专硕_97：“北大-CAS保险精算月”系列讲座之机器学习介绍及保险行业案例分析
蒋冠军（明德精算咨询公司合伙人）
11月26日下午，2018年经济学院“北大-CAS保险精算月”系列讲座第三场在北京大学理科教学楼417教室举行，本次讲座邀请明德精算咨询（Milliman）蒋冠军先生介绍机器学习及其在保险行业的应用案例。讲座由经济学院风险管理与保险学系陈凯副教授主持。
蒋冠军先生首先介绍机器学习的基本知识。机器学习是一门综合概率论、统计学以及计算机科学等多门理论学科的交叉学科。与传统的回归分析相比，机器学习可以对海量信息进行统计分析，挖掘多个变量之间的关系，其预测效果比传统的回归分析方法更好。而机器学习的这一特征也天然地与“大数据”相契合。随着数据集中观测标的数量的不断增加、同一个标的信息维度的增加，数据集中所包含的信息更多、更复杂，机器学习可以实现大数据中信息的挖掘、聚类和分析，从而达到更好的预测效果。他随后介绍了决策树、GBM、随机森林以及深度学习等机器学习算法，以及SAS、R、Python、Spark等机器学习常用的工具。
之后，主讲人介绍了机器学习的一些商业应用案例。在保险业外，机器学习被用于谷歌无人车、心脏病预测以及Alpha Go等领域。在保险行业内，机器学习可应用于风险识别和风险细分，从而帮助保险公司降低成本，提高资金使用效率。此外，在定价环节，通过机器学习，保险公司可以增加新变量，扩展差别费率的分组组别，从而提高定价的精度。例如，在车险销售环节，保险公司往往在电话销售渠道上花费大量通讯费用和人力成本，而该渠道签单成功率较低，机器学习可以帮助保险公司识别不同消费意愿的客户，将销售费用集中使用于签单成功率较高的客户群上，从而提高效率，除此之外，机器学习还可以帮助保险公司识别不同“忠诚度”的客户，将费用集中于“摇摆”客户群上，有效提高该客户群的留存率，从而提高保险公司成本效率。在理赔环节，机器学习方法可以辅助识别欺诈赔案。机器学习方法可以识别、聚类欺诈类赔案的特征信息，当保险公司面临新赔案时，先经由机器学习确定该赔案属于正常赔案还是大概率属于欺诈赔案，从而迅速核赔定损、理赔正常赔案，提高客户满意度，将由此节省出的资金和人力资源集中于可疑赔案的审核，从而降低欺诈赔案比例，提高效率。
讲座后，蒋冠军先生就传统回归模型与机器学习的核心区别、机器学习的商业应用是否局限于风险细分、机器学习识别相关性但难以解释因果性等同学们关切的问题与大家展开了进一步的交流。本次讲座丰富了同学们关于机器学习和应用前沿的知识，启发了同学们探索新领域，学习新方法的兴趣，取得了良好的教学效果。
（风险管理与保险学系 王云龙 供稿）
