Hibridni modeli: GAMLSS in strojno učenje za detekcijo prevar

Uvod v izziv detekcije prevar v nezgodnih zavarovanjih

V zavarovalništvu se nenehno soočamo z izzivom prevar, ki letno povzročijo znatno finančno škodo in vplivajo na premije vseh poštenih zavarovancev. Pri nezgodnih zavarovanjih je detekcija prevar še posebej zapletena, saj vključuje širok spekter možnih scenarijev – od lažnega prijavljanja poškodb, pretiravanja obsega škode, do kompleksnih organiziranih shem. Zavarovalnice po vsem svetu vlagajo precejšnja sredstva v razvoj sofisticiranih sistemov za prepoznavanje in preprečevanje tovrstnih aktivnosti, a dinamika prevarantov zahteva nenehno nadgradnjo in izpopolnjevanje teh sistemov.

Mojih 20 let izkušenj me je naučilo, da statični modeli hitro zastarajo. Prevaranti so inovativni in se prilagajajo obstoječim detekcijskim mehanizmom, zato moramo biti tudi mi korak pred njimi. To pomeni, da ne smemo ostati zgolj pri tradicionalnih statističnih pristopih, temveč jih dopolniti z najnovejšimi dosežki na področju strojnega učenja. Cilj ni le identificirati prevaro, temveč zgraditi robusten, prilagodljiv in predvsem proaktiven sistem, ki bo sposoben zaznati tudi še neznane vzorce prevar.

GAMLSS modeli kot temeljni kamen detekcije prevar

Splošni aditivni modeli lokacije, obsega in oblike (GAMLSS – Generalized Additive Models for Location, Scale and Shape) predstavljajo izjemno močno statistično ogrodje, ki omogoča modeliranje ne le povprečja (lokacije) odzivne spremenljivke, temveč tudi njene variabilnosti (obsega) in oblike porazdelitve z uporabo gladkih funkcij. To je ključno v zavarovalništvu, kjer škodni dogodki pogosto sledijo asimetričnim ali heteroskedastičnim porazdelitvam, ki jih klasični splošni linearni modeli (GLM) ne morejo ustrezno zajeti. Z uporabo GAMLSS lahko natančneje modeliramo porazdelitve škodnih zahtevkov, vključno z zneski in pogostostjo, kar je kritično za identifikacijo odstopanj, ki lahko kažejo na prevaro.

GAMLSS omogočajo modeliranje različnih parametrov porazdelitve (npr. $\mu$, $\sigma$, $\nu$, $\tau$) kot funkcij kovariat, kar lahko zapišemo kot: $\text{g}_j(\theta_j) = \eta_j = \mathbf{X}_j \boldsymbol{\beta}_j + \sum_{k=1}^{K_j} \mathbf{Z}_{jk} \boldsymbol{\gamma}_{jk}$. Tu je $\theta_j$ j-ti parameter porazdelitve (npr. pričakovana vrednost, standardni odklon), $\text{g}_j$ je povezovalna funkcija, $\eta_j$ je prediktor, $\mathbf{X}_j \boldsymbol{\beta}_j$ predstavlja fiksne učinke, in $\sum_{k=1}^{K_j} \mathbf{Z}_{jk} \boldsymbol{\gamma}_{jk}$ gladke (nelinearne) učinke. Ta fleksibilnost omogoča, da zajamemo kompleksne odnose med karakteristikami zavarovanja in verjetnostjo ali obsegom škode, ki se lahko interpretira kot indikator prevare. Vendar pa imajo GAMLSS kljub svoji moči omejitve, predvsem pri zaznavanju zelo subtilnih ali novih vzorcev prevar, ki ne odstopajo nujno od pričakovanih porazdelitev na očitne načine.

Povezava GAMLSS z anomalno detekcijo: Zaznavanje neobičajnih vzorcev

Anomalna detekcija je veja strojnega učenja, ki se osredotoča na identifikacijo dogodkov, ki ne ustrezajo pričakovanemu vzorcu podatkov. Pri detekciji prevar v nezgodnih zavarovanjih je to izjemno pomembno, saj so prevarne aktivnosti pogosto ravno anomalije. Klasični GAMLSS modeli nam lahko pomagajo pri določitvi 'normalnega' obnašanja zavarovanih dogodkov in škodnih zahtevkov. Ko GAMLSS model na podlagi zgodovinskih podatkov natančno opiše porazdelitev 'poštenih' zahtevkov, lahko vsak nov zahtevek, ki bistveno odstopa od te porazdelitve, označimo kot potencialno anomalijo. To lahko izrazimo z verjetnostjo, da je določen zahtevek prišel iz modelirane porazdelitve, ali z merami razdalje (npr. Mahalanobisova razdalja) med novim zahtevkom in centrom 'normalne' porazdelitve.

Integracija se lahko izvede tako, da GAMLSS model najprej modelira porazdelitev neke kritične spremenljivke (npr. znesek škode glede na vrsto nezgode, starost zavarovanca, trajanje zdravljenja). Nato se uporabi algoritem anomalne detekcije, kot so Isolation Forest, One-Class SVM ali lokalni faktor odklona (LOF), na rezidualih GAMLSS modela ali na napovedanih verjetnostih. Če GAMLSS model napove nizko verjetnost za opazovani izid ($\text{P}(y | \mathbf{x}, \hat{\boldsymbol{\theta}}))$ ali če so reziduali zunaj določenega praga (npr. $\pm 3$ standardnih odklonov), to kaže na anomalijo. Dodatno, ML algoritmi lahko obravnavajo multivariatne anomalije, ki niso očitne v posameznih spremenljivkah, ampak so kombinacija neobičajnih vrednosti v več atributih. To so lahko na primer nenavadne kombinacije poškodb, lokacij in časovnih okvirjev, ki jih GAMLSS sam ne bi nujno prepoznal kot izrazito nenormalne, ker bi posamezne komponente lahko bile v mejah 'normalnosti'.

Ensemblovne metode za robustnejše zaznavanje prevar

Ensemblovne metode strojnega učenja, kot sta Random Forests in Gradient Boosting, so se izkazale za izjemno učinkovite pri reševanju kompleksnih klasifikacijskih problemov, vključno z detekcijo prevar. Njihova moč izvira iz kombiniranja napovedi večih osnovnih modelov (npr. dreves odločanja), kar zmanjšuje varianco in pristranost, posledično pa povečuje robustnost in natančnost končne napovedi. Pri detekciji prevar lahko te metode obravnavajo nelinearne odnose in interakcije med številnimi napovednimi spremenljivkami, ki so pogosto prisotne v podatkih o zavarovalnih zahtevkih.

Integracija z GAMLSS modeli lahko poteka na več načinov. Eden izmed pristopov je, da GAMLSS model predhodno izračuna 'osnovno' verjetnost prevare ali pa prilagojene reziduale, ki nato služijo kot vhodne spremenljivke za ensemblovne metode. To pomeni, da GAMLSS model zajame statistično robustne trende in porazdelitve, ensemblovne metode pa se nato osredotočijo na preostale, bolj kompleksne in subtilne vzorce. Na primer, pri Gradient Boostingu (npr. XGBoost, LightGBM) se GAMLSS napovedi lahko uporabijo kot začetne 'prednapovedi', na katere se nato učijo posamezna drevesa, da minimizirajo reziduale. To ustvarja hibridni model, ki izkorišča tako statistično strogost GAMLSS kot tudi prilagodljivost in moč napovedovanja ensemblovnih metod. Matematično lahko to predstavimo kot: $\hat{F}(x) = GAMLSS_{\text{base}}(x) + \sum_{m=1}^{M} \gamma_m h_m(x)$, kjer je $GAMLSS_{\text{base}}(x)$ izhodiščna napoved GAMLSS modela, $\gamma_m$ so uteži in $h_m(x)$ so osnovni učitelji (npr. drevesa odločanja). Ta pristop omogoča boljši nadzor nad nelinearnostmi in kompleksnimi interakcijami, ki so pogosto indikatorji prevar.

Globoko učenje in nevronske mreže za odkritje latentnih vzorcev

Globoko učenje, zlasti uporaba nevronskih mrež, je v zadnjem desetletju revolucioniralo področje analize podatkov in se vse bolj uveljavlja tudi pri detekciji prevar. Nevronske mreže so sposobne samodejno učiti kompleksne, nelinearne reprezentacije podatkov in zaznavati latentne vzorce, ki so preveč subtilni za tradicionalne statistične modele ali celo nekatere algoritme strojnega učenja. Pri nezgodnih zavarovanjih to pomeni sposobnost prepoznavanja skritih povezav med različnimi podatkovnimi viri – od besedilnih opisov nezgod, medicinske dokumentacije, do geografskih podatkov in socialnih omrežij, kar je pogosto ključno pri razkrivanju sofisticiranih prevar.

Hibridni pristop z GAMLSS modeli in globokim učenjem lahko izgleda takole: GAMLSS se lahko uporabi za obdelavo in normalizacijo numeričnih podatkov, generiranje novih funkcij ali kot del enkodirne faze. Izhodi iz GAMLSS modela (npr. verjetnosti, reziduali, ali transformirane kovariate) se nato vključijo kot vhodni sloji v globoko nevronsko mrežo. Ta mreža nato preuči te vhode skupaj z drugimi, morda nestrukturiranimi podatki (npr. besedilna polja, slike), da bi prepoznala kompleksne, večplastne vzorce prevar. To je še posebej učinkovito pri odkritju prevarantnih mrež, kjer GAMLSS oceni individualno tveganje, nevronska mreža pa identificira korelacijo med zahtevki in posamezniki. Arhitekture, kot so konvolucijske nevronske mreže (CNN) za obdelavo slik medicinskih izvidov ali rekurentne nevronske mreže (RNN) za analizo časovnih serij pri zaporednih zahtevkih, lahko ponudijo izjemno moč pri odkrivanju prevar. Matematično se lahko vhodi v nevronsko mrežo oblikujejo kot $\mathbf{z} = [\mathbf{x}_GAMLSS, \mathbf{x}_{ML}]$, kjer $\mathbf{x}_GAMLSS$ predstavljajo izhodne funkcije iz GAMLSS, $\mathbf{x}_{ML}$ pa surove ali predobdelane podatke za globoko učenje, ki nato preidejo skozi večplastno nevronsko mrežo $f_{\text{NN}}(\mathbf{z})$.

Ena od prednosti globokega učenja je tudi njegova sposobnost učenja predstavitev iz surovih podatkov brez ročnega inženiringa funkcij. To je še posebej pomembno, ko se vzorci prevar spreminjajo. Model se lahko samodejno prilagodi novim vzorcem v podatkih, kar vodi do bolj dinamičnega in odpornega sistema za detekcijo prevar.

Hibridni modeli: Sinergija med GAMLSS in strojnimi algoritmi

Sinergija med GAMLSS modeli in naprednimi tehnikami strojnega učenja ponuja izjemne možnosti za povečanje robustnosti in natančnosti sistemov za detekcijo prevar. Namesto da bi se zanašali zgolj na eno metodologijo, lahko z združevanjem njihovih prednosti ustvarimo 'super-modele', ki so sposobni zaznati širši spekter prevar. GAMLSS ponuja statistično interpretacijo in modeliranje porazdelitev, medtem ko strojno učenje dodaja moč pri obravnavi nelinearnosti, kompleksnih interakcij, visokodimenzionalnih podatkov in zaznavanju anomalij, ki se ne ujemajo z nobeno znano porazdelitvijo. Prav tako lahko strojno učenje obdela nestrukturirane podatke, kot so besedila in slike, kar je izven dosega klasičnih GAMLSS modelov.

Obstaja več načinov za gradnjo teh hibridnih modelov. Eden od njih je 'stacking', kjer se napovedi iz več modelov (npr. GAMLSS, Random Forest, Nevronska mreža) uporabijo kot vhodi v 'meta-klasifikator', ki nato sprejme končno odločitev o prevari. Drugi pristop je 'cascading', kjer GAMLSS model najprej identificira potencialne sumljive primere, ki se nato podrobneje analizirajo z bolj kompleksnimi algoritmi strojnega učenja. Pomembno je tudi poudariti iterativen značaj teh modelov. Z zaznavanjem novih vzorcev prevar in vključevanjem novih podatkov se lahko modeli nenehno učijo in prilagajajo, s čimer se ohranja njihova učinkovitost v dinamičnem okolju. Kvantitativno gledano, merimo izboljšanje z metriko, kot so AUC (Area Under the Curve), preciznost, odpoklic in F1-mera, ki nam omogočajo objektivno primerjavo uspešnosti hibridnih modelov z individualnimi pristopi.

Primer matematičnega opisa združevanja modelov: razmislimo o enostavnem uteženem povprečju napovedi. Če imamo GAMLSS napoved verjetnosti prevare $\hat{P}_{G}(x)$ in napoved nevronske mreže $\hat{P}_{NN}(x)$, lahko hibridno napoved izračunamo kot $\hat{P}_{Hybrid}(x) = w_G \hat{P}_{G}(x) + w_{NN} \hat{P}_{NN}(x)$, kjer sta $w_G$ in $w_{NN}$ uteži, ki se lahko določita z validacijo ali s pomočjo meta-učenja. To omogoča, da se bolj zanesljivim modelom (glede na specifičen nabor podatkov) dodeli večja utež. Bolj napredne metode združevanja uporabljajo kompleksnejše meta-učitelje, ki se naučijo optimalno kombinirati napovedi baznih modelov.

Kvantitativna analiza izboljšanja in metrike uspešnosti

Merjenje uspešnosti detekcije prevar je ključnega pomena za evalvacijo in optimizacijo hibridnih modelov. Standardne metrike vključujejo AUC (Area Under the Receiver Operating Characteristic Curve), preciznost (Precision), odpoklic (Recall) in F1-mero. AUC nam pove, kako dobro model ločuje med poštenimi in prevarantskimi zahtevki na različnih pragih. Visok AUC (blizu 1) kaže na dobro ločevalno moč. Preciznost (True Positives / (True Positives + False Positives)) meri delež pravilno identificiranih prevar med vsemi, ki so bili označeni kot prevare. Odpoklic (True Positives / (True Positives + False Negatives)) pa meri delež pravilno identificiranih prevar med vsemi dejanskimi prevarami. F1-mera je harmonična sredina preciznosti in odpoklica, kar ponuja uravnotežen pogled na uspešnost.

Ob implementaciji hibridnih modelov pričakujemo znatno izboljšanje teh metrik v primerjavi s samostojnimi GAMLSS modeli ali samostojnimi ML algoritmi. Na primer, če imamo GAMLSS model z AUC = 0.75 in Random Forest model z AUC = 0.80, lahko hibridni model potencialno doseže AUC med 0.82 in 0.85. To izboljšanje je kritično, saj že majhno povečanje natančnosti detekcije lahko pomeni milijonske prihranke za zavarovalnico. Poleg teh metrik je pomembno spremljati tudi False Positive Rate (FPR), ki kaže, kolikšen delež poštenih zahtevkov je bil napačno označen kot prevara, saj visoka stopnja FPR lahko povzroči nepotrebne stroške in slabo uporabniško izkušnjo. Cilj je maksimizirati Recall ob sprejemljivem FPR, da ne obremenjujemo preveč poštenih zavarovancev z dodatnimi preverjanji.

Praktični primer: Zaznavanje sumljivih zahtevkov v nezgodnem zavarovanju

Predstavljajmo si primer, ko zavarovalnica obravnava serijo zahtevkov za nezgodno zavarovanje, ki vključujejo poškodbe kolena med smučanjem. Tradicionalni GAMLSS model, ki modelira znesek zahtevka ($\mu$) in variabilnost ($\sigma$) na podlagi starosti, spola in trajanja zdravljenja, ugotovi, da je povprečen znesek zahtevka za to vrsto poškodbe X EUR z določenim standardnim odklonom. Model zazna, da je 95% zahtevkov v intervalu (X - 2SD, X + 2SD). Nekateri zahtevki z visokimi zneski so označeni kot potencialno sumljivi, če presegajo ta interval. Vendar pa GAMLSS sam ne more prepoznati kompleksnejših vzorcev, kot so denimo, da so vsi ti visoki zahtevki prišli od istega odvetnika, istega zdravnika, ali da so prijavljeni isti dan v tednu.

V takšnem scenariju bi hibridni model deloval bistveno bolje. Najprej bi GAMLSS model izračunal verjetnost vsakega zahtevka, da je 'legitimen' glede na standardne parametre. Te verjetnosti, skupaj z drugimi podatki (npr. besedilni opis nezgode, podatki o odvetniku, zdravniku, prejšnji zahtevki, ipd.), bi se nato podale v algoritem strojnega učenja, kot je Random Forest ali nevronska mreža. Algoritem strojnega učenja bi identificiral latentne korelacije: npr. da so zahtevki, ki presegajo GAMLSS interval, pogosto povezani z določenim medicinskim centrom, ki izdaja pretirane račune za fizioterapijo. Nadalje, bi lahko globoko učenje analiziralo besedilne opise nezgod in odkrilo podobnosti v formulaciji, ki bi nakazovale na prirejene izjave. S tem hibridnim pristopom bi lahko zavarovalnica zaznala organizirano shemo, ki se ne bi razkrila le z opazovanjem posameznih odstopanj od povprečja.

Kaj je krito in kaj ni krito z nezgodnim zavarovanjem

Kot strokovnjakinja poudarjam, da je poznavanje kritij ključno za razumevanje tako veljavnosti zahtevkov kot tudi potencialnih prevar. Nezgode zavarovalnice običajno krijejo širok spekter nenadnih in nepričakovanih dogodkov, ki povzročijo telesne poškodbe ali smrt. To vključuje poškodbe, nastale pri športu, v prometu, na delovnem mestu, doma ali med prostovoljnim delom. Krijejo se stroški zdravljenja, bolnišničnega zdravljenja, trajne invalidnosti, smrti zaradi nezgode in včasih tudi dnevna nadomestila. Kritja so podrobno opredeljena v splošnih in posebnih pogojih zavarovanja, ki se lahko razlikujejo med zavarovalnicami. Pomembno je prebrati pogoje, saj na primer 'športne aktivnosti' lahko pomenijo rekreativno smučanje, ne pa profesionalne dirke.

Kar zadeva izključitve, zavarovalnice običajno ne krijejo poškodb, ki nastanejo pod vplivom alkohola ali mamil, pri namernih samopoškodbah, pri kaznivih dejanjih, vojnih dejanjih ali terorizmu. Prav tako se pogosto izključujejo bolezni, ki niso neposredna posledica nezgode (npr. srčni infarkt), ali poškodbe, ki so bile prisotne že pred sklenitvijo zavarovanja in niso bile prijavljene. Nekatere police imajo tudi izključitve za ekstremne športe ali poklicne dejavnosti, ki so visoko tvegane. To so ključne točke, ki jih prevaranti pogosto poskušajo obiti, npr. z lažnim prikazovanjem okoliščin nezgode, da bi se izognili izključitvam. Naši modeli za detekcijo prevar so zasnovani tako, da identificirajo tudi tovrstne manipulacije z informacijami.

Zakonska podlaga in etični vidiki detekcije prevar

Zakonodaja v Sloveniji jasno določa okvir delovanja zavarovalnic in postopke obravnave prevar. Ključni so Zakon o zavarovalništvu (ZZavar-1), Zakon o zavarovalnih zastopnikih in posrednikih (ZZVZZ), pa tudi drugi predpisi, ki urejajo varstvo osebnih podatkov, kot je Splošna uredba o varstvu podatkov (GDPR). Zavarovalnice imajo pravico in dolžnost preiskovati sumljive zahtevke, da preprečijo zlorabe in zaščitijo interese vseh zavarovancev. Vendar pa morajo pri tem ravnati etično in v skladu z zakonom, spoštovati pravice posameznikov in zagotavljati transparentnost. Nikoli si ne izmišljujemo pravnih interpretacij, saj so te določene z zakonom in se preverjajo v praksi.

Uporaba naprednih tehnik strojnega učenja prinaša tudi etične izzive, predvsem glede pristranskosti modelov in avtomatiziranega odločanja. Pomembno je zagotoviti, da modeli niso diskriminatorni do določenih skupin prebivalstva in da so odločitve pregledne in razložljive. Zato vedno poudarjam potrebo po 'razložljivi umetni inteligenci' (Explainable AI - XAI), ki omogoča vpogled v to, zakaj je model določen zahtevek označil kot sumljivega. To je še posebej pomembno, ko gre za odločitve, ki lahko močno vplivajo na življenje posameznika. Zato je v vsakem procesu, kjer so v igri ML modeli, obvezen tudi človeški nadzor in presoja, saj je namen tehnologije pomoč, ne pa popolna zamenjava strokovne presoje. Odstotki in formule so le del rešitve, končna odločitev pa mora temeljiti na celovitem razumevanju primera.

Prihodnost detekcije prevar: Prilagodljivost in stalno učenje

Prihodnost detekcije prevar v nezgodnih zavarovanjih leži v nenehni prilagodljivosti in stalnem učenju modelov. Ker se prevarantske tehnike razvijajo, se morajo razvijati tudi naši obrambni mehanizmi. To pomeni implementacijo sistemov za avtomatsko učenje (online learning), ki omogočajo, da se modeli posodabljajo v realnem času ali skoraj v realnem času z novimi podatki in novimi vzorci prevar. To vključuje mehanizme za zaznavanje 'drift-a' modela, kjer se uspešnost modela zmanjšuje zaradi sprememb v osnovni porazdelitvi podatkov ali pojavu novih vrst prevar.

Nadalje, pričakujem, da bo sodelovanje med zavarovalnicami in deljenje anonimiziranih podatkov o prevarah igralo ključno vlogo pri razvoju še robustnejših sistemov. Skupni podatkovni bazeni in skupno razviti hibridni modeli bi lahko drastično povečali učinkovitost detekcije. Uporaba blockchain tehnologije za transparentno in varno izmenjavo podatkov med akterji v zavarovalni industriji je tudi potencialna smer razvoja. Bistvo je ostati proaktiven, nenehno izboljševati in prilagajati tehnologijo, da zagotovimo poštenost in varnost zavarovalnega sistema za vse.

Pogosta vprašanja

Zakaj so GAMLSS modeli boljši od klasičnih GLM za detekcijo prevar?

GAMLSS modeli so bolj fleksibilni, saj lahko modelirajo ne le povprečje (lokacijo), temveč tudi variabilnost (obseg) in obliko porazdelitve. To je ključno za zavarovalne podatke, ki pogosto niso normalno porazdeljeni, in omogoča natančnejše prepoznavanje odstopanj, ki kažejo na prevaro, v primerjavi z GLM, ki so omejeni na modeliranje le enega parametra porazdelitve.

Katere tehnike strojnega učenja se najpogosteje uporabljajo v hibridnih modelih?

Najpogosteje se uporabljajo tehnike anomalne detekcije (npr. Isolation Forest, One-Class SVM), ensemblovne metode (npr. Random Forests, Gradient Boosting) in metode globokega učenja (npr. nevronske mreže). Te metode se integrirajo z GAMLSS modeli za boljše zaznavanje kompleksnih vzorcev prevar in obravnavo nestrukturiranih podatkov.

Kaj pomeni robustnost modela pri detekciji prevar?

Robustnost modela pomeni njegovo sposobnost, da ohrani visoko natančnost in zanesljivost detekcije prevar, tudi ko se pojavijo novi ali spreminjajoči se vzorci prevar, ali ko so podatki nepopolni ali šumni. Hibridni modeli so robustnejši, saj združujejo moči različnih algoritmov, kar zmanjšuje tveganje za slepe pege.

Ali lahko hibridni modeli prepoznajo še neznane vrste prevar?

Da, to je ena ključnih prednosti hibridnih modelov, še posebej s komponentami anomalne detekcije in globokega učenja. Medtem ko GAMLSS določa 'normalno', algoritmi strojnega učenja iščejo statistično nenavadne odklone, ki ne ustrezajo znanim vzorcem. To jim omogoča prepoznavanje 'novih' prevar, ki jih tradicionalni modeli ne bi zaznali.

Ali je uporaba AI in ML v skladu z GDPR?

Uporaba AI in ML je v skladu z GDPR, če so izpolnjeni vsi pogoji. To vključuje zakonito podlago za obdelavo podatkov, varstvo podatkov (psevdonimizacija, anonimizacija), pravico posameznika do razlage odločitve ('pravica do razlage') in zagotavljanje varoval pred diskriminacijo. Zavarovalnice morajo zagotoviti transparentnost in nadzor nad algoritmi.

Viri in reference

• Uradni list RS – Zakon o zavarovalništvu (ZZavar-1)
• Uradni list RS – Zakon o zavarovalnih zastopnikih in posrednikih (ZZVZZ)
• General Data Protection Regulation (GDPR) – Uredba (EU) 2016/679 Evropskega parlamenta in Sveta

Nadaljujte branje o tej temi

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

• 
  Primer: Tehnični vpogledi

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

• 
  Primer: Tehnični vpogledi

  Avtoimunske bolezni in zavarovalno kritje: Kaj je realno mogoče

• 
  Primer: Tehnični vpogledi

  Dohodek v pokoju iz več virov: kako ga sestaviti

• 
  Primer: Tehnični vpogledi

  Inflacija in zavarovalna vsota: kako ohraniti realno vrednost kritja

• 
  Primer: Tehnični vpogledi

  Multipla skleroza in Parkinsonova bolezen: Merila za priznanje kritja