Платформа микро страхования автомобилей FlexyPro
Инновационные решение на основе применения ИИ/ML.
Моделирование рисков на основе применения ИИ
Модель риска реализована в платформе FlexyPro на основе применения методов ИИ и основана на глубоком анализе более 1 миллиона реальных поездок от десятков тысяч пользователей в сочетании с проверенными данными о страховых случаях. Для эффективной обработки этих данных был разработан набор автоматизированных инструментов для фильтрации, нормализации и обогащения данных. Далее используя корреляцию и методы машинного обучения, мы выявили набор поведенческих и контекстуальных факторов, влияющих уровень страхового риска.
Цифровая Модель Водителя
В FlexyPro мы внедрили цифровую модель водителя. Цифровая модель водителя - это виртуальный профиль водителя, основанный на данных об их поведении, предпочтениях, истории поездок и рисках, связанных с их стилем вождения, погодными условиями, дорожными условиями и другими факторами. Эта модель не только позволяет оценивать риски для расчета расходов на страхование, но и активно используется для организации триггерной коммуникации с водителем для стимулирования повторны продаж.
Отличия от короткого КАСКО
В чем разница между коротким КАСКО и микро страхованием автомобилей на основе платформы FlexyPro?
Конкурентные Преимущества
Моделирование риска
Очень широкий набор параметров для разделения пользователей на группы
Гибкое дополнительное обучение модели риска, дополнение модели риска новыми параметрами
Мобильный телефон как источник данных
Лучшая на рынке точность обнаружения событий с помощью телефона во время вождения
Большое количество определяемых типов мобильности - движение на авто, такси, скутере/велосипеде, автобусом, метро, поезде и т.д.
Технологии ИИ/ML
Мы используем наиболее современные и применимые технологии ИИ/ML для повышения точности данных и сокращения времени выхода на рынок.
K‑d Tree (K‑dimension Tree)
Визуализация разделения 2D-пространства с зонами построения и поиска деревьев
Поиск ближайшего соседа в k‑d дереве
Метод опорных векторов
Иллюстрация с гиперплоскостью, зонами маргина и эталонными векторами
K-d дерево с плотной сеткой
Пример разбиения плотного пространства, визуализация глубины дерева с использованием линий разного цвета/толщины
Классификатор случайный лес
Градиентный бустинг
На рисунке показано, как последовательные деревья исправляют ошибки предыдущих (красные/зеленые точки отражают исправления)
Пошаговая схема построения: дерево - ошибка - следующее дерево - улучшение.
