Big Data in the Dutch Caribbean_v0.6

Big data in the Dutch Caribbean

Buck consultants

drs. Servaas Houben, AAG-FIA, CFA, FRM

20 en 27 januari 2017

1

Disclaimer

Dit is een presentatie op persoonlijk titel. Depresentatie die ik geef, representeren mijn eigenmening en stemmen niet altijd overeen met demensen, bedrijven of organisaties waarmee ik éénof andere relatie heb, behalve als dit explicietvermeld wordt.

2

Overall message

3

Agenda

1. Intro

2. Successen van Big Data2.1 Nudges

2.2 Meten is weten

3. Big Data beperkingen3.1 Sentimenten/peilmomenten

3.2 Data manipulatie

3.3 Trend breuk

3.3 Oneigenlijke verbanden

4. Big Data in pensioen en verzekerings branche4.1 Solvency II interne modellen: the need for data

4.2 Klant segmentatie: pricing en communicatie

4.3 Lange termijn beleid

5. Conclusie

4

1. Intro

• Oxford dictionary definitie van Big Data:▫ Extremely large data sets that may be analysed

computationally to reveal patterns, trends, and associations, especially relating to human behaviourand interactions.

• Overeenkomsten met huidig werk van actuarissen/verzekeraars/pensioenfondsen:▫ Menselijk gedrag: welke risico’s willen wij verzekeren

en zijn wij bereid een risico premie te betalen?

▫ Trends: langleven, rente en rendement, meer individuele keuze vrijheid

5


6


7


• Binnen de huidige pensioen- en verzekering-sector in Dutch Caribbean weinig nudges, wel aanwezig bijAmerikaanse en Europese DC systemen

• Prikkels geven door gebruik te maken van cognitive bias▫ Mensen maken niet puur rationele keuzes maar laten zich

leiden door eigen interpretatie/perceptie

• Voorbeelden:▫ Voorkeur voor default option

▫ 1/N asset allocation

▫ Voorkeur voor midden optie

▫ Status quo bias

8


• Default effect: deelnemers zullen sneller voor de standaardoptie kiezen dan voor andere opties

• Voorbeeld: beleggings opties binnen een DC contract

9

Beleggings optie % aandelen % obligaties

Default optie 50 50

Offensief 75 25

Defensief 25 75


• 1/N asset allocation: evenveel beleggen in elke categorie

• Pensioen uitvoerder kan uitkomst sturen

10

1/N asset allocation

Beleggings optie 1 Beleggings optie 2 Optie 1 Optie 2

Aandelen Aandelen 50% 25%

Obligaties Obligaties 50% 25%

Money market fund 25%

Deposito’s 25%


• Voorkeur voor midden optie: in lijst van oneven aantalkeuzes hebben mensen de voorkeur voor de middenoptie

• Pensioen uitvoerder kan uitkomst sturen

11

Pensioen uitvoerder 1 % aandelen % obligaties

Offensief 75 25

Neutraal 50 50

Defensief 25 75

Pensioen uitvoerder 2 % aandelen % obligaties

Offensief 50 50

Neutraal 25 75

Defensief 0 100

2. Successen van Big Data in andere sectoren2.2 Meten is weten

12

2. Successen van Big Data in andere sectoren2.2 Meten is weten – QUIZ!

13

Hoeveel verschillende mensen staan op de poster?

A. 1-50

B. 51-100

C. 101-150

D. 151-200

E. 200+

3. Big Data beperkingen3.1 Sentimenten en peilmomenten

14

3. Big Data beperkingen3.2 Data manipulatie

• Efficient market theory veronderstelt dat alle agenten over dezelfde informatie beschikken en tot een rational choice kunnen komen▫ Echter markten zijn inefficient waardoor niet alle deelnemers

toegang hebben tot evenveel informatie

▫ Voorbeeld: Baron Rotschild die na slag om Waterloo winst maakteop war bonds

• Data manupulatie tijdens communisme: Samuelson (econoom) voorspelde in het boek Economic Principles het volgende:▫ 1961: BBP Sovjet Unie helft van US

▫ Echter groei Sovjet Unie groter dan de US

▫ -> BBP Soviet Unie > BBP US rond 1984-1997

▫ BBP Soviet Unie nooit verder gekomen dan ongeveer 55% GDP US

15

3. Big Data beperkingen3.2 Data manipulatie

16

3. Big Data beperkingen3.3 Trend breuk

17

3. Big Data beperkingen3.4 Oneigenlijke verbanden

• Correlatie ≠ causatie▫ Voorbeeld wikipedia:

As ice cream sales increase, the rate of drowning deaths increases sharply.

Therefore, ice cream consumption causes drowning.

• Model beperkingen:

▫ Ondergang Long Term Capital Management 1998

▫ Model onderschat “flight to liquidity”

▫ Keynes: “The market can stay irrational longer than you can stay solvent.”

18

4. Big Data in pensioen en verzekeringsbranche4.1 Solvency II interne modellen: the need for data

• Solvency I regime▫ Standaard aannames voor berekening waarde en gevoeligheid van

verplichtingen

▫ Hierdoor beperkt inzicht voor verzekeraar specifieke risico’s

• Solvency II intern model:▫ Verzekeraar motiveert risico quantificering door (interne) data

▫ Opzet van datawarehouses voor verzekerings technische risico’s(afkoop, royement, sterfte, kosten)

▫ Operational loss database: samenwerking verzekeraars en bankenvoor uploaden van anonieme risk events

▫ Goedkeuring intern model in sterke mate afhankelijk van data onderbouwing (Solvency II directive data Quality)

• Introductie risico management in ARAS (nr 127)

19

4. Big Data in pensioen en verzekeringsbranche4.2 Klant segmentatie: pricing en communicatie

20


21

• Bestaande schade modellering op basis van versteldeverdelingen voor frequentie en impact▫ Frequentie: symmetrisch, bv Poisson

▫ Impact: lange staart, bv log-normaal, Weibull


22

• Predictive analytics: bepaal factoren die loss ratio het meeste beinvloeden


23

• Segmentatie pensioenfonds op informatie behoefte van klanten groepen▫ Zorgplicht pensioenfondsen om informatie verstrekking te

laten aansluiten op behoefte deelnemers

▫ Bijvoorbeeld op basis van pensioen kennis en pensioenopbouw klanten in groepen indelen

4. Big Data in pensioen en verzekeringsbranche4.3 Lange termijn beleid

24

• Big data voor schade en marketing game changer:▫ Schade:

korte termijn contracten die jaarlijks kunnen worden aangepast

Gebruik apps (bv auto) om risico profiel van polishouder in kaartte brengen

Zolang segmentatie maar dezelfde groepen oplevert, kunnenprijzen frequent worden aangepast

▫ Marketing: Nudges: klant heeft brand verzekering maar geen inboedel

Afkoop: als in jaar x van polis meeste afkoop plaatsvindt, interactie met klant verhogen

4. Big Data in pensioen en verzekeringsbranche4.3 Lange termijn beleid

25

• Voor leven en pensioen lastiger om de kracht van Big Data te gebruiken:▫ Lange termijn: bv beleggings beleid niet alleen door data

laten sturen (momentum) maar ook door investment beliefs

▫ Minder ruimte voor aanpassen premie en uitkeringen(verzekeraars)

▫ Momenteel weinig opties voor deelnemers om zelf hunvoorkeuren uit te spreken in pensioen contract (bv risicoaversie en beleggingen)

Conclusie

• Big Data zal ook in Dutch Caribbean grote impact kunnen hebben▫ Eerste stap is het belang van Data inzien: bv door meer

feedback te vergaren van klanten

• Kracht Big Data in afgeven van Nugdes▫ Linken van behoefte van klant aan gedrag

• Schade pricing is goed start punt voor Big Data vanwege frequente repricing

• Impact Big Data op Leven en Pensioen sector lastiger te voorspellen

26

Referenties

• CEIOPS, Technical Provisions – Article 86 f Standards for Data Quality, oktober 2009

• Siegel E, Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, Or Die, 1 januari 2013

• Taleb, N, The Black Swan, april 2007

• Thaler R, Sunstein C, Nudge: Improving Decisions About Health, Wealth, and Happiness, april 2008

• WiekenKamp R & Sagoenie R, Relevantie door gebruik big data in pensioen communicatie, oktober 2016

27

About me

28

Servaas Houben studied econometrics in the

Netherlands and worked in life insurance for the

first four years of his career. Thereafter, he

worked in Dublin, London, and now Curacao.

Besides actuarial, Servaas completed the CFA

and FRM qualifications, and regularly writes on

his blog, for CFA digest and (actuarial)

magazines.

Email: [email protected]

Blog: http://actuaryabroad.wordpress.com

Big Data in the Dutch Caribbean_v0.6

Documents

Transcript of Big Data in the Dutch Caribbean_v0.6