Polisa pod dyktando ryzyka gastronomicznego

Jedno masowe zatrucie w restauracji może kosztować ubezpieczyciela więcej niż dziesięć lat składek od tego klienta. Problem w tym, że historyczne dane szkodowe są tu prawie bezużyteczne: zdarzenia są zbyt rzadkie, by standardowa matematyka aktuarialna miała na czym pracować. Nowy model, który zasila się miejskimi wskaźnikami ryzyka i publiczną historią inspekcji, zmienia tę logikę.

Problem, którego nie widać w tabelach szkodowych

Działy aktuarialne firm ubezpieczeniowych od lat opierają wycenę polis OC dla gastronomii głównie na historii szkodowej klienta i ogólnych statystykach branżowych. Tyle że masowe zatrucia pokarmowe to zdarzenia o ekstremalnie niskiej częstotliwości i katastrofalnej szkodowości. W jednym lokalu może nie wydarzyć się nic przez piętnaście lat, a w szesnastym roku wybucha afera na pół miliona złotych odszkodowań. Klasyczne modele regresyjne nie radzą sobie z takim rozkładem ryzyka, bo po prostu nie mają wystarczającej liczby przypadków do nauki.

Z mojego doświadczenia z trzech wdrożeń w sektorze ubezpieczeń majątkowych wynika, że underwriterzy w takich sytuacjach przechodzą na ocenę ekspercką, która jest kosztowna, wolna i trudno skalowalna. Tymczasem dane, które mogłyby realnie pomóc, leżą poza firmą: w publicznych rejestrach inspekcji sanepidu, w danych o temperaturze przechowywania żywności w danej dzielnicy, w zagęszczeniu lokali gastronomicznych na kilometr kwadratowy.

Model, który widzi ryzyko, zanim pojawi się szkoda

Badacze z Chin opublikowali framework oparty na architekturze Transformer, który prognozuje ryzyko bezpieczeństwa żywności na poziomie miasta. Model połączył ponad 11 milionów rekordów inspekcji sanitarnych ze wskaźnikami demograficznymi, ekonomicznymi i środowiskowymi z rocznika statystycznego. Kluczowe jest tu trzystopniowe pretrenowanie: najpierw częściowy nadzór z wykorzystaniem przedziału Wilsona do modelowania niepewności wyników inspekcji, potem półnadzorowane oczyszczanie etykiet, które pozwala wykorzystać dane historyczne nawet przy bardzo małych próbkach regionalnych.

W teście terenowym z urzędem regulacji rynku w prowincji Zhejiang model poprawił wykrywalność nieprawidłowości i efektywność alokacji inspektorów w porównaniu z planem opracowanym ręcznie. Co ciekawe, inspektorzy stosowali heurystykę progową przy interpretacji wyników AI, co sugeruje, że dodatkowe szkolenie lub interfejsy wsparcia decyzji mogłyby jeszcze wzmocnić wpływ modelu.

Dla ubezpieczyciela oznacza to jedno: można zbudować scoring ryzyka lokalu gastronomicznego, który nie opiera się wyłącznie na tym, co już się stało, ale na tym, co prawdopodobnie się stanie, bazując na twardych danych zewnętrznych.

Scenariusz: polisa behawioralna dla sieci restauracji

Wyobraźmy sobie sieć trzydziestu restauracji w Warszawie, Krakowie i Wrocławiu. Właściciel chce ubezpieczyć całą flotę lokali od odpowiedzialności cywilnej za zatrucia pokarmowe. Standardowa oferta to składka 18 tysięcy złotych rocznie na lokal, oparta na trzyletniej historii szkodowej i ogólnym profilu branżowym.

Ubezpieczyciel, który wdrożył model oparty na Transformerze, podchodzi do tego inaczej. Pobiera dane z publicznych inspekcji sanepidu dla każdej dzielnicy, w której działa restauracja. Sprawdza średnie temperatury przechowywania żywności w tej okolicy na podstawie danych z czujników IoT w chłodniach hurtowni. Analizuje zagęszczenie lokali gastronomicznych i rotację personelu w promieniu pięciu kilometrów. Model generuje profil ryzyka dla każdego lokalu osobno.

Okazuje się, że dwie restauracje w centrum Krakowa mają podwyższone ryzyko ze względu na historię inspekcji w dzielnicy i wysoką fluktuację pracowników kuchni. Pozostałe dwadzieścia osiem lokali wypada znacznie poniżej średniej rynkowej. Ubezpieczyciel oferuje składkę zróżnicowaną: 22 tysiące dla dwóch ryzykownych lokalizacji, 12 tysięcy dla pozostałych. Do tego dorzuca warunek behawioralny: jeśli sieć wdroży własny system monitoringu AI do kontroli temperatur i procedur HACCP, składka spada o dodatkowe 15 procent po sześciu miesiącach bez incydentów.

Korzyści i rachunek ekonomiczny

Model tego typu zmienia ekonomikę underwritingu OC gastronomicznego na trzech poziomach. Po pierwsze, redukuje koszty oceny eksperckiej. Tam, gdzie underwriter spędzał dwie godziny na analizie jednego wniosku, system generuje scoring w kilka minut, a człowiek weryfikuje tylko przypadki graniczne. Po drugie, pozwala segmentować ryzyko tam, gdzie wcześniej wszyscy klienci wpadali do jednego worka 'podwyższonego ryzyka gastronomicznego'. Po trzecie, otwiera drogę do polis behawioralnych, które nagradzają klientów za aktywne zarządzanie bezpieczeństwem żywności.

Szacunkowy rachunek dla portfela tysiąca lokali gastronomicznych wygląda tak: przy średniej składce 15 tysięcy złotych rocznie i szkodowości 62 procent według danych PIU za 2023 rok, poprawa trafności underwritingu o 20 procent przekłada się na około 1,86 miliona złotych oszczędności na odszkodowaniach rocznie. Do tego dochodzi redukcja kosztów operacyjnych underwritingu o około 300 tysięcy złotych przy założeniu automatyzacji 70 procent decyzji.

Oczywiście są też wyzwania. Dostęp do publicznych danych inspekcyjnych w Polsce jest ograniczony, a sanepid nie publikuje ich w formacie nadającym się do automatycznego przetwarzania. Model wymaga kalibracji na lokalnych danych, a to oznacza współpracę z regulatorami. Do tego dochodzi kwestia wyjaśnialności decyzji: aktuariat nie kupi czarnej skrzynki bez możliwości audytu.

Od czego zacząć

Jeśli pracujesz w dziale aktuarialnym firmy ubezpieczeniowej i masz w portfelu co najmniej dwieście lokali gastronomicznych, warto zacząć od pilotażu na jednym mieście. Wybierz Warszawę lub Kraków, gdzie zagęszczenie danych inspekcyjnych jest najwyższe. Zbierz trzy lata publicznych wyników kontroli sanepidu, dane o temperaturach przechowywania z hurtowni spożywczych i własną historię szkodową. Nawet prosty model gradient boosting na tych danych da lepszą segmentację ryzyka niż obecne tabele taryfowe oparte wyłącznie na szkodowości historycznej.

Następnym krokiem jest rozmowa z compliance: model musi przejść audyt wyjaśnialności, żeby aktuariat mógł go używać do decyzji taryfowych. I wreszcie, przygotuj produkt behawioralny. Klienci, którzy inwestują we własne systemy monitoringu bezpieczeństwa żywności, to klienci, którzy sami obniżają swoje ryzyko. Polisa, która to nagradza, to nie tylko lepsza wycena, to też przewaga konkurencyjna na rynku, gdzie wszyscy sprzedają ten sam produkt.

• Redukcja szkodowości o 20 procent dzięki precyzyjnej segmentacji ryzyka na podstawie danych zewnętrznych
• Automatyzacja 70 procent decyzji underwriterskich, oszczędność około 300 tysięcy złotych rocznie na portfelu 1000 lokali
• Nowy produkt behawioralny jako przewaga konkurencyjna na rynku ubezpieczeń OC gastronomicznych

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.