКЛЮЧЕНИЯ СТРАХОВОГО ДОГОВОРА
Shashkov Nikita Yaroslavovich
FSBEI HE "CSU" Institute of Information Technology
DEVELOPMENT OF A PROTOTYPE RECOMMENDATION MODULE OF INSURANCE PROPOSALS BASED ON FORECASTING THE VALUE OF THE INSURANCE POLICY AND PROBABILITY ESTIMATION OF THE INSURANCE CONCLUSION
Аннотация.
Работа посвящена разработке прототипа рекомендательного модуля страховых предложений на основе прогнозирования стоимости страхового полиса и вероятностной оценке заключения страхового договора. Рассматриваемая рекомендательная система специализирующимся на выдаче наборов рекомендаций страховых предложений с наибольшей вероятностью оценки заключения договора. В работе были рассмотрены различные подходы к реализации рекомендательных систем.
Abstract.
The work is devoted to the development of a prototype of the recommendatory module of insurance offers based on forecasting the cost of an insurance policy and a probabilistic assessment of the conclusion of an insurance contract. Considered recommendation system specializing in issuing sets of recommendations of insurance offers with the most likely assessment of the conclusion of the contract. The paper reviewed various approaches to the implementation of recommender systems.
Ключевые слова: рекомендательная система, база данных, информационная система, автострахование.
Keywords: recommendation system, database, information system, car insurance.
Рекомендательные системы вот уже много лет остаются одним из самых лучших, легко окупаемых и распространённых применений систем искусственного интеллекта.
Рекомендательные системы выполняют функцию поиска объектов, которые могут быть полезны человеку или могут ему понравится. Рекомендательные системы - это программы, занимающиеся предсказанием того какие объекты, могут быть интересны конкретному пользователю. Рекомендации формируются вне зависимости от каждого конкретного пользователя не только на основе его прошлых предпочтений и выборов, но и на основе информации о других пользователях.
Если же говорить о применение рекомендательных систем в сфере автострахования, то они в первую очередь используются для следующих задач:
• Рекомендация управленческих решений на основе прогнозов.
• Анализ поведения пользователей и формирование рекомендаций.
• Построение рекомендаций на основе сегментирования пользователей.
Рассматриваемый в данной статье рекомендательный модуль будет строить свои рекомендации на основе сегментирования пользователей. Рекомендательный модуль планируется к использованию в рамках программного комплекса заключения дистанционного договора страхования по КАСКО.
Модуль рекомендаций страховых предложений должен соответствовать следующим требованиям:
• Модуль должен выдать рекомендации по наиболее вероятным страховым предложениям с точки зрения вероятности заключения договора.
• Построение рекомендаций ведется на основе указанных ранее в системе дистанционного страхования по КАСКО параметров (страхователя и объекта страхования).
• Прогнозирование стоимости полиса должно предоставлять среднюю стоимость полиса на основе параметров страхователя и объекта страхования.
Использование прогнозирования в рекомендательных системах, позволяет с большой долей достоверности оценить потребности и предпочтения пользователя и сделать прогноз.
Рассмотрим основные существующие на данный момент способы и методы построения рекомендаций для выбора одного для реализации.
1. Контентная фильтрация формирует рекомендацию на основе поведения пользователя. Контент на основе которого строится рекомендация может быть задан в ручном режиме или извлечен на основе методов подобия.
2. Коллаборативная фильтрация, совместная фильтрация — это один из методов построения прогнозов в рекомендательных системах, использу-
ющии известные предпочтения группы пользователей для прогнозирования предпочтений другого пользователя.
3. Рекомендательные системы, основанные на знаниях. В основном это системы, в которых для получения рекомендаций используются полученные каким-либо образом знания. Чаще всего эти знания добавляются вручную.
4. Гибридные подходы сочетают коллабора-тивную и контентную фильтрацию.
5. Grouplens алгоритм, который был разработан в ходе проекта Grouplens. Алгоритм Grouplens состоит из двух этапов:
a. Найти в базе данных пользователей со схожими интересами.
b. Предсказать по оценкам других пользователей оценки текущего пользователя еще не оцененным им продуктам, учитывая с большим весом тех пользователей, которые больше похоже на текущего.
Методы исследования как контентная фильтрация и коллаборативная фильтрация не были выбраны для реализации рекомендательного модуля. Для контентной фильтрации нет необходимых данных о пользователе исходя из условий задачи. Кол-лаборативная фильтрация тоже не подходит, так как изначально клиент не знает заранее в какой
страховой компании ему будет одобрена страховка и не знает точной стоимости, вследствие невозможно найти людей получивших схожие данные. Гибридный метод соответственно тоже не подходит так как, сочетает в себе выше перечисленные неподходящие виды фильтрации. Среди оставшихся методов Grouplens алгоритм подходит больше всего так как для него можно накопить исторические данные на основе которых и выполнять построение прогноза.
Таким образом рекомендательный модуль страхования по КАСКО будет включать в себя следующие этапы работы:
• сбор и обновление данных о заключенных страховых договорах.
• формирование рекомендации алгоритмом Grouplens для конечного пользователя.
• Согласно рекомендациям, направляются запросы на одобрение страхования.
• рекомендательная система аккумулирует информацию об одобренных страховых договорах с сохранением параметров страхователя и объекта страхования, а также данных о стоимости страховки и страховой компании.
На рисунке 1 представлена схематично работа рекомендательного модуля.
Рис. 1. Схематическое представление рекомендательного модуля
Для эффективной работы с большим количеством данных любой программе требуется база данных, соответствующая требованиям. Для решения задачи был выбран реляционный тип базы данных, так как он понятен и наиболее подходит для хранения разрозненных по сущностям данных.
Сформируем список основных объектов-сущностей предметной области на основе которых будет построен прототип базы данных:
• Страхователи
• Объекты страхования
• Расчеты стоимости
На рисунке 2 представлена логическая модель базы данных рекомендательной системы.
Рис. 2. Логическая модель базы данных рекомендательной системы
Рекомендательные системы являются перспективным направлением развития информационных технологий в современном мире. Применение рекомендательных систем в сфере автострахования может принести много пользы. Например, рекомендательная система из данной статьи помогает в организации продаж страховок страховым компаниям, а клиенты в свою очередь получают возможность покупки страховки с высокой вероятностью одобрения за счет чего экономят свое время. Представленный прототип модуля рекомендательной системы способен стать необходимым компонентом любой системы, в которой требуется построение рекомендаций на основе исторических данных.
_з_
Данная модуль может быть адаптирован под любой бизнес, модифицирована и расширена.
Список литературы
1. А.А Барсегян, М.С. Куприянов, И.И. Холод, М.Д. Тесс «Анализ данных и процессов», СПб.: БХВ-Петербург, 2009
2. 2. Бойко В.В., Савинков В.М. Проектирование баз данных информационных систем. М, 1989.
3. Метрики в задачах машинного обучения [Электронный ресурс]. - Режим доступа: https://habrahabr.ru/company/ods/blog/328372/, свободный.
4. Vladimir Cherkassky, Filip M. Mulier. Learning from Data: Concepts, Theory, and Methods. -Wiley-IEEE Press; 2 edition, 2007.
