Почему ML в андеррайтинге не работает: разбор 20-летнего опыта

Стандартная история: руководство одобряет проект внедрения машинного обучения в андеррайтинг ОСАГО, каско, ДМС. Нанимают дата-сайентистов, покупают лицензии, обучают градиентный бустинг на исторических данных. Через полгода сравнивают с действующей тарифной моделью — прирост точности в пределах погрешности. Начинаются поиски виноватых.

Автор с двумя десятилетиями в аналитике страхования (в том числе в ДМС и андеррайтинге) утверждает: проблема не в ML как таковом, а в том, что модель на данных находит лишь те закономерности, которые уже заложены в тарифах. Реальная добавленная стоимость возможна только при сдвиге к каузальным (причинно-следственным) моделям — но их внедрение требует другой культуры работы с данными и бизнес-процессами.