11Apr2019
Author
SOA Blog
Category
Canada, General
Tags

Canadian Uses Big Data to Shape the Microinsurance Marketplace Across Africa

En français

Victor Wang, a Canadian and past president of the Actuarial Students’ National Association (ASNA), has launched his career in Kenya leading the actuarial team at PULA Advisors, which insures close to one million smallholder farmers across eight African countries. His work includes developing “big data” applications to make microinsurance offerings more feasible and more equitable. He recently shared insights from his work in that arena with SOA News Canada.

Victor Wang

Microinsurance, as the name implies, is insurance provided in a marketplace of smaller scale, but by no means of lesser importance. The types of insureds covered under these policies are typical residents in developing economies, most commonly smallholder farmers or local entrepreneurs. However, that’s only the beginning of the differences: Rather than an individual having a policy for their personal coverage, a group of individuals shares that policy. Instead of assessing claims on an individual level, they are paid according to an index (typically tracked closely with various measures of well-being). Instead of insurance being driven by marketing, it is driven by their local community group. Instead of insuring at an address level, it is insured at an area-wide-unit-of-insurance level (everyone gets paid equally or no one gets paid, in an area). And it is this last point that illustrates the application of big data effectively: cost efficiency while maintaining accuracy in paying claims.\

One of the tenets of insurance, according to the American Institute for Chartered Property and Casualty Underwriters and Insurance Institute of America (AICPCU/IIA), is affordability for the target insureds. In this context, that means creating an insurance product affordable to those living on US$1–2 per day in Africa, and this is where creative solutions need to be applied. For example, with typical car insurance plans in North America, the insurer is able to individually examine every claim that comes in, often requesting photos and police reports on incidents leading up to a claim. In the countries where we operate, such as Nigeria and Kenya, many insureds don’t even own the phones necessary to take those photos, much less a dedicated camera. The remedy we’ve found to this problem is to proactively send operators to farms to assess the productivity of agricultural yields that season to construct an index of yields across the insured areas. Payouts are then based on these constructed indices.

The payout structures of these indices, however, are tricky—or at least were tricky. Historically, the Unit Area of Insurance (UAI) used would be defined by districts and various governmental zonings. However, grouping farmers in governmental UAIs makes little sense for index-based insurance: If farmers on differently yielding levels of land are assessed on average together, certain farmers would likely never see payouts and others would almost always see payouts. We used unsupervised machine learning to tackle this problem (based on a paper published with the Consultative Group to Assist the Poor, or CGAP, a branch of the World Bank). This algorithm takes in various inputs relating to agricultural yields (such as weather inputs, including precipitation) to generate boundaries based on agricultural yields (since in this case, that was the index being tracked for payouts) rather than government territories. 

The model we have created is also fed historical agricultural yield data that we have collected among hundreds of our own agents in the field, to improve the model as well as to back check to ensure it is performing well. Further, this type of approach allows us to take in any kind of geo-referenced data and calibrate it to the index we’re tracking (for example, one possibility is tracking farmer revenues, as the prices of crop are a critical piece).

In terms of impact, we can more accurately track the indices we insure thereby reducing basis risk (i.e., the possibility of the index being wrong in terms of having payouts or not having payouts). This increased accuracy in turn increases trust in the product, as well as reduces costs since fewer agents must be sent out to assess indices. The increased level of trust as well as decreased cost are necessary in order to provide these products to the market at needed scale and at an affordable premium.

As a final insight, I believe it’s just as important when constructing these models to use judgment and local knowledge as it is to use complicated formulas. Only in the last decade has microinsurance really risen as a viable product line, and in the last few years more research models for indices have been created than have been put in practice. This is in no small part due to inadequate tempering with local knowledge. As critical as it is to develop new techniques and technologies for emerging markets with the big data available to us now, it is equally important to make sure they are adopted and implementable in every area of the operation. Otherwise, you’ll be left theorizing on the market, not shaping it.

Victor Wang is actuarial and analytics lead at PULA Advisors in Nairobi, Kenya.


Un canadien utilise les données de type Big Data pour former le marché de la micro-assurance en Afrique

Victor Wang, un ex-président canadien de l’ASNA (Actuarial Students’ National Association) a débuté sa carrière au Kenya, en dirigeant une équipe actuarielle pour la firme PULA Advisors, qui assure près de 1 million de propriétaires de petite ferme dans huit pays africains. Son travail consistait à développer des applications de type « big data » pour constituer des offres de micro-assurance plus adéquates et plus équitables. Il a récemment partagé les conclusions de son travail dans cette arène pour une publication dans le bulletin SOA News Canada.

Victor Wang

La micro-assurance, comme son nom l’indique, est une assurance offerte sur un marché de plus petite échelle, mais cela ne signifie aucunement une importance moindre. Les types d’assurés couverts sous ces polices sont des résidents typiques dans les économies des pays en développement, et sont le plus souvent des propriétaires de petite ferme ou des entrepreneurs locaux. Il ne s’agit toutefois que le début des différences : Plutôt que de voir une seule personne contracter une police pour sa couverture personnelle, c’est un groupe de personnes qui partagent cette police. Plutôt que d’évaluer les réclamations à un niveau individuel, elles sont payées conformément à un index (lequel fait typiquement l’objet d’un suivi de près, avec diverses mesures du rendement). Plutôt qu’une assurance orientée par le marketing, elle est orientée par leur groupe communautaire local. Plutôt que d’assurer au niveau d’une adresse, c’est une unité d’assurance couvrant toute une région qui est offerte (tout le monde sera payé également ou personne ne sera payé, dans une région donnée). C’est précisément ce dernier point qui illustre l’application effective des données de type big data : Coût-efficacité, tout en maintenant une exactitude dans le paiement des réclamations.

Un des principes de l’assurance, selon l’American Institute for Chartered Property and Casualty Underwriters et l’Insurance Institute of America (AICPCU/IIA), est son abordabilité pour les assurés ciblés. Dans ce contexte, cela signifie la création d’un produit d’assurance qui soit abordable pour des gens en Afrique qui gagnent entre 1 et 2 dollars américains par jour, c’est précisément là où on doit appliquer des solutions créatives. Par exemple, dans un programme typique d’assurance auto en Amérique du Nord, l’assureur est en mesure d’examiner individuellement chaque réclamation qu’il reçoit, et il demandera souvent des photos et des rapports de police sur les incidents faisant l’objet de la réclamation. Dans les pays où nous travaillons, comme le Nigéria et le Kenya, plusieurs assurés n’ont même pas le téléphone qui serait requis pour prendre ces photos, et encore moins accès à une caméra dédiée. La solution que nous avons trouvée pour ce problème est d’envoyer de manière proactive des opérateurs sur les fermes pour évaluer la productivité et les rendements agricoles de cette saison, pour dresser un index des rendements dans les diverses régions assurées. Les paiements sont ensuite basés sur les indices ainsi construits.

Cependant, la structure de paiement de ces indices est assez compliquée—ou devrais-je dire, était compliquée. Historiquement, l’aire unitaire d’assurance (AUA) utilisée était définie par district et divers zonages gouvernementaux. Cependant, le regroupement des fermiers dans une AUA gouvernementale ne fait que peu de sens pour une assurance fondée sur l’index : Si les fermiers se trouvant à des niveaux de rendement agricole différents étaient évalués en moyenne dans leur ensemble, certains fermiers n’y recevraient presque jamais de paiement, alors que les autres en auraient presque toujours. Nous avons utilisé un apprentissage machine non supervisé pour mieux attaquer ce problème (selon une publication avec le Groupe consultatif d’assistance aux plus défavorisés, une division de la Banque mondiale). Cet algorithme prend en compte plusieurs variables en relation avec les rendements agricoles (comme les données météo, et les précipitations) pour générer des frontières basées sur les rendements agricoles (puisque dans ce cas, il s’agissait de l’index faisant l’objet du suivi pour les paiements) plutôt que sur les territoires gouvernementaux. 

Le modèle que nous avons créé est aussi alimenté avec les données historiques fédérales sur le rendement agricole, que nous avons recueillies parmi des centaines de nos propres agents sur le terrain, pour améliorer le modèle et pour contrevérifier afin de s’assurer que le tout réagisse comme prévu. De plus, ce type d’approche nous permet de prendre en compte toute autre sorte de donnée à référencement géographique, et de les calibrer selon l’index objet du suivi (par exemple, une possibilité consiste à faire un suivi du revenu des fermiers, puisque le prix des récoltes est un élément crucial).

En termes d’impact, nous pouvons faire un suivi plus précis des indices que nous assurons, réduisant ainsi le risque de base (à savoir la possibilité d’un index qui serait erroné en termes d’avoir ou de ne pas avoir de paiement). Nous bénéficions en retour d’une confiance envers le produit, résultat de cette meilleure précision, en plus d’en réduire les coûts puisque moins d’agents doivent être envoyés sur place pour évaluer les indices. Le niveau accru de confiance ainsi que les coûts réduits sont nécessaires pour pouvoir livrer ces produits sur le marché, à l’échelle requise, et à une prime abordable.

J’ajouterais sur cette expérience que je crois qu’il est tout aussi important lors de la construction de ces modèles d’utiliser le jugement et les connaissances locales, que d’utiliser des formulations complexes. Ce n’est que dans la dernière décennie que le domaine de la micro-assurance est réellement devenu une gamme de produit viable, et dans les quelques dernières années nous avons bénéficié de plus de modèles de recherche pour les indices qui ont été créés que ce qui a été mis en pratique. Il ne faut pas mésestimer cet élément en raison de la grande importance d’une mauvaise évaluation, avec des connaissances locales. Aussi critique que ce soit de développer des nouvelles techniques et technologies pour les marchés émergeants avec les données big data qui nous sont maintenant offertes, c’est tout aussi important de s’assurer qu’elles soient adoptées et qu’elles puissent être implantées effectivement, pour assurer qu’elles soient adoptées et implantables dans chaque domaine des opérations. Autrement, vous pourriez continuer à théoriser sur le marché, plutôt que de lui faire prendre forme.

Victor Wang est directeur des opérations actuarielles et analytiques chez PULA Advisors à Nairobi, au Kenya.

Sharing is caring.
  • Subscribe to our feed
  • Tweet about this post
  • Share this post on Facebook
  • Share this post on Google
  • Share this post on LinkedIn

Discussion

No responses to "Canadian Uses Big Data to Shape the Microinsurance Marketplace Across Africa"

There are no comments yet, add one below.

Leave a Comment