Χρήση τεχνικών ανάλυσης μεγάλων δεδομένων στον αναλογισμό

Τσέκος, Ανέστης

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

Αρχεία σε αυτό το τεκμήριο

Name:: Tsekos_18019.pdf
Μέγεθος:: 1.043Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα