보험 지급준비금 머신러닝 추정: 파이썬 랜덤포레스트로 손해·생명보험 실습 가이드

핵심 메시지

• 지급준비금(reserving)은 보험사가 미래 보험금 지급을 위해 추정·적립하는 부채로, 재무 건전성과 지급 능력, 정확한 재무보고의 핵심이다.
• 전통적 보험계리법(손해보험의 체인래더, 생명보험의 보험수리적 현가법)은 단순화 가정을 두지만, 머신러닝은 더 세밀한 데이터로 복잡한 패턴을 잡아 동적 추정을 보완한다.
• 손해보험에서는 랜덤포레스트 회귀로 개별 청구의 최종 청구액을 예측했고, 결정계수 R²가 약 86%로 잔차가 0을 중심으로 대칭을 이뤘다.
• 생명보험에서는 사망(mortality) 예측과 해지(lapse) 예측을 분류 문제로 다루며, 불균형 데이터에는 class_weight="balanced"를 적용했다.
• 합성 데이터로 만든 예제라 사망 예측의 AUC는 65~67%에 그쳤는데, 데이터 양과 기법을 늘리면 성능을 더 끌어올릴 수 있다는 점을 저자는 강조한다.

쉽게 이해하기

지급준비금 추정(reserving)은 보험사가 앞으로 지급해야 할 보험금 부채를 가늠하는 작업이다. 이 준비금은 보험사의 재무 안정성과 지급 능력, 정확한 재무보고를 좌우하는 핵심 수치다. 데이터 과학자 Dr Mtambo는 파이썬과 머신러닝으로 손해보험과 생명보험 양쪽의 준비금을 추정하는 과정을, 데이터 전처리부터 모델 구축과 평가까지 실습으로 보여준다.

손해보험은 청구가 시간에 걸쳐 접수·정산되는 특성이 있어, 아직 지급되지 않은 청구의 최종 비용을 추정해야 한다. 여기에는 이미 발생했지만 아직 보고되지 않은 IBNR, 보고됐지만 정산되지 않은 RBNS가 포함된다. 저자는 사고일·보고일·정산일, 보고 지연, 초기 추정액, 최종 청구액, 지급액, 상품 유형, 판매 채널 등을 담은 1만 건의 합성 청구 데이터를 만들어 사용한다. 날짜와 금액 열의 자료형을 바로잡는 전처리, 기술통계와 분포·관계 분석, 청구 경과일 같은 파생 변수 생성이 앞 단계다.

모델링 단계에서는 범주형 변수를 원-핫 인코딩(pandas get_dummies, drop_first)으로 처리하고 데이터를 8:2로 학습·검증으로 나눈다. 최종 청구액을 예측하는 회귀 문제에 랜덤포레스트 회귀를 적용한 결과, 결정계수 R²는 약 86%였고 잔차는 0을 중심으로 대칭을 이뤄 예측이 안정적으로 들어맞았다. 특히 아직 열려 있는(정산되지 않은) 청구의 최종 비용을 예측하는 데 유용하다.

생명보험은 장기 계약의 미래 부채를 다루므로 접근이 다르다. 저자는 성별·가입금액·상품 유형·계약 기간 등을 특징으로 삼아 사망 여부를 예측하는 분류 모델을 만든다. 사망·생존처럼 한쪽이 적은 불균형 데이터에는 랜덤포레스트 분류기에 class_weight="balanced"를 줘 균형을 맞춘다. 정확도 79%, 정밀도 44%, 재현율 70% 수준이었고, ROC 곡선 아래 면적(AUC)은 65~67%로 다소 낮았다. 저자는 이것이 합성 데이터의 규모 한계 탓이며, 데이터를 늘리면 곡선이 위로 밀려 면적이 크게 넓어질 것이라고 설명한다.

해지 예측도 같은 절차로, 목표 변수만 계약의 조기 해지 여부로 바꿔 진행한다. 해지 예측의 정확도는 85~87%로 높게 나왔지만 AUC는 약 62%로 낮아, 정확도만으로는 불균형 데이터의 성능을 오해할 수 있음을 보여준다. 전 과정에서 정확도·정밀도·재현율·F1·ROC-AUC·혼동행렬 같은 지표를 함께 살펴 모델을 다면적으로 평가한다.

주요 인사이트

• 머신러닝은 보험계리법을 대체하기보다 보완한다 — 더 세밀한 데이터로 복잡한 패턴을 잡아 IBNR·RBNS 같은 미확정 청구의 최종 비용을 개별 단위로 추정할 수 있다.
• 전처리가 성패를 가른다: 날짜 열을 datetime으로, 금액 열을 float으로 바꾸고 파생 변수(청구 경과일, 오픈 기간)를 만드는 준비 단계가 모델 품질의 토대가 된다.
• 불균형 데이터에서는 정확도만 보면 안 된다 — 해지 예측은 정확도 85~87%로 높아 보였지만 AUC는 62%로 낮아, ROC-AUC와 혼동행렬을 함께 봐야 실제 판별력을 안다.
• class_weight="balanced"처럼 불균형을 다루는 옵션은 소수 클래스(사망·해지) 예측 성능을 높이는 실용적 장치다.
• 합성 데이터 예제의 한계는 분명하다 — 사망 예측 AUC 65~67%는 표본 규모 탓으로, 실제로는 더 많은 데이터와 기법으로 곡선을 밀어 올릴 수 있다.

자주 묻는 질문

관련 AI 소식