GAMLSS modeli za nezgode: Poglobljena kvantitativna analiza

Uvod v GAMLSS modele in njihov pomen za nezgodna zavarovanja

Moje dvajsetletne izkušnje v zavarovalništvu so me naučile, da je natančnost ključna, še posebej pri ocenjevanju tveganj. V zadnjih letih se je v aktuariatu pojavil izjemno močan statistični okvir, znan kot GAMLSS (Generalized Additive Models for Location, Scale and Shape), ki presega omejitve tradicionalnih splošnih linearnih modelov (GLM). GLM modeli, čeprav še vedno uporabni, so omejeni na modeliranje zgolj povprečja (lokacijskega parametra) določene distribucije, medtem ko GAMLSS omogočajo modeliranje vseh parametrov distribucije – ne le povprečja, temveč tudi variance, asimetrije (skewness) in sploščenosti (kurtosis). Ta prožnost je neprecenljiva pri analizi kompleksnih vzorcev podatkov, kakršni so pogosti v zavarovalništvu, kjer se srečujemo z izrazito asimetričnimi in repatimi distribucijami.

Pri nezgodnih zavarovanjih se srečujemo z dvojnim izzivom: modeliranjem pogostosti (število škodnih dogodkov) in teže (višina posamezne škode) teh dogodkov. Tradicionalno se ti dve komponenti modelirata ločeno, a GAMLSS omogoča bolj celosten pristop. Z uporabo GAMLSS lahko hkrati obravnavamo vpliv različnih kovariat na oba vidika – pogostost in težo – ter celovito zajamemo heterogenost portfelja. To je še posebej pomembno pri nezgodnih zavarovanjih, saj se lahko število nezgod in njihova finančna teža drastično razlikujeta med različnimi segmenti zavarovancev, odvisno od dejavnosti, starosti, spola in drugih dejavnikov, ki jih je treba ustrezno upoštevati v aktuarskem modelu. Natančno razumevanje teh dejavnikov nam omogoča oblikovanje pravičnejših in bolj stabilnih premijskih cen, kar je v korist tako zavarovalnice kot naših cenjenih strank.

Teoretične osnove GAMLSS: Zakaj so boljši od klasičnih GLM?

Koncept GAMLSS modelov temelji na razširitvi idej, ki so v ozadju splošnih linearnih modelov (GLM) in splošnih aditivnih modelov (GAM). Medtem ko GLM predpostavljajo, da je odvisna spremenljivka iz eksponentne družine distribucij in da je povezovalna funkcija (link function) linearno povezana z lokacijskim parametrom (običajno povprečjem), GAMLSS odpravljajo te omejitve. GAMLSS omogočajo, da vsi parametri distribucije (lokacija μ, skala σ, asimetrija ν in sploščenost τ) niso fiksni, temveč so odvisni od nabora prediktorskih spremenljivk, kar se izraža preko glajenih nelinearnih funkcij. To pomeni, da lahko hkrati modeliramo, kako se npr. povprečje (μ) in varianca (σ) škod spreminjata glede na starost zavarovanca, vrsto poklica ali druge relevantne dejavnike.

Prednost GAMLSS je torej v njihovi sposobnosti, da zajamejo kompleksnejše relacije v podatkih, ki jih klasični GLM modeli enostavno spregledajo. V zavarovalništvu se pogosto srečujemo s podatki, ki imajo visoko asimetrijo, so repati ali pa imajo izrazito heteroskedastičnost (varianca ni konstantna). Če uporabimo zgolj GLM, ki predpostavlja konstantno varianco ali pa zgolj vpliv na povprečje, tvegamo napačne ocene in s tem neustrezno določitev premij ali rezervacij. GAMLSS modeli nam omogočajo, da izberemo katero koli parametricno distribucijo za odvisno spremenljivko in modeliramo vsak njen parameter neodvisno, kar je ključno za robustno analizo tveganja. To je še posebej pomembno pri nezgodnih zavarovanjih, kjer se lahko distribucije škod močno razlikujejo, na primer med manjšimi poškodbami in tistimi, ki vodijo do invalidnosti, kar zahteva nelinearen in prožen pristop.

Pogostost in teža škod: Ključne distribucije za nezgodna zavarovanja

Pri modeliranju nezgodnih zavarovanj se aktuariarji osredotočamo na dve glavni komponenti: pogostost škodnih dogodkov (koliko dogodkov se zgodi v določenem časovnem obdobju) in težo škod (finančni znesek vsakega dogodka). Za modeliranje pogostosti se pogosto uporabljajo diskretne verjetnostne distribucije, kot sta Poissonova in negativna binomska distribucija. Poissonova distribucija je primerna, ko je verjetnost posameznega dogodka majhna in so dogodki neodvisni, z glavno predpostavko, da je povprečje enako varianci. Vendar pa so zavarovalni podatki pogosto prekomerno disperzni (varianca je večja od povprečja), zato je negativna binomska distribucija pogosto boljša izbira, saj omogoča ločeno modeliranje povprečja in disperzije.

Za modeliranje teže škod, ki so običajno zvezne in asimetrične, se uporabljajo zvezne distribucije, kot so Gama (Gamma), log-normalna (Log-Normal) in inverzna Gaussova (Inverse Gaussian) distribucija. Gama distribucija je zelo priljubljena zaradi svoje prožnosti in sposobnosti modeliranja pozitivnih, asimetričnih podatkov, ki so pogosti pri izplačilih škod. Log-normalna distribucija je primerna, kadar so izplačila zelo repata in je večina dogodkov majhnih, a obstaja možnost nekaj zelo velikih dogodkov. Inverzna Gaussova distribucija pa je zanimiva izbira, saj ima pozitivno asimetrijo in je primerna za modeliranje časov do dogodka ali pa velikosti škod, ki so močno repate. Izbira prave distribucije ni trivialna in zahteva temeljito analizo podatkov ter uporabo statističnih testov in informacijskih kriterijev, ki nam pomagajo potrditi ustreznost izbire, kar bom podrobneje pojasnila v naslednjih poglavjih.

Tweedie distribucija: Most med frekvenco in težo škod

Med številnimi distribucijami, ki jih lahko uporabimo v okviru GAMLSS, želim posebej izpostaviti Tweedie distribucijo. Njena izjemna značilnost je, da spada v eksponentno družino distribucij in ima specifično relacijo med povprečjem in varianco, in sicer je varianca sorazmerna z močjo povprečja. To jo dela izjemno vsestransko za modeliranje agregatnih škod (kjer se združita frekvenca in teža) ali za modeliranje pozitivnih zveznih podatkov, ki vključujejo tudi ničelne vrednosti – pogosto stanje pri zavarovalnih zahtevkih (npr. veliko polic brez škod, nekaj pa z različnimi zneski). Tweedie distribucija je namreč posebna družina stabilnih distribucij, ki zajema Poissonovo (za pogostost), Gammino (za težo) in inverzno Gaussovo distribucijo kot posebne primere, kar jo postavlja v edinstven položaj za robustno analizo zavarovalnih podatkov.

V aktuariatu je uporaba Tweedie distribucije še posebej koristna pri določanju optimalnih tarif za nezgodna zavarovanja, saj omogoča neposredno modeliranje skupnega stroška škode, ki vključuje tako verjetnost nastanka škode kot tudi njeno potencialno višino. To pomeni, da lahko z enim modelom obravnavamo obe komponenti tveganja hkrati, kar poenostavi analizo in poveča natančnost. Njena sposobnost, da obravnava ničelne vrednosti (brezškodni dogodki) in repate distribucije (velike škode), jo postavlja v ospredje pri modeliranju škodnih procesov, kjer so takšne značilnosti pravilo in ne izjema. Uporaba Tweedie distribucije v GAMLSS okviru nam omogoča, da natančno kalibriramo premije in rezervacije, saj upoštevamo celotno kompleksnost škodnega procesa, kar vodi do bolj zanesljivih finančnih ocen in v končni fazi do večje finančne stabilnosti zavarovalnice.

Generalized Poisson-Inverse Gaussian (GP-IG) in druge napredne distribucije

Poleg Tweedie distribucije so v okviru GAMLSS na voljo tudi druge napredne distribucije, ki so posebej razvite za modeliranje zavarovalnih podatkov. Ena takšnih je Generalized Poisson-Inverse Gaussian (GP-IG) distribucija. Ta distribucija je sestavljena (compound) Poissonova distribucija, kjer je število dogodkov Poissonovo porazdeljeno, velikost posameznega dogodka pa sledi inverzni Gaussovi distribuciji. Posebnost GP-IG distribucije je njena sposobnost modeliranja zelo repatih podatkov, kar je kritično pri velikih in katastrofalnih škodnih dogodkih, kjer tradicionalne distribucije morda niso dovolj robustne. Njen poudarek na 'heavy tails' lastnostih jo dela izjemno primerno za primere, kjer so ekstremne vrednosti ključnega pomena in jih je treba ustrezno zajeti v modelu.

V praksi to pomeni, da GP-IG distribucija omogoča bolj realistično oceno verjetnosti in teže redkih, a zelo dragih nezgod, kar je ključno za določanje ustrezne višine kritja in rezervacij. Poleg GP-IG so na voljo tudi druge fleksibilne distribucije, kot so npr. Beta-Binomska distribucija (za modeliranje proporcij, npr. verjetnost invalidnosti), Zero-Inflated Poisson (ZIP) ali Zero-Inflated Negative Binomial (ZINB) distribucije, ki so idealne, ko imamo prekomerno število ničelnih vrednosti. Te 'zero-inflated' distribucije so izjemno koristne pri nezgodnih zavarovanjih, saj je delež zavarovancev, ki v določenem obdobju nimajo nobene nezgode, običajno zelo visok. Z uporabo teh naprednih distribucij v GAMLSS okviru lahko natančneje zajamemo specifične značilnosti podatkov in s tem izboljšamo napovedno moč naših aktuarskih modelov, kar neposredno vpliva na stabilnost in konkurenčnost ponudbe.

Kriteriji izbire modelov: AIC in BIC v praksi

Ko imamo na voljo več kandidatnih GAMLSS modelov, je ključnega pomena izbrati tistega, ki najbolje opisuje podatke, ne da bi bil preveč kompleksen (prekomerno prilagajanje ali 'overfitting'). Za to uporabljamo informacijske kriterije, med katerimi sta najbolj znana Akaikejev informacijski kriterij (AIC) in Bayesov informacijski kriterij (BIC). Oba kriterija kaznujeta model za njegovo kompleksnost (število parametrov) in hkrati nagrajujeta za dobro prilagoditev podatkom. Model z nižjo vrednostjo AIC ali BIC je običajno boljši. Formula za AIC je: AIC = -2 * log-verjetnost + 2 * k, kjer je 'log-verjetnost' maksimizirana log-verjetnost modela in 'k' je število parametrov v modelu. BIC pa ima strožjo kazen za kompleksnost: BIC = -2 * log-verjetnost + k * log(n), kjer je 'n' število opazovanj.

V praksi je pomembno, da ne izberemo modela zgolj na podlagi najnižje vrednosti AIC ali BIC. Upoštevati je treba tudi teoretično utemeljenost modela, interpretacijo parametrov in robustnost. AIC teži k izbiri bolj kompleksnih modelov kot BIC, saj je kazen za parametre manj stroga. BIC je običajno boljši, ko je naš cilj izbrati 'resnični' model med naborom kandidatov, medtem ko je AIC bolj primeren, ko želimo izbrati model z najboljšo napovedno močjo. Pri nezgodnih zavarovanjih je priporočljivo preizkusiti več distribucij (npr. Poisson, Negativna Binomska, Tweedie, GP-IG) in njihovih kombinacij v GAMLSS okviru ter nato primerjati AIC in BIC, skupaj z vizualno analizo ostankov modela in preverjanjem robustnosti na zunanjih podatkih, da zagotovimo zanesljivost naših napovedi. To mi omogoča, da svojim strankam ponudim zavarovanja, ki so cenovno optimalna in obenem ponujajo resnično kritje, ki ga potrebujejo.

Numerični primer kalibracije GAMLSS modela za nezgode

Da bi ponazorila uporabo GAMLSS modelov, si poglejmo hipotetičen primer. Predstavljajmo si, da imamo anonimizirane podatke o nezgodnih škodah za 10.000 zavarovancev v obdobju enega leta. Podatki vključujejo število škod na zavarovanca, višino posamezne škode (če je prišlo do nje), starost zavarovanca, vrsto poklica (npr. pisarniški, fizični) in spol. Naš cilj je modelirati povprečno letno škodo za vsakega zavarovanca, pri čemer upoštevamo, da veliko zavarovancev nima škod (ničelne vrednosti) in da so škode asimetrične in repate. Namesto ločenega modeliranja pogostosti in teže, bomo uporabili GAMLSS z Tweedie distribucijo, ki je primerna za modeliranje združenih podatkov z ničelnimi vrednostmi in pozitivnimi, asimetričnimi zneski.

V našem numeričnem primeru, po kalibraciji modela, bi ugotovili naslednje informativne parametre in vplive. Na primer, za povprečje (μ) škode, bi lahko ugotovili, da se povprečna škoda povečuje s starostjo zavarovanca do določene meje, nato pa se stabilizira ali rahlo zmanjša. Za poklic bi ugotovili, da imajo zavarovanci s fizičnim poklicem informativno za 20% višjo povprečno škodo kot tisti s pisarniškim poklicem (p-vrednost < 0.01). Za varianco (σ) škode bi lahko ugotovili, da je varianca višja pri mlajših zavarovancih in se zmanjšuje s starostjo, kar kaže na manjšo predvidljivost škod pri mlajših skupinah. Ko primerjamo ta GAMLSS Tweedie model z enostavnejšim GLM Poissonovim modelom, bi GAMLSS verjetno dosegel bistveno nižje vrednosti AIC in BIC (npr. AIC GAMLSS = 15.200, AIC GLM = 16.500), kar kaže na boljšo prilagoditev podatkom. To nam omogoča, da natančneje določimo premije, ki odražajo dejansko tveganje, kar je ključno za finančno zdravje zavarovalnice in pravično obravnavo strank. Poudarjam, da gre za informativni primer izračuna, ki bi v realnosti zahteval obsežno statistično analizo.

Robustnost modelov pri ekstremnih vrednostih in repnih distribucijah

Eden največjih izzivov pri modeliranju zavarovalnih podatkov je obravnava ekstremnih vrednosti in repnih distribucij ('heavy tails'). Nezgode lahko vključujejo zelo redke, a izjemno drage dogodke, ki lahko močno vplivajo na finančno stabilnost zavarovalnice. Klasični modeli, ki predpostavljajo normalno porazdelitev ali distribucije z lahkimi repi, ne morejo ustrezno zajeti tveganja, povezanega s temi dogodki. GAMLSS modeli, s svojo fleksibilnostjo pri izbiri distribucij, nam omogočajo, da izberemo distribucije, ki so inherentno zasnovane za obravnavo repatih podatkov, kot so že omenjeni GP-IG ali določene oblike Tweedie distribucije. Zmožnost modeliranja asimetrije in sploščenosti distribucije v okviru GAMLSS je ključna za zanesljivo oceno tveganja in določitev ustreznega kapitala za kritje potencialnih izgub.

Robustnost modela pomeni, da so njegove napovedi zanesljive tudi v prisotnosti odstopanj ali v primeru novih, nepredvidenih podatkov. Pri testiranju robustnosti GAMLSS modelov za nezgodna zavarovanja se osredotočam na analizo ostankov, preverjanje vpliva posameznih opazovanj (leverage points) in izvajanje navzkrižne validacije (cross-validation). Pomembno je tudi preveriti, kako se model obnaša na simuliranih podatkih, ki vključujejo ekstremne scenarije. To mi omogoča, da ocenim, ali bo model pravilno predvidel tudi redke in drage škode, ki lahko močno obremenijo zavarovalnico. S tem zagotavljam, da so naši aktuarski modeli dovolj zanesljivi za podporo trajnostni poslovni praksi, saj ne gre le za optimizacijo premij, temveč za celovito upravljanje tveganj, ki ščiti tako zavarovanca kot zavarovalnico. Robusten model je temelj za zanesljive rezervacije in dolgoročno stabilnost zavarovalne ponudbe.

Praktični primer iz prakse: Modeliranje invalidnosti po nezgodi

Dovolite mi, da z vami delim hipotetičen primer, ki ponazarja moč GAMLSS modelov v praksi, seveda brez navajanja pravih imen in konkretnih številk. Pred leti smo se v aktuarskem oddelku soočali z izzivom modeliranja verjetnosti in teže invalidnosti, ki nastane kot posledica nezgode. Opažali smo, da tradicionalni GLM modeli niso uspeli zajeti vseh nians, saj je bila distribucija invalidnosti izjemno repata – večina poškodb ni vodila v invalidnost, majhen odstotek pa je imel za posledico hudo, dolgotrajno ali trajno invalidnost z zelo visokimi odškodninami. Zato smo se odločili za uporabo GAMLSS okvirja, da bi natančneje modelirali to kompleksno situacijo.

S pomočjo GAMLSS smo preučili različne distribucije za modeliranje invalidnosti. Namesto ločenega modeliranja pogostosti (verjetnosti invalidnosti) in teže (stopnja invalidnosti in višina odškodnine), smo uporabili sestavljeno (compound) distribucijo, morda celo s pristopom, podobnim Tweedie, ki je omogočala hkrati modeliranje ničelnih dogodkov in zneskov. V modelu smo vključili dejavnike, kot so starost, spol, vrsta dejavnosti, narava poškodbe in celo socioekonomski status. Ugotovili smo, da se verjetnost in teža invalidnosti pomembno razlikujeta med različnimi starostnimi skupinami, pri čemer so bile določene vrste poškodb (npr. hude poškodbe hrbtenice) povezane z bistveno višjo stopnjo invalidnosti. GAMLSS model nam je omogočil, da smo te razlike natančno kvantificirali, kar je pripeljalo do bistveno natančnejših rezervacij in optimizacije premij za nezgodna zavarovanja. Zato sedaj lahko ponudim svojim strankam bolj transparentne in natančno prilagojene police, ki realno odražajo tveganja posameznika in jim zagotavljajo finančno varnost tudi v najtežjih trenutkih.

Kaj je krito in kaj ni krito pri nezgodnem zavarovanju?

Kot pri vsakem zavarovanju, je tudi pri nezgodnem ključno razumeti, kaj je krito in kaj ni. Splošno gledano, nezgodno zavarovanje krije posledice nesrečnega dogodka – torej nepričakovanega, nenadnega in od zavarovanca neodvisnega delovanja zunanjih sil, ki povzroči poškodbo, invalidnost ali smrt. Tipična kritja vključujejo izplačilo za primer trajne invalidnosti (delne ali popolne), smrti zaradi nezgode, stroške zdravljenja po nezgodi, dnevno nadomestilo za čas nezmožnosti za delo, bolnišnični dan, pomoč na domu in še marsikaj, odvisno od izbranega paketa in zavarovalnice. Višina kritja je seveda odvisna od dogovorjene zavarovalne vsote.

Pomembno pa je vedeti tudi, kaj običajno ni krito. Med izključitve pogosto spadajo poškodbe, ki nastanejo zaradi bolezni (razen če bolezen sproži nezgodo), poškodbe, ki si jih zavarovanec namerno povzroči, poškodbe pod vplivom alkohola ali drog, poškodbe zaradi vojne, terorizma ali naravnih katastrof (razen če je to posebej dogovorjeno). Prav tako so običajno izključene poškodbe, ki nastanejo med izvajanjem določenih nevarnih športov ali dejavnosti, razen če je zanje sklenjeno dodatno kritje. Vedno poudarjam, da je ključnega pomena natančno prebrati splošne in posebne pogoje zavarovanja, saj se ti lahko razlikujejo med zavarovalnicami in posameznimi produkti. Moji strokovni nasveti temeljijo na razumevanju teh pogojev, da lahko vsaki stranki priporočim optimalno rešitev, ki resnično ustreza njenim potrebam in življenjskemu slogu, in jo zaščitim pred morebitnimi nepričakovanimi situacijami. Vsekakor velja, da pogoji posamezne zavarovalnice niso splošno pravilo in jih je treba skrbno preveriti.

Zaključek: Pomen kvantitativne analize za stabilnost in zaupanje

Upam, da sem vam s tem poglobljenim vpogledom v GAMLSS modele za nezgodna zavarovanja približala kompleksnost in izpopolnjenost aktuarske analize. Kvantitativna analiza tveganja ni zgolj akademska vaja; je temelj, na katerem gradimo stabilne, poštene in konkurenčne zavarovalne produkte. Z uporabo naprednih statističnih orodij, kot so GAMLSS in izpopolnjene verjetnostne distribucije (Tweedie, GP-IG), lahko natančneje razumemo in modeliramo pogostost in težo nezgodnih škod, vključno z ekstremnimi vrednostmi in repatimi distribucijami, ki so v zavarovalništvu pogosto izziv.

Moja zaveza kot zavarovalne zastopnice je, da svojim strankam ne ponujam zgolj polico, temveč celovito rešitev, ki temelji na trdnih aktuarskih spoznanjih. Razumevanje teh modelov mi omogoča, da verodostojno svetujem pri izbiri najboljšega kritja in zagotavljam, da so zavarovalne vsote in premije realistične in pravične. Ne gre zgolj za številke, ampak za zagotavljanje mirnega spanca in finančne varnosti v nepredvidljivih življenjskih situacijah. Če imate vprašanja glede nezgodnega zavarovanja ali bi želeli podrobnejšo analizo vaših potreb, sem vam z veseljem na voljo za pogovor in strokovno svetovanje. Moje poslanstvo je, da zavarovanje ne bo zapletena naloga, temveč enostavna in varna izbira.

Pogosta vprašanja

Kaj so GAMLSS modeli in zakaj so pomembni za zavarovalništvo?

GAMLSS so statistični modeli, ki omogočajo modeliranje vseh parametrov verjetnostne distribucije (povprečje, varianca, asimetrija, sploščenost), ne le povprečja. V zavarovalništvu so ključni za natančnejše ocenjevanje tveganj, saj lahko zajamejo kompleksnejše vzorce podatkov, kot so repate distribucije škod, kar vodi do bolj zanesljivih premij in rezervacij.

Katera je najboljša verjetnostna distribucija za nezgodna zavarovanja?

Ne obstaja ena 'najboljša' distribucija. Izbira je odvisna od specifičnih značilnosti podatkov. Tweedie distribucija je zelo vsestranska, saj lahko modelira tako pogostost kot težo škod. Druge možnosti so Poissonova, negativna binomska, Gama in Generalized Poisson-Inverse Gaussian (GP-IG), vsaka s svojimi prednostmi za določene scenarije in repne podatke.

Kako GAMLSS obravnavajo repne distribucije in ekstremne vrednosti?

GAMLSS omogočajo izbiro distribucij, ki so naravno primerne za repate podatke (npr. GP-IG), in modeliranje asimetrije ter sploščenosti. To pomaga pri boljšem zajemanju tveganj, povezanih z redkimi, a zelo dragimi dogodki, kar je ključno za robustno aktuarsko oceno tveganja in določanje potrebnega kapitala.

Kaj sta AIC in BIC in kako pomagata pri izbiri modela?

AIC (Akaikejev informacijski kriterij) in BIC (Bayesov informacijski kriterij) sta statistična kriterija za primerjavo in izbiro modelov. Oba ocenjujeta ravnotežje med prilagoditvijo modela podatkom in njegovo kompleksnostjo. Nižje vrednosti AIC in BIC običajno kažejo na boljši model, pri čemer BIC bolj kaznuje kompleksnost modela.

Zakaj je pomembno brati splošne pogoje nezgodnega zavarovanja?

Bralci splošnih pogojev nezgodnega zavarovanja so nujni, saj se kritja, izključitve in obveznosti zavarovanca lahko bistveno razlikujejo med zavarovalnicami in produkti. Razumevanje pogojev preprečuje nepričakovane situacije in zagotavlja, da zavarovanje resnično ustreza vašim potrebam in pričakovanjem, kar je ključno za uspešno reševanje škodnih dogodkov.

Viri in reference

• Uradni list RS – Zakon o zavarovalništvu (ZZavar-1)
• Uradni list RS – Zakon o zdravstvenem varstvu in zdravstvenem zavarovanju (ZZVZZ)
• Uradni list RS – Zakon o pokojninskem in invalidskem zavarovanju (ZPIZ-2)
• Strokovna literatura o aktuariatu in GAMLSS modelih (npr. 'Modelling Spatial and Spatio-Temporal Data: A Bayesian Approach' - Gamerman & Lopes, 'Generalized Additive Models for Location, Scale and Shape: A Distributional Regression Approach with Applications' - Rigby & Stasinopoulos)

Nadaljujte branje o tej temi

Povezave so izbrane samodejno glede na steber zaščite in ključne besede te objave.

• 
  Primer: Tehnični vpogledi

  Šolsko nezgodno zavarovanje vs. individualna otroška polica

• 
  Primer: Tehnični vpogledi

  Uskladitev nezgodnih polic z inflacijo: Zakaj so stare vsote prenizke?

• 
  Primer: Tehnični vpogledi

  Izračun zavarovalne vsote in pravila prekinitve riziko življenjske police

• 
  Primer: Tehnični vpogledi

  Kajenje in življenjski slog: Kako vplivata na premijo in na presojo tveganja

• 
  Primer: Tehnični vpogledi

  Nezgodno ali življenjsko zavarovanje: kaj kdaj deluje