dc.contributor.advisor | Κούτρας, Μάρκος | |
dc.contributor.author | Τσέκος, Ανέστης | |
dc.date.accessioned | 2021-10-27T16:14:06Z | |
dc.date.available | 2021-10-27T16:14:06Z | |
dc.date.issued | 2021-09 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/13775 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/1198 | |
dc.description.abstract | Στην σημερινή εποχή υπάρχει ανάγκη επεξεργασίας τεράστιων ποσοτήτων πολυδιάστατων δεδομένων με μεγάλη διάσταση (high dimensional big data ) και υψηλή πολυπλοκότητα. Η επιστημονική περιοχή της ανάλυσης μεγάλων δεδομένων (big data analytics) έχει πλέον επηρεάσει θετικά τελευταία και τον Ασφαλιστικό χώρο αφού ήδη στις μεγάλες ασφαλιστικές εταιρείες γίνεται εκτεταμένη χρήση τέτοιων τεχνικών στην τιμολόγηση ασφαλίστρων και τη διαχείριση απαιτήσεων. Για παράδειγμα στην τιμολόγηση είναι ιδιαίτερα επωφελής η εφαρμογή τεχνικών κατάτμησης (segmentation) και προβλεπτικής μοντελοποίησης (predictive modelling) για να αποτιμηθεί ακριβέστερα ο κίνδυνος και να γίνει ασφαλής/επωφελής τιμολόγηση ασφαλίστρων. Έτσι, οι ασφαλιστικές εταιρείες χρησιμοποιούν πλέον προχωρημένα εργαλεία π.χ. μοντέλα συμπεριφοράς βασισμένα σε δεδομένα προφίλ πελατών - με συνεχή ροή δεδομένων πραγματικού χρόνου - π.χ. δορυφορικά δεδομένα, αναφορές καιρού, αισθητήρες οχημάτων - για να δημιουργηθεί λεπτομερής και εξατομικευμένη αξιολόγηση του κινδύνου.
Στα πλαίσια της εργασίας αυτής πραγματοποιείται συστηματική παρουσίαση στατιστικών τεχνικών ανάλυσης μεγάλων δεδομένων που έχουν χρησιμοποιηθεί ή έχουν αναπτυχθεί αποκλειστικά για το χώρο του αναλογισμού και της διοίκησης κινδύνου. Ειδικότερα περιγράφονται τα χαρακτηριστικά των Μεγάλων Δεδομένων και οι τεχνικές που τα διέπουν, σύμφωνα με τη βιβλιογραφία. Στη συνέχεια, παρουσιάζονται οι τεχνικές ταξινόμησης και τα δέντρα αποφάσεων. Τέλος, παρουσιάζονται συγκεκριμένα παραδείγματα εφαρμογής σχετικά με μερικές από τις τεχνικές αυτές για να καταδειχθεί ο τρόπος χρήσης τους και η αποτελεσματικότητά τους. | el |
dc.format.extent | 67 | el |
dc.language.iso | el | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
dc.title | Χρήση τεχνικών ανάλυσης μεγάλων δεδομένων στον αναλογισμό | el |
dc.title.alternative | Use of big data analytics in actuary | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
dc.description.abstractEN | Nowadays there is a need to process huge amounts of high dimensional big data with high complexity. The scientific field of big data analytics has now had a positive impact on the insurance industry, since already in large insurance companies there is an extensive use of such techniques in premium pricing and claims management. For instance, in pricing, the application of segmentation techniques and predictive modeling is particularly beneficial to assess the risk more accurately and to make safe / beneficial insurance premiums. Thus, insurance companies, now, use advanced tools e.g. Behavioral models based on customer profile data - with a continuous flow of real-time data - e.g. satellite data, weather reports, vehicle sensors - to create a detailed and personalized risk assessment.
In this thesis, a systematic presentation of statistical techniques of big data analysis that have been used or developed exclusively for the field of actuarial and risk management is carried out. In particular, the characteristics of Big Data and the techniques that govern them are described, according to the literature. Next, the classification techniques and decision trees are presented. Finally, specific examples of application some of these techniques are presented to demonstrate how they are used and their effectiveness. | el |
dc.contributor.master | Αναλογιστική Επιστήμη και Διοικητική Κινδύνου | el |
dc.subject.keyword | Μεγάλα δεδομένα | el |
dc.subject.keyword | Βig data | el |
dc.subject.keyword | Actuary | el |
dc.subject.keyword | Actuarial | el |
dc.subject.keyword | Random forest | el |
dc.subject.keyword | KNN | el |
dc.subject.keyword | Λογιστική παλινδρόμηση | el |
dc.subject.keyword | Μηχανική μάθηση | el |
dc.date.defense | 2021-09-27 | |