Ook in het domein van (aansprakelijkheids)verzekeringen voor motorrijtuigen is dit niet zonder gevolgen gebleven: vooral in de premiedifferentiatie zijn er steeds meer componenten toegevoegd die relevant zijn gebleken voor de premiestelling. Naast traditionele data (bijvoorbeeld objectkenmerken en bestuurderskenmerken) zorgt ook de opkomst van telematics – het ‘kastje in de auto’ – voor steeds meer mogelijkheden. Zo kunnen de ongestructureerde data die deze kastjes opleveren middels machine learning clusteringstechnieken worden vertaald naar traditionele (categorische) variabelen. Deze variabelen kunnen vervolgens ingezet worden in de traditionele Generalised Linear Model (GLM)-zetting.
Maar naast portefeuillespecifieke data kan er ook nog veel inzicht worden gewonnen vanuit landelijke data. Soms loopt portefeuilledata achter op hetgeen in landelijke trends wel al zichtbaar is en kan het daarom zeer waardevol zijn om de eigen data daarmee aan te vullen. Denk hierbij aan de ongevallenstatistieken die door wegbeheerders worden bijgehouden en gepubliceerd via het Smart Traffic Accident Reporting (STAR)-systeem. In dit artikel staan we stil bij de potentiële toegevoegde waarde van openbare verkeersdata.
Lees dit artikel verder onder Download.
