Cape Analytics以粒度启动防御空间分析
2019年04月26日 由 人工智能爱好者 发表
867236
0
过去几年中,从2016年5月加拿大阿尔伯塔到2018年11月加利福尼亚州天堂镇的重大野火事件,使得保险业和房主寻求新的解决方案,以了解和减轻他们的野火风险。
历史上,保险商在过去二十年中一直使用行业评分工具来量化给定财产的一般野火风险水平。为了更好地模拟野外火灾的整体风险,目前正在使用从这些最新火灾中收集到的新信息对其进行更新。然而,作为这些努力的一部分,利用新技术收集对野火风险的更高分辨率洞察几乎没有做过。
在2018年12月的一篇保险杂志文章中,提到人工智能和计算机视觉在整个荒地城市界面上为更精细的承保所带来的机遇和挑战。特别是,在其2018年1月的保险业报告中引用了加利福尼亚保险部(CDI)的行动呼吁,以利用“足够颗粒化以客观地识别燃料来源和其他物理特性”的图像,并“考虑到业主或COM采取的缓解措施”。
现在,随着Cape Analytics的防御空间解决方案的发布,该行业拥有第一个此类数据集,可以对WildFire承保和评级工作流产生有意义的影响。
就风险如何从一种财产转移到另一种财产而言,野火是最为细微的危险之一。保险业已将其大部分资源用于提供以承保为重点的工具,这些工具将与野火相关的背景信息(如地形、气候和燃料)叠加到财产的地理位置上。成熟的解决方案,如Verisk's Fireline®或美国农业部(USDA)Wildland Fire Hazard Potential Maps,除Redzone等新进入者外,还提供有价值的评分,帮助运营商识别特定财产的一般野火风险。例如,Redzone的RzRisk,根据他们的网站,除了火灾频率得分外,还描述了一处房产是否位于有野火、余烬、烟雾或疏散风险的区域。
然而,这些评分工具的一个主要问题是,它们的解决方案通常比单个家庭的解决方案大。今天,如果保险商想区分位于同一野火风险区的房产,他们在物理检查之外就没有办法做到这一点。
例如,下图显示了受加利福尼亚州雷丁市2018年卡尔火灾影响的财产,这些财产具有相同的野火风险评分,但防御空间的级别不同。
在风险选择和定价方面,如何区分这些属性?要做到这一点,保险业需要的不仅仅是另一个野火风险评分。
在一个典型的工作流程中,保险商收到一个财产的区域野火危险区评分,这有助于他们确定资格、费率或是否需要检查。在大多数情况下,位于中高风险区域的财产将进行虚拟或现场检查,以确定该财产是否已通过可防御空间和防火施工措施努力降低野火风险。检查为核保流程增加了额外的时间和资源,提供了通过自动化优化此工作流的机会。
Cape的新防御空间解决方案使运营商能够利用这一机会,通过提供按需访问地产级别的结构化数据,以获取重要的野火属性,如与植被的距离和周围的燃料负荷。通过将这些数据插入到一个基于规则的自动化工作流程中,再加上其他屋顶属性(如覆盖材料),运营商可以在他们通常检查的大部分财产中自动执行承保流程。例如,承运人可以定义承保规则,自动批准保险单,而无需人工审查任何具有可接受的防御空间和耐火屋顶结构(两者都由Cape即时提供)的中低价值财产。相反,另一条规则可能会触发检查,或建议对防御空间差且位于野火风险较高区域(基于传统评分工具)的财产采取缓解措施。这两个规则都可以在报价或更新时实例化,从而显著提高承保效率。