Wo Master Afstudeerstagiair Actuariaat, Data & Pricing

Ben jij momenteel bezig met een universitaire Master én ben je ontzettend benieuwd naar het actuariaat en dan met name de pricing van één van de grootste verzekeraars van Nederland? Dan heb ik goed nieuws voor jou: we hebben ruimte voor een gemotiveerde stagiair in het Business Finance Team Schade Bedrijven!

Dit team houdt zich bezig met de financiële zaken omtrent de divisie Schade & Inkomen, Centraal Beheer (#evenapeldoornbellen), Interpolis en Achmea. Er zijn hier veel mogelijkheden om aan een concreet project te werken. Hier hebben we zelf al wat ideeën over, maar wij zijn ook erg benieuwd naar jouw interesses en ambities. Als je enthousiast wordt van de volgende onderwerpen, of je hebt een ander idee voor de pricing van de zakelijke schadeportfeuille, komen we graag met je in contact!

Pricing:

- No-Claim Beschermer (NCB). Op dit moment doen we bij het modeleren van de NCB op een redelijk vereenvoudigde manier met veel aannames. Met een markov-model, die rekening houdt met kans op schade en vertrekkans, zouden we hier volgens mij een betere inschatting kunnen maken van de risicopremie. - Reduceren van variabelen in de pricing. Bij een risico analyse gebruiken we verschillende variabelen op basis van locatie, bijvoorbeeld postcode en urbanisatie. Mogelijk kunnen we het aantal variabelen reduceren doormiddel van machine-learning. - Smoothen van geo-variabelen. Onze pricing modellen o.b.v. geo-variabelen zijn redelijk strikt. Zo kan iemand die een straat verder woont net een andere factor krijgen die een enorme impact heeft op de premie. Door deze factoren te smoothen lopen de pricing modellen geleider op of af. - Verbeteringen van verrijking van data. In de huidige modellering komen we helaas soms nog de klasse ‘onbekend’ tegen. Door gebruik van meerdere externe bronnen kunnen we de data verder verrijken. - Pricing bij gebrek aan data. Bij verschillende projecten lopen we tegen het probleem aan dat er geen data beschikbaar is. Hier moeten we dan een oplossing voor verzinnen, mogelijkheid is om data te simuleren. Concrete onderwerpen waarop dit toegepast kan worden zijn cyber, drones en zonnepanelen. - Telematica (autoverzekering). Bij verzekeringen o.b.v. telematica komt veel rauwe data binnen waarmee we nog niet direct een risico kunnen inschatten. Deze rauwe data moet omgezet worden naar bruikbare data, daarnaast moet er ook een risico inschatting gemaakt worden o.b.v. deze data. Ook is het handig om alle data te bundelen en om de berijder feedback te kunnen geven d.m.v. een score. - Gebruik van alternatieve distributies. We weten dat grote schaden niet de gebruikelijke distributies volgen die we bij pricing gebruiken. In het grote schaden onderzoek zijn een aantal distributies onderzocht, maar er bestaan er meer. - Toepassing van grote schaden. Er bestaan verschillende theoretische methoden om grote schaden te modelleren, echter zijn deze methoden niet direct toepasbaar. Bij dit onderwerp zou de stagiair in kaart kunnen brengen welke methoden we kunnen gebruiken en hoe. - Alternatieve Modellering: De grote schades worden gemodelleerd d.m.v. een GLM model. Zijn er alternatieven om deze nauwkeuriger te schatten? Bv. Een peaks over threshold model of Hawkes model. - Rekening houden met klimaat in pricing. Binnen pricing van weer gerelateerde schaden houden we nog niet expliciet rekening met klimaatontwikkelingen. Welke methoden bestaan er en hoe kunnen we deze gebruiken in onze pricing? Zouden time-series modellen een uitkomst kunnen bieden? - Verbeteren calamiteitenmodel. Uitbreiding van het huidige calamiteitenmodel, bijvoorbeeld door meer te differentiëren of gebruik van externe bronnen (bijvoorbeeld blue-label). - Het gebruik van Inflatie: In kaart brengen hoe verschillende type inflatie correcties door de modellen en dossier last lopen. Is dit altijd logisch en kan het geoptimaliseerd worden? - Prijspeil: Hoe kan je schadelast van oude jaren oprenten naar een prijspeil? Hierbij rekening houdend met diverse soorten inflatie en dat inflatie uit een boekjaar meerdere verzekeringsjaren raakt. - Gevoeligheid van inflatie een model: D.m.v. gevoeligheid analyses aantonen wanneer de foutmarges rondom het gebruik van inflatie het hoogst zijn.

Data:

- No-Claim Beschermer (NCB). Op dit moment doen we bij het modeleren van de NCB op een redelijk vereenvoudigde manier met veel aannames. Met een markov-model, die rekening houdt met kans op schade en vertrekkans, zouden we hier volgens mij een betere inschatting kunnen maken van de risicopremie. - Reduceren van variabelen in de pricing. Bij een risico analyse gebruiken we verschillende variabelen op basis van locatie, bijvoorbeeld postcode en urbanisatie. Mogelijk kunnen we het aantal variabelen reduceren doormiddel van machine-learning. - Smoothen van geo-variabelen. Onze pricing modellen o.b.v. geo-variabelen zijn redelijk strikt. Zo kan iemand die een straat verder woont net een andere factor krijgen die een enorme impact heeft op de premie. Door deze factoren te smoothen lopen de pricing modellen geleider op of af. - Verbeteringen van verrijking van data. In de huidige modellering komen we helaas soms nog de klasse ‘onbekend’ tegen. Door gebruik van meerdere externe bronnen kunnen we de data verder verrijken. - Pricing bij gebrek aan data. Bij verschillende projecten lopen we tegen het probleem aan dat er geen data beschikbaar is. Hier moeten we dan een oplossing voor verzinnen, mogelijkheid is om data te simuleren. Concrete onderwerpen waarop dit toegepast kan worden zijn cyber, drones en zonnepanelen. - Telematica (autoverzekering). Bij verzekeringen o.b.v. telematica komt veel rauwe data binnen waarmee we nog niet direct een risico kunnen inschatten. Deze rauwe data moet omgezet worden naar bruikbare data, daarnaast moet er ook een risico inschatting gemaakt worden o.b.v. deze data. Ook is het handig om alle data te bundelen en om de berijder feedback te kunnen geven d.m.v. een score. - Gebruik van alternatieve distributies. We weten dat grote schaden niet de gebruikelijke distributies volgen die we bij pricing gebruiken. In het grote schaden onderzoek zijn een aantal distributies onderzocht, maar er bestaan er meer. - Toepassing van grote schaden. Er bestaan verschillende theoretische methoden om grote schaden te modelleren, echter zijn deze methoden niet direct toepasbaar. Bij dit onderwerp zou de stagiair in kaart kunnen brengen welke methoden we kunnen gebruiken en hoe. - Alternatieve Modellering: De grote schades worden gemodelleerd d.m.v. een GLM model. Zijn er alternatieven om deze nauwkeuriger te schatten? Bv. Een peaks over threshold model of Hawkes model. - Rekening houden met klimaat in pricing. Binnen pricing van weer gerelateerde schaden houden we nog niet expliciet rekening met klimaatontwikkelingen. Welke methoden bestaan er en hoe kunnen we deze gebruiken in onze pricing? Zouden time-series modellen een uitkomst kunnen bieden? - Verbeteren calamiteitenmodel. Uitbreiding van het huidige calamiteitenmodel, bijvoorbeeld door meer te differentiëren of gebruik van externe bronnen (bijvoorbeeld blue-label). - Het gebruik van Inflatie: In kaart brengen hoe verschillende type inflatie correcties door de modellen en dossier last lopen. Is dit altijd logisch en kan het geoptimaliseerd worden? - Prijspeil: Hoe kan je schadelast van oude jaren oprenten naar een prijspeil? Hierbij rekening houdend met diverse soorten inflatie en dat inflatie uit een boekjaar meerdere verzekeringsjaren raakt. - Gevoeligheid van inflatie een model: D.m.v. gevoeligheid analyses aantonen wanneer de foutmarges rondom het gebruik van inflatie het hoogst zijn.

Grote schaden:

- No-Claim Beschermer (NCB). Op dit moment doen we bij het modeleren van de NCB op een redelijk vereenvoudigde manier met veel aannames. Met een markov-model, die rekening houdt met kans op schade en vertrekkans, zouden we hier volgens mij een betere inschatting kunnen maken van de risicopremie. - Reduceren van variabelen in de pricing. Bij een risico analyse gebruiken we verschillende variabelen op basis van locatie, bijvoorbeeld postcode en urbanisatie. Mogelijk kunnen we het aantal variabelen reduceren doormiddel van machine-learning. - Smoothen van geo-variabelen. Onze pricing modellen o.b.v. geo-variabelen zijn redelijk strikt. Zo kan iemand die een straat verder woont net een andere factor krijgen die een enorme impact heeft op de premie. Door deze factoren te smoothen lopen de pricing modellen geleider op of af. - Verbeteringen van verrijking van data. In de huidige modellering komen we helaas soms nog de klasse ‘onbekend’ tegen. Door gebruik van meerdere externe bronnen kunnen we de data verder verrijken. - Pricing bij gebrek aan data. Bij verschillende projecten lopen we tegen het probleem aan dat er geen data beschikbaar is. Hier moeten we dan een oplossing voor verzinnen, mogelijkheid is om data te simuleren. Concrete onderwerpen waarop dit toegepast kan worden zijn cyber, drones en zonnepanelen. - Telematica (autoverzekering). Bij verzekeringen o.b.v. telematica komt veel rauwe data binnen waarmee we nog niet direct een risico kunnen inschatten. Deze rauwe data moet omgezet worden naar bruikbare data, daarnaast moet er ook een risico inschatting gemaakt worden o.b.v. deze data. Ook is het handig om alle data te bundelen en om de berijder feedback te kunnen geven d.m.v. een score. - Gebruik van alternatieve distributies. We weten dat grote schaden niet de gebruikelijke distributies volgen die we bij pricing gebruiken. In het grote schaden onderzoek zijn een aantal distributies onderzocht, maar er bestaan er meer. - Toepassing van grote schaden. Er bestaan verschillende theoretische methoden om grote schaden te modelleren, echter zijn deze methoden niet direct toepasbaar. Bij dit onderwerp zou de stagiair in kaart kunnen brengen welke methoden we kunnen gebruiken en hoe. - Alternatieve Modellering: De grote schades worden gemodelleerd d.m.v. een GLM model. Zijn er alternatieven om deze nauwkeuriger te schatten? Bv. Een peaks over threshold model of Hawkes model. - Rekening houden met klimaat in pricing. Binnen pricing van weer gerelateerde schaden houden we nog niet expliciet rekening met klimaatontwikkelingen. Welke methoden bestaan er en hoe kunnen we deze gebruiken in onze pricing? Zouden time-series modellen een uitkomst kunnen bieden? - Verbeteren calamiteitenmodel. Uitbreiding van het huidige calamiteitenmodel, bijvoorbeeld door meer te differentiëren of gebruik van externe bronnen (bijvoorbeeld blue-label). - Het gebruik van Inflatie: In kaart brengen hoe verschillende type inflatie correcties door de modellen en dossier last lopen. Is dit altijd logisch en kan het geoptimaliseerd worden? - Prijspeil: Hoe kan je schadelast van oude jaren oprenten naar een prijspeil? Hierbij rekening houdend met diverse soorten inflatie en dat inflatie uit een boekjaar meerdere verzekeringsjaren raakt. - Gevoeligheid van inflatie een model: D.m.v. gevoeligheid analyses aantonen wanneer de foutmarges rondom het gebruik van inflatie het hoogst zijn.

Klimaat:

- No-Claim Beschermer (NCB). Op dit moment doen we bij het modeleren van de NCB op een redelijk vereenvoudigde manier met veel aannames. Met een markov-model, die rekening houdt met kans op schade en vertrekkans, zouden we hier volgens mij een betere inschatting kunnen maken van de risicopremie. - Reduceren van variabelen in de pricing. Bij een risico analyse gebruiken we verschillende variabelen op basis van locatie, bijvoorbeeld postcode en urbanisatie. Mogelijk kunnen we het aantal variabelen reduceren doormiddel van machine-learning. - Smoothen van geo-variabelen. Onze pricing modellen o.b.v. geo-variabelen zijn redelijk strikt. Zo kan iemand die een straat verder woont net een andere factor krijgen die een enorme impact heeft op de premie. Door deze factoren te smoothen lopen de pricing modellen geleider op of af. - Verbeteringen van verrijking van data. In de huidige modellering komen we helaas soms nog de klasse ‘onbekend’ tegen. Door gebruik van meerdere externe bronnen kunnen we de data verder verrijken. - Pricing bij gebrek aan data. Bij verschillende projecten lopen we tegen het probleem aan dat er geen data beschikbaar is. Hier moeten we dan een oplossing voor verzinnen, mogelijkheid is om data te simuleren. Concrete onderwerpen waarop dit toegepast kan worden zijn cyber, drones en zonnepanelen. - Telematica (autoverzekering). Bij verzekeringen o.b.v. telematica komt veel rauwe data binnen waarmee we nog niet direct een risico kunnen inschatten. Deze rauwe data moet omgezet worden naar bruikbare data, daarnaast moet er ook een risico inschatting gemaakt worden o.b.v. deze data. Ook is het handig om alle data te bundelen en om de berijder feedback te kunnen geven d.m.v. een score. - Gebruik van alternatieve distributies. We weten dat grote schaden niet de gebruikelijke distributies volgen die we bij pricing gebruiken. In het grote schaden onderzoek zijn een aantal distributies onderzocht, maar er bestaan er meer. - Toepassing van grote schaden. Er bestaan verschillende theoretische methoden om grote schaden te modelleren, echter zijn deze methoden niet direct toepasbaar. Bij dit onderwerp zou de stagiair in kaart kunnen brengen welke methoden we kunnen gebruiken en hoe. - Alternatieve Modellering: De grote schades worden gemodelleerd d.m.v. een GLM model. Zijn er alternatieven om deze nauwkeuriger te schatten? Bv. Een peaks over threshold model of Hawkes model. - Rekening houden met klimaat in pricing. Binnen pricing van weer gerelateerde schaden houden we nog niet expliciet rekening met klimaatontwikkelingen. Welke methoden bestaan er en hoe kunnen we deze gebruiken in onze pricing? Zouden time-series modellen een uitkomst kunnen bieden? - Verbeteren calamiteitenmodel. Uitbreiding van het huidige calamiteitenmodel, bijvoorbeeld door meer te differentiëren of gebruik van externe bronnen (bijvoorbeeld blue-label). - Het gebruik van Inflatie: In kaart brengen hoe verschillende type inflatie correcties door de modellen en dossier last lopen. Is dit altijd logisch en kan het geoptimaliseerd worden? - Prijspeil: Hoe kan je schadelast van oude jaren oprenten naar een prijspeil? Hierbij rekening houdend met diverse soorten inflatie en dat inflatie uit een boekjaar meerdere verzekeringsjaren raakt. - Gevoeligheid van inflatie een model: D.m.v. gevoeligheid analyses aantonen wanneer de foutmarges rondom het gebruik van inflatie het hoogst zijn.

Analyse & Reporting:

- No-Claim Beschermer (NCB). Op dit moment doen we bij het modeleren van de NCB op een redelijk vereenvoudigde manier met veel aannames. Met een markov-model, die rekening houdt met kans op schade en vertrekkans, zouden we hier volgens mij een betere inschatting kunnen maken van de risicopremie. - Reduceren van variabelen in de pricing. Bij een risico analyse gebruiken we verschillende variabelen op basis van locatie, bijvoorbeeld postcode en urbanisatie. Mogelijk kunnen we het aantal variabelen reduceren doormiddel van machine-learning. - Smoothen van geo-variabelen. Onze pricing modellen o.b.v. geo-variabelen zijn redelijk strikt. Zo kan iemand die een straat verder woont net een andere factor krijgen die een enorme impact heeft op de premie. Door deze factoren te smoothen lopen de pricing modellen geleider op of af. - Verbeteringen van verrijking van data. In de huidige modellering komen we helaas soms nog de klasse ‘onbekend’ tegen. Door gebruik van meerdere externe bronnen kunnen we de data verder verrijken. - Pricing bij gebrek aan data. Bij verschillende projecten lopen we tegen het probleem aan dat er geen data beschikbaar is. Hier moeten we dan een oplossing voor verzinnen, mogelijkheid is om data te simuleren. Concrete onderwerpen waarop dit toegepast kan worden zijn cyber, drones en zonnepanelen. - Telematica (autoverzekering). Bij verzekeringen o.b.v. telematica komt veel rauwe data binnen waarmee we nog niet direct een risico kunnen inschatten. Deze rauwe data moet omgezet worden naar bruikbare data, daarnaast moet er ook een risico inschatting gemaakt worden o.b.v. deze data. Ook is het handig om alle data te bundelen en om de berijder feedback te kunnen geven d.m.v. een score. - Gebruik van alternatieve distributies. We weten dat grote schaden niet de gebruikelijke distributies volgen die we bij pricing gebruiken. In het grote schaden onderzoek zijn een aantal distributies onderzocht, maar er bestaan er meer. - Toepassing van grote schaden. Er bestaan verschillende theoretische methoden om grote schaden te modelleren, echter zijn deze methoden niet direct toepasbaar. Bij dit onderwerp zou de stagiair in kaart kunnen brengen welke methoden we kunnen gebruiken en hoe. - Alternatieve Modellering: De grote schades worden gemodelleerd d.m.v. een GLM model. Zijn er alternatieven om deze nauwkeuriger te schatten? Bv. Een peaks over threshold model of Hawkes model. - Rekening houden met klimaat in pricing. Binnen pricing van weer gerelateerde schaden houden we nog niet expliciet rekening met klimaatontwikkelingen. Welke methoden bestaan er en hoe kunnen we deze gebruiken in onze pricing? Zouden time-series modellen een uitkomst kunnen bieden? - Verbeteren calamiteitenmodel. Uitbreiding van het huidige calamiteitenmodel, bijvoorbeeld door meer te differentiëren of gebruik van externe bronnen (bijvoorbeeld blue-label). - Het gebruik van Inflatie: In kaart brengen hoe verschillende type inflatie correcties door de modellen en dossier last lopen. Is dit altijd logisch en kan het geoptimaliseerd worden? - Prijspeil: Hoe kan je schadelast van oude jaren oprenten naar een prijspeil? Hierbij rekening houdend met diverse soorten inflatie en dat inflatie uit een boekjaar meerdere verzekeringsjaren raakt. - Gevoeligheid van inflatie een model: D.m.v. gevoeligheid analyses aantonen wanneer de foutmarges rondom het gebruik van inflatie het hoogst zijn.

Ben je enthousiast en zou je graag je Masterthesis bij ons willen schrijven? Laat ons dan in jouw brief weten met welk onderwerp jij graag aan de slag wil!

Bezoek deze link voor meer informatie: https://www.werkenbijachmea.nl/vacatures/wo-master-afstudeerstagiair-actuariaat-data-pricing-apeldoorn-a0wqs000002ow0niag?utm_source=Magnet.me&utm_medium=&utm_campaign=Sep

De Afdeling

Jouw achtergrond

- Je volgt momenteel een universitaire Master richting Actuariaat, Econometrie, Wiskunde of Data Science; - Je hebt affiniteit met financiële dienstverlening; - Je hebt een onderzoekende houding en werkt graag zeer nauwkeurig; - Je vindt het prettig om zelfstandig met je onderzoek aan de slag te gaan; - Je vindt het leuk om met anderen te sparren en samen te werken. Solliciteren? - Je kunt direct solliciteren via de link: https://www.werkenbijachmea.nl/vacatures/wo-master-afstudeerstagiair-actuariaat-data-pricing-apeldoorn-a0wqs000002ow0niag?utm_source=Magnet.me&utm_medium=&utm_campaign=Sep - Je kunt solliciteren tot en met 30 April 2024;; - De startdatum van deze stage is September 2024.

Wat bieden wij

Ook als stagiair-Hartloper zet jij je elke dag in voor een gezonde, veilige én duurzame toekomst. En daar belonen we je natuurlijk graag voor! Lees je mee? - Een uitdagende meewerk óf afstudeerstage bij een van de grootste verzekeraars van Nederland! - Een 34-urige werkweek is bij Achmea de standaard, dus ook voor jou! Je werkt dan bijvoorbeeld 4 dagen van 8,5 uur. Zo heb je nóg meer tijd voor een goed boek, je studie óf jouw favoriete sport! - Een passende stagevergoeding (mbo €400, hbo en wo €650 bruto per maand). - Een laptop tijdens je stageperiode én indien nodig een telefoon. Wel zo gemakkelijk. - De mogelijkheid om thuis te werken. Fijn als je dingen wilt uitwerken. - Reiskostenvergoeding als je geen studenten OV hebt. - Deelname aan Jong-Achmea activiteiten. Zo leer jij anderen binnen de organisatie kennen en werk je aan jezelf én jouw netwerk. Handig voor later 😉