Czy algorytmy lepiej przewidują ryzyko niż ludzie

Dane są obecne w historii ludzkości od niepamiętnych czasów. To one, odpowiednio wykorzystywane przez człowieka, były źródłem tworzenia przełomowych rozwiązań, które przyspieszały rozwój świata. Dziś, uczestnicząc w rewolucji cyfrowej, musimy zastanowić się, czy to my nadal zarządzamy danymi, czy one nami. 

Cyfryzacja wkroczyła w naszą codzienność, zarówno osobistą, jak i biznesową. To bezdyskusyjne. Jednak jak z każdym nowym trendem, który w istotny sposób ułatwia nam życie czy procesy biznesowe, istnieje ryzyko zachłyśnięcia: odrzucamy dotychczasowe zwyczaje i rozwiązania na rzecz tego, co świeże i lepsze. Często nie zastanawiamy się nad definicją czy analizą owej kategorii lepsze, tylko przyjmujemy ją za pewnik. Czy słusznie? Czy nowe jest lepsze w kontekście algorytmów przewidujących ryzyko? Na to pytanie odpowiem na przykładzie biznesu ubezpieczeniowego, z którym jestem związana od 20 lat. Ale posłużę się w tym celu analizą na tyle uniwersalną, by z powodzeniem można było ją odnieść także do innych dziedzin biznesu. 

Algorytm vs człowiek

W odpowiedzi na tytułowe pytanie w pierwszym odruchu można by stwierdzić: tak, algorytmy są lepsze w przewidywaniu ryzyka ze względu na swoje możliwości obliczeniowe i umiejętność rozważania więcej niż cztery zmienne jednocześnie. Warto zatem przeformułować to pytanie i zastanowić się, czy algorytmy opisujące ryzyko potrafią sprawnie działać bez nadzoru człowieka? I jaka jest rola menadżera odpowiedzialnego za zarządzanie tym ryzykiem?

Ryzyko jest nieodłącznym elementem prowadzania każdej działalności biznesowej. W tym kontekście branża ubezpieczeniowa jest o tyle specyficzna, iż ochrona finansowa przed ryzykiem to serce naszej działalności. Przykładem są ubezpieczenia OC posiadaczy pojazdów mechanicznych, gdzie składka ubezpieczeniowa płacona przez klienta powinna odzwierciedlać ryzyko wnoszone przez niego do portfela ubezpieczeniowego: prawdopodobieństwo wystąpienia szkody oraz jej rozmiar. W zamierzchłej erze przedcyfrowej zakładano, że takie ryzyko zależy od regionu Polski, pojemności pojazdu oraz słynnego bonus malus. Nikt nie zbierał w systemach danych dotyczących faktycznych szkód w sposób, który umożliwiałby weryfikację takiej hipotezy. Wtedy nastał XXI wiek, a wraz z nim moce obliczeniowe pozwalające na tworzenie najpierw prostych, a potem coraz bardziej skomplikowanych modeli predykcyjnych. Wspomniane modele tworzone były i są techniką regresji wielowymiarowej (tak zwane modele liniowe), która pozwala określić niezależne zmienne mające wpływ na badane zjawisko, jak również moc wpływu każdej z tych zmiennych. Przykładowo, dzięki takiej analizie możemy stwierdzić, iż ryzyko spowodowania wypadku drogowego (szkody w ubezpieczeniu OC) zależy od tego, czy ktoś powodował takie szkody w przeszłości, a jeżeli odpowiedź brzmi „tak”  - to owe ryzyko rośnie o 300%. Celowo przytaczam tutaj specyfikę tej metody analitycznej, by pokazać, że pozwala ona na logiczne testowanie algorytmu poprzez weryfikację, czy uzyskane wyniki nie kolidują z naturą zjawiska. 

Jest to zatem pierwszy krok w kierunku modeli predykcyjnych i algorytmów, które „same” są w stanie określić ryzyko. W regresji wielowymiarowej algorytmy to nie czarna skrzynka, która po pobraniu danych wyjściowych podaje wynik, tutaj nadal mamy przejrzystość wykonywanych działań. Pozawala to na przykład dopasować model dla grup, które są niedoreprezentwane w zbiorze danych, służących do stworzenia modelu. Powiedzmy, że młodzi kierowcy stanowią jedynie 0,5% wszystkich, którzy podlegali analizie i model nie wychwycił ich odmienności od reszty populacji, a w konsekwencji nie przyporządkował im wyższego ryzyka spowodowania wypadku. Doświadczenie analityka i underwritera pozwala skorygować ręcznie tę wartość i nadpisać model. Dowodzi to, że pomimo zaawansowania analitycznego, nadal takie modele nie powinny działać bez nadzoru profesjonalisty.

Kompas danych

W miarę upływu czasu modele liniowe stawały się coraz bardziej skomplikowane, doprowadzając powoli do sytuacji, gdzie proste logiczne wnioskowanie stało się niemożliwe. Oczywiście, poza takim właśnie testowaniem modelu dostępny jest szereg technik analitycznych, które zapewniają jego poprawność. Standardowe metody zostały wzbogacone o modele nieliniowe, które dużo precyzyjniej opisują ryzyko nawet małych grup populacji, jak wymieniony młody kierowca. Na tym etapie rozwoju zaawansowanej analityki niezbędne jest zapewnienie kompetencji przygotowania potencjalnych zmiennych opisujących rzeczywistość, tworzenia i testowania modeli. Wiedza biznesowa w zakresie tych pierwszych jest nie do przecenienia, gdy chcemy zbudować przewagi konkurencyjne oraz odzwierciedlić trwałe trendy w czasie.

W moim ubezpieczeniowym przykładzie szczególnie ważna jest rola menedżera jako stratega wykorzystującego modele predykcyjne do zarządzania ryzykiem przyjmowanym do portfela. Bo choć odpowiednia strategia cenowa powinna zapewnić firmie rentowność, to nie należy porzucać działań mitygujących ryzyko. W przypadku ubezpieczeń komunikacyjnych nie bez znaczenia jest underwriting, tzn. działania mające zapobiec przyjmowaniu do portfela ryzyk fraudogennych. I tu jedynie człowiek może wzbogacić model predykcyjny o przewidywane obniżenie ryzyka w związku z podejmowanymi działaniami. Dlaczego tylko człowiek? Czy algorytmy nie mogą tego przetestować? Mogą, ale to potrwa ze względu na to, że szkody będą zgłaszane przez kolejny rok. A my nasz nowy model oceny ryzyka, a co za tym idzie obliczania składki dla klienta, chcemy zastosować jak najszybciej, aby móc realizować korzyści sprzedażowe. 

Cyfryzacja zmienia naszą rzeczywistość i zmienia naszą rolę jako menedżerów. Ważne, byśmy umieli się adaptować i sprawnie wykorzystywać ogrom informacji, jakie analiza danych wnosi do naszej pracy. Pamiętajmy jednak, by traktować zaawansowaną analitykę jako kompas, który jest wsparciem strategii biznesowej, a nie GPS, który pokazuje jedyną właściwą pozycję.