Pentingnya Review Manual dalam Model Bencana di Industri Asuransi

Dalam lanskap manajemen risiko yang terus berkembang, model bencana (CAT modeling) telah menjadi elemen penting bagi industri asuransi. Model CAT membantu memprediksi dan mengurangi kerugian akibat bencana alam, bencana buatan manusia, keadaan darurat kesehatan masyarakat, dan lainnya. Namun, dengan semakin bergantungnya industri pada penilaian berbasis data, muncul pertanyaan sederhana: Apakah kita terlalu bergantung pada model CAT? Tanpa peninjauan dari underwriter berpengalaman untuk menentukan kelayakan risiko dan tarif yang diterapkan, perusahaan asuransi dan broker dapat membuat rekomendasi berdasarkan informasi yang tidak akurat. Ini menjadi lebih relevan untuk risiko kompleks yang sulit dimodelkan. Mari kita selami lebih dalam.

Bagaimana Underwriter Mengatasi Keterbatasan Model CAT

Mengandalkan sepenuhnya pada model CAT untuk penilaian risiko asuransi, kelayakan risiko, dan penetapan tarif dapat menyebabkan risiko signifikan, terutama ketika underwriter berpengalaman tidak menganalisis model tersebut.

1. Ketergantungan pada Data Historis: Model CAT sering kali menekankan penggunaan data historis untuk memprediksi risiko masa depan, yang berarti mereka mengasumsikan bahwa peristiwa di masa depan akan mengikuti pola masa lalu. Perubahan iklim, perkembangan perkotaan, dan kode bangunan dapat secara dramatis mengubah lanskap risiko. Perubahan tersebut dapat membuat model yang didasarkan pada data historis menjadi usang atau tidak akurat. Bruce Norris, Direktur Jencap, dalam sebuah wawancara podcast baru-baru ini, menyoroti kesulitan dalam menggunakan data historis untuk risiko yang muncul, dengan mengatakan, “Model baru, seperti untuk kebakaran hutan, masih dalam tahap pengujian awal, yang menimbulkan tantangan unik dalam memprediksi dan mempersiapkan risiko-risiko ini.”

2. Kesalahan dan Ketidakpastian Inheren: Semua model CAT memiliki kesalahan dan ketidakpastian yang melekat — terutama pada nilai ekstrem atau peristiwa langka. Sifat kompleks dari model tersebut dan penyederhanaan yang diperlukan untuk membuatnya layak secara komputasional hanya memperparah kesalahan ini. Underwriter berpengalaman dapat membantu mengurangi ketidakpastian ini dengan menerapkan pengetahuan kontekstual mereka tentang lanskap risiko. Norris setuju, dengan menyatakan, “Menyediakan data yang akurat untuk model sangat penting; data yang tidak akurat dapat menyebabkan keputusan underwriting yang buruk dan manajemen risiko yang tidak efektif.”

3. Kesalahan Interpretasi Hasil Model: Output model CAT dapat disalahartikan. Non-ahli atau orang dengan pemahaman terbatas mungkin menyalahgunakan output model CAT tanpa menyadari keterbatasannya. Underwriter dilatih untuk melihat lebih dari sekadar angka dan mempertimbangkan faktor kualitatif yang mungkin tidak segera terlihat dalam output model. Di Jencap, Norris mengungkapkan, “Kami mengambil data dari model-model ini kepada tertanggung untuk membantu mereka memahami risikonya, mungkin membantu menetapkan batasan, melihat fasilitas kritis, dan membantu mereka mengurangi risiko daripada sekadar mentransfernya.”

4. Ketergantungan Berlebihan pada Model: Ketergantungan yang berlebihan pada model dapat menyebabkan rasa aman yang palsu di antara para pemangku kepentingan, yang pada akhirnya dapat menyebabkan kelesuan dalam manajemen risiko proaktif. Underwriter membantu mempertahankan pendekatan dinamis terhadap penilaian risiko, terus-menerus mempertanyakan dan menyempurnakan asumsi berdasarkan data dan tren terbaru.

5. Ukuran dan Sumber Set Sampel: Ukuran dan sumber set sampel dapat memengaruhi akurasi dan keandalan hasil. Ukuran sampel yang lebih kecil secara inheren menghasilkan prediksi yang lebih tidak pasti karena data yang lebih sedikit menginformasikan model. Di area di mana peristiwa bencana jarang terjadi, model memiliki kemampuan yang lebih terbatas untuk memprediksi kejadian di masa depan dengan tingkat kepercayaan yang tinggi.

6. Verifikasi dan Pemeriksaan Data: Karena kualitas dan akurasi model CAT sangat bergantung pada titik data yang benar, penting bagi underwriter untuk secara proaktif memverifikasi dan memeriksa fakta informasi — terutama jika risikonya tampak diinginkan secara ekonomi atau strategis. Misalnya, seorang underwriter dapat mempertimbangkan risiko gempa bumi yang berada di luar selera risiko perusahaan asuransi berdasarkan model. Namun, risikonya memiliki atribut di atas rata-rata yang membuatnya menjadi bisnis yang lebih diinginkan. Underwriter harus mengumpulkan data model, memetakan atribut risiko tambahan, dan menguraikan potensi profitabilitas dan pertumbuhan masa depan kepada perusahaan asuransi.

Bagaimana AI Dapat Meningkatkan Efektivitas Model CAT

Norris melihat masa depan model CAT berkembang pesat, dengan menyatakan, “Saat kita menghadapi perubahan iklim dan risiko yang muncul, industri harus beradaptasi. Ini melibatkan pembaruan model secara terus-menerus dengan data terbaru dan keahlian dari berbagai spesialis seperti insinyur dan ahli meteorologi.” Selain memanfaatkan para ahli ini, kecerdasan buatan (AI) dapat secara signifikan meningkatkan model bencana dengan memproses sejumlah besar data dengan cepat sambil mengintegrasikan berbagai jenis data seperti citra satelit dan pembaruan cuaca waktu nyata. Seiring perkembangan AI dari waktu ke waktu, penggunaannya dalam model CAT akan semakin kuat:

1. Menggunakan AI untuk Validasi Data: Karena model CAT sangat sensitif terhadap data input, dan bahkan kesalahan kecil dapat menyebabkan perbedaan besar dalam hasil, peran AI dalam memvalidasi data sebelum diimpor ke model CAT sangat penting. AI dapat mengotomatisasi pemeriksaan konsistensi, kelengkapan, dan akurasi data, mengurangi kesalahan manusia, meningkatkan efisiensi proses validasi data, dan meningkatkan keandalan output model.

2. Menggunakan AI untuk Memeriksa Lokasi dan Jenis Konstruksi: AI memiliki kemampuan untuk meningkatkan granularitas penilaian risiko, kelayakan, dan penetapan tarif. Misalnya, AI dapat menganalisis sejumlah besar data geografis dan konstruksi untuk mengidentifikasi pola risiko dan anomali yang mungkin tidak terlihat melalui analisis manual. Hal ini dapat membantu menentukan apakah area tertentu memiliki bangunan yang lebih rentan terhadap kerusakan dari jenis bencana alam tertentu berdasarkan bahan dan metode konstruksi, informasi yang kemudian dapat digunakan untuk menyesuaikan kebijakan asuransi dan penetapan harga agar lebih mencerminkan risiko sebenarnya.

Ke depan, AI diharapkan dapat merevolusi proses-proses ini lebih lanjut dengan mengintegrasikan data waktu nyata, meningkatkan penilaian risiko yang dipersonalisasi, dan menyempurnakan penawaran asuransi. Namun, peran underwriter manusia tetaplah penting; mereka penting untuk menafsirkan wawasan yang dihasilkan oleh AI, menambahkan konteks, dan membuat keputusan yang bernuansa di mana penilaian manusia tidak tergantikan.