Использование геоданных в прогнозных страховых моделях

О проекте

Необходимо было дополнить модели частоты и среднего размера убытков дополнительными факторами, которые основываются на информации об адресе страхователя (расстояния, численность населения городов и их производные)
О проекте
Этапы работы:
1. Сбор данных
2. Генерация и тестирование решений, поиск подходящего
3. Построение прототипа модели
4. Настройка инфраструктуры

Python
XGBoost
GeoPandas
CatBoost
H2O
Бизнес эффект
Были просчитаны дополнительные полезные факторы. Они добавлены в существующие алгоритмы построения прогнозных значений частоты и среднего убытка. Удалось значительно улучшить модели.
Команда проекта
Дмитрий Б.
Разработчик
Фрэнк Ш.
Аналитик
Сферы использования
Кейс полезен страховым компаниям. Данный продукт позволяет более качественно балансировать портфель с использованием дешевых и открытых данных.
Мы на связи
Мы на связи!
Напишите нам для сотрудничества или если у вас возникли вопросы.