2.1. Proses Data Mining
Tujuan utama DM adalah menggali pengetahuan dari data untuk mendukung proses pengambilan keputusan. Dua fungsi utama data mining adalah:
• Prediksi, yang melibatkan penemuan nilai / hubungan / pola yang tidak diketahui dari nilai yang diketahui; dan • Deskripsi, yang menyediakan interpretasi dari database
berskala besar.
Proses Data Mining terdiri dari beberapa tahap, secara umum adalah sebagai berikut:
• Langkah pertama: Akuisisi Data. Memilih jenis data yang akan digunakan.
• Langkah kedua: Pemrosesan Data. Setelah data target dipilih, data kemudian disiapkan untuk dibersihkan dan disesuaikan untuk meningkatkan efektivitas eksplorasi. • Langkah ketiga: Pemodelan dan Ekplorasi Data.
Langkah ini dilakukan melalui serangkaian kegiatan seperti memutuskan jenis Operasi DM; memilih Teknik dan Algoritma DM. Operasi DM dapat terdiri dari Klasifikasi, Regresi, Segmentasi, Analisis Hubungan, dan Deteksi Penyimpangan.
Setelah operasi DM dipilih, proses selanjutnya adalah memilih Teknik dan Algoritma DM. Teknik dan Algoritma DM dapat dilakukan dengan beberapa pilihan diantaranya: Teknik Induksi, Jaringan Saraf, Algoritma Genetik, Regresi Logistik, Klustering, Visualisasi • Langkah keempat: Interprestasi dan Evaluasi.
Langkah ini adalah mengkomunikasikan interprestasi
atas hasil dari langkah-langkah sebelumnya
menggunakan istilah yang mudah dipahami dan dapat dilakukan dengan visualisasi..
2.1. Data Mining Process
The main purpose of DM is to extract knowledge from the data to support the decision-making process. The two main functions of data mining are:
• Predictions, which involve the discovery of unknown values / relations / patterns of known values; and • Description, which provides interpretation of
large-scale databases.
Data Mining process consists of several stages, in general are as follows:
• Step 1: Data Acquisition. Select the data type to use. • Step 2: Data Processing. Once the target data is
selected, the data is then prepared to be cleaned and adjusted to improve the effectiveness of the exploration. • Step 3: Data Modeling and Exploration. This step is
done through a series of activities such as deciding the type of DM Operation; choose Technique and Algorithm DM. The DM operation may consist of Classification, Regression, Segmentation, Relationship Analysis, and Detection Deviation.
After the DM operation is selected, the next process is to choose DM Technique and Algorithm. DM Techniques and Algorithms can be done with several options including: Induction Technique, Neural Network, Genetic Algorithm, Logistic Regression, Clustering, Visualization
• Fourth step: Interpretation and Evaluation. This step is communicating the interpretation of the results of the previous steps using terms that are easy to understand and can be done with visualization.
Reasuransi MAIPARK | 30
Ulasan Asuransi
Insurance Review
Data Mining di (Re)Insurance
3. Implementasi Data Mining di Re(Asuransi).
Dalam industri re(asuransi), data mining dapat membantu perusahaan mendapatkan keuntungan bisnis. Misalnya, dengan menerapkan teknik data mining, perusahaan dapat sepenuhnya memanfaatkan data tentang pola dan perilaku pembelian pelanggan dan mendapatkan pemahaman yang lebih besar tentang motivasi pelanggan untuk membantu mengurangi penipuan, meningkatkan jumlah pelanggan dll.
Secara khusus, data mining dapat membantu perusahaan re(asuransi) dalam praktik bisnis seperti:
• Menetapkan Tarif.
Aktuaris dalam menentukan tariff premi akan
mendasarkan kepada factor risiko atau variable apakah yang dapat digunakan untuk memprediksi kemungkinan adanya klaim dan besar klaim yang akan terjadi. Misal
perokok, usia mobil, pemotor diperkotaan lebih
dimungkinkan mengalami kecelakaan dll. Namun tidak semua faktor risiko dapat diidentifikasi menggunakan pendekatan yang biasa, perlu dilakukan analisis
menggunakan pendekatan yang lebih
modern/komprehensive dengan data mining. • Meningkatkan Pelanggan.
Dengan menggunakan data mining penentuan target pelanggan akan lebih fokus dengan mempertimbangkan kriteria tertentu. Misal dalam penentuan target menggunakan pendekatan yang dipakai umum yaitu usia atau pendapatan pelanggan yang diperkirakan akan membeli suatu polis.
Penentuan target ini dapat difokuskan lagi
menggunakan data yang telah ada diperusahaan untuk dioleh menjadi informasi target yang lebih fokus, misalkan di wilayah manakah pengajuan klaim dengan jumlah kecil/besar atau siapa sajakah yang setia membeli polis kita dll. Untuk memperoleh informasi di kumpulan data yang besar tentunya dibutuhkan proses
data mining. Dengan target yang lebih focus
diharapkan kemungkinan untuk mendapatkan
pelanggan baru akan lebih besar.
3. Implementation of Data Mining in Re (Insurance).
DM in the re(insurance) industry can help companies to earn business profits. For example, by applying data mining techniques, companies can fully utilize data about customer purchasing patterns and behaviors and gain greater understanding of customer motivation to help reduce fraud, increase customer numbers etc.
Specifically, data mining can help re(insurance) companies in business practices such as:
• Establishing Rates.
The actuary in determining the premium rate will be based on what risk factors or variables can be used to predict the likelihood of claims and the magnitude of claims that will occur. For example, smokers, car age, more urbanized impotents are likely to have accidents etc. But not all risk factors can be identified using the usual approach, it needs to be analyzed using a more modern / comprehensive approach with data mining. • Acquiring New Customers.
By using the data mining targeting of customers will be more focused by considering certain criteria. For example in the determination of targets using a common approach that is the age or income of customers who are expected to buy a policy.
This targeting can be refocused using existing data in the company to be turned into more focused target information, eg which areas are small claims or who are loyal customer that buying our policy. To obtain information in large data sets of course required data mining process. With a more focused target it is expected to get new customers will be greater in possibility.
Ulasan Asuransi
Insurance Review
Data Mining di (Re)Insurance
• Mengembangkan Lini Produk Baru.
Profitabilitas dapat dibentuk melalui pembentukan rate yang memadai sesuai dengan distribusi kerugian atas produk baru yang akan di desain. Jika penentuan distribusi kerugian tidak tepat maka akan dihasilkan produk yang akan rugi atau mahal di sisi tarifnya. Atas
hal ini perlu memiliki alat yang tepat untuk
mengidentifikasi dan memperkirakan distribusi kerugian
yang mendasarinya. Dengan operasi DM seperti
segmentasi atau analisis asosiasi, perusahaan asuransi dapat memanfaatkan semua informasi yang tersedia
untuk mengembangkan produk baru dan strategi
pemasaran.
• Memperkirakan Cadangan Klaim yang masih
dalam proses.
Penyelesaian klaim sering mengalami penundaan,
sehingga nilai estimasi klaim akan digunakan sampai tersedianya nilai aktual dari klaim yang diselesaikan. Perkiraan dapat bergantung pada hal-hal berikut: Besar klaim
Pola waktu penyelesaian klaim.
Operasi DM seperti Analisis Hubungan dan Deteksi Penyimpangan dapat digunakan untuk meningkatkan estimasi klaim.
• Developing New Product Lines.
Profitability can be established through the establishment of adequate rate in accordance with the distribution of losses on new products to be designed. If the determination of the distribution of losses is not appropriate then the resulting product will be a loss or expensive on the side of the tariff. Above this it is necessary to have the proper tools to identify and estimate the underlying loss distribution. With DM operations such as segmentation or association analysis, insurance companies can take advantage of all the information available to develop new products and marketing strategies.
• Estimating Outstanding Claims Provision.
Settlement of claims is often delayed, so the value of the claim estimate will be used until the actual value of the claim is completed. Estimates may depend on the following:
• Big claim
• Time pattern for settlement of claims.
DM operations such as Relationship Analysis and Detection Deviations can be used to increase the claim estimate.
Reasuransi MAIPARK | 32
Ulasan Asuransi
Insurance Review
Data Mining di (Re)Insurance
Data Mining in (Re)Insurance
Referensi/Refferrence:
1. SAS. Data Mining in the Insurance Industry: Solving Business Problems using SAS® Enterprise Miner™ Software. 2. Guo, L. 2003. Data Management, Quality, and Technology Call Papers and Ratemaking Discussion Papers: Applying
Data Mining Techniques in Property~Casualty Insurance. CAS FORUM.
3. Pengertian, Fungsi, Proses dan Tahapan Data Mining. Maret 2018. https://www.kajianpustaka.com/2017/09/data-mining.html.
4. Difference of Data Science, Machine Learning and Data Mining. Maret 2018.