Data mining in actuarial performance indicators using self-organizing maps

Abstract

In dieser Arbeit wenden wir eine Data Mining Methode künstlicher neuronaler Netze auf einen Datensatz über existierende Neugeschäftsverträge in der Lebensversicherung an. Ziel dabei ist es, den Performance Indikator der Neugeschäftsmarge (new business margin) besser zu verstehen und diesen besser vorhersagen zu können, ohne die internen stochastischen Modelle zu verwenden. Nachdem künstliche neuronale Netzt allgemein erklärt werden, gehen wir näher auf die in der Anwendung verwendeten Self-Organizing Maps ein und erklären diese mit Hilfe ihres Vorgänges, der Vektorquantisierung. Außerdem wird darauf eingegangen, wir Data Mining in Geschäftsprozessen allgemein und im Speziellen in der Lebensversicherung angewendet werden kann. Die Daten bestehen aus Indikatoren über innerhalb eines Monats abgeschlossene Verträge der Allianz Elementar Lebensversicherungs-AG. Die Resultate zeigen, dass Self-Organizing Maps die vorhandenen Daten gruppieren können und dass eine verständliche Visualisierung möglich ist. Sie unterstützen die Annahme von stark nichtlinearen Verbindungen zwischen der New Business Margin und den dazu führenden Daten. Aufgrund von zeitaufwändigen Verarbeitungsschritten vor Anwendung der neuronalen Netze wird eine regelmäßige Verwendung der in dieser Arbeit durchgeführten Berechnungen angewendet auf diese Daten abgeraten.

Data Mining becomes a vital aspect in data analysis and clustering is a potential tool of Data Mining. In this work we apply the Data Mining method of an Artificial Neural Net, namely Self-Organizing Maps, on a dataset containing information about new business contracts. We explain neural nets in general and how Data Mining can be applied in insurance companies. By means of the classical vector quantisation process we explain the algorithm of Self-Organizing Maps and its parameters. We then apply the algorithm to a data sheet provided by the actuarial life department of Allianz Elementar Lebensversicherungs-AG to get a better insight into parameters affecting the new business margin, going beyond the already widely performed analyses. The outcomes show clear evidence that Self-Organizing Maps can cluster this data into individual groups. Though the results support the assumption of a highly non-linear correlation between the new business margin and the parameters leading to it, only a small amount of data can be used for analyses. A suggestion on how to set parameters leading to a more stable, higher new business margin is made nevertheless. Because of limitations concerning data, software and time, Self-Organizing Maps are not the ideal solution for analysing this kind of data. Especially due to the required time-consuming, manual pre- and postprocessing it is not recommended to use the methods presented in this work on a regular basis on this particular data sheet.