Wer erstellt das überzeugendste Prognosemodell? Mit dieser Fragestellung richtet der Förderverein VM4K einen Wettbewerb aus, der sich an Studierende der Mathematik und andere Nerds richtet.
Gesucht ist ein Prognosemodell, das den Schadenbedarf in der Kraftfahrzeug-Haftpflichtversicherung ermittelt. Hierbei werden reale Messwerte des gesamten deutschen Kraftfahrtversicherungsmarktes als Modellierungsbasis zur Verfügung gestellt. Eine Anmeldung ist bis 30. September 2020 möglich. Die erstellte Modellierung kann bis zum 30. November 2020 eingereicht werden.
Der erste, zweite und dritte Preis sind mit 5.000, 3.000 und 2.000 Euro dotiert. Für die beste Prognose 2019 ist zusätzlich ein Sonderpreis in Höhe von 5.000 Euro ausgelobt. Eine Jury aus Versicherern und Hochschulen bewertet die Einreichungen.
Zum Wettbewerb haben sich bisher elf Student*innen angemeldet. Auf Wunsch haben wir eine Fristverlängerung der Anmeldungen bis zum 16. Oktober eingerichtet.
Prof. Dr. Martina Brück, Hochschule Koblenz
Udo Jüngling, Toyota Versicherungsdienst
Philipp Knott, freeyou AG
Dr. Wolfgang Micus, ERGO Group AG
Onnen Siems, Meyerthole Siems Kohlruss
Bernd Zens, DEVK
Wir freuen uns auf spannende Wettbewerbsbeiträge!
Flyer mit Wettbewerbungsbedingungen (PDF)
Daten zum Kraftfahrtversicherungsmarkt 2019 (PDF)
Falls Sie Nachfragen haben, richten Sie sie gerne an uns. Die Fragen werden zusammen mit der Antwort hier veröffentlicht.
Anmeldungen und Nachfragen bitte an Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein! mit Angabe eines Teamnamens, Namen der Teammitglieder, Studiengang sowie Hochschule und/oder Versicherer.
Nachgefragt
Die Studentin Ilona Maske war die Erste, die sich als Teilnehmerin des Wettbewerbs gemeldet hat.
Wie haben Sie von dem Wettbewerb erfahren?
Durch einen Kollegen, der als Aktuar tätig ist.
Was hat Sie an der Aufgaben bzw. den Aufgaben gereizt?
Letztes Jahr habe ich, im Rahmen eines Praktikums, ein Risikomodell für den Schadenbedarf im Bereich Kraftfahrt erstellt. Jetzt wäre es interessant, dies mit Machine-learning-Verfahren umzusetzen. Von Machine Learning und ihrer Anwendung in der Versicherung handelt auch meine Masterarbeit, die ich gerade abgeschlossen habe. Durch den Wettbewerb kann ich mein Wissen direkt in die Praxis umsetzen.
Ich studiere Mathematik, weil…
... ich Ergebnisse mag, die die Dinge vereinfachen und optimieren. Auch mein Nebenfach Statistik bietet interessante Anwendungen der Mathematik. Ich war schon immer zu Mathematik und Naturwissenschaften hingezogen.
FAQs
Gehen wir richtig in der Annahme, dass ausschließlich HWKZ 112(PKW) ausgewertet werden soll?
Korrekt, es geht nur um PKW mit der HWKZ 112.
Im zweiten Bereich der Aufgabenstellung bringen Sie ein, dass die Modellgüte durch das "gewichtete Bestimmtheitsmaß" bewertet wird.
Welches Maß wird hier zugrunde gelegt und mit welcher Kenngröße soll dieses gewichtet werden?
Die Jury benutzt das Bestimmtheitsmaß zur Bewertung der Modellgüte. Dazu wird das Bestimmtheitsmaß R², gewichtet mit den Jahreseinheiten, verwendet.
In der Aufgabenstellung schreiben Sie, dass der Schadenbedarf für das Jahr 2019 anhand von Typklasse, Schadenfreiheitsklasse sowie Fahrleistung zu prognostizieren ist. Können daneben noch andere Variablen in unser Prognosemodell eingehen, die nicht der Statistik der BaFin zu entnehmen ist (z.B die Anzahl der Regentage in den Beobachtungsjahren und 2019 oder bspw. Daten zu KFZ-Zulassungen)?
Ja, es können auch andere Informationen, wie z. B. die Anzahl der Regentage, genutzt werden, aber dann müssen uns diese Informationen für das Jahr 2019 zur Verfügung gestellt werden.
Muss bis Ende November auch eine Datei mit den Prognosewerten eingereicht werden (z.B. Tabelle mit allen möglichen Kombinationen aus Typklasse, SF-Klasse und Fahrleistung sowie Prognosewert) oder generieren Sie mit unserem eingereichten Code die Prognosewerte selbst?
Der Programmcode ist ausreichend, wir generieren die Prognosewerte selbst. Wenn Sie wollen, dürfen Sie die Prognosewerte natürlich beifügen.
Müssen Prognosen auch für Kombinationen geliefert werden, wo mindestens eines der Attribute (Typklasse, SF-Klasse, Fahrleistung) "unbekannt" ist?
Die Ausprägung „unbekannt“ sollte mit prognostiziert werden, sofern sie in der Datenbasis enthalten ist.
Soll in der Dokumentation der gesamte Arbeitsprozess dargestellt werden (z.B. auch Modellvergleich und -selektion) oder nur das letztendlich verwendete Modell?
Wenn es der Begründung bzw. dem Verständnis dient, warum das finale Modell ausgewählt wurde, ist das sicher hilfreich.
Wie ist das gewichtete Bestimmtheitsmaß im Wettbewerbskontext konkret zu verstehen (z.B. Gewichtung der Tarifzellen mit Jahreseinheiten in 2019)?
Die Jury benutzt das Bestimmtheitsmaß zur Bewertung der Modellgüte. Dazu wird das Bestimmtheitsmaß R², gewichtet mit den Jahreseinheiten 2019, verwendet.
