Modeliranje prevar pri nezgodnih zahtevkih: Izbira in ocena algoritmov

Uvod v prediktivno modeliranje prevar: Zakaj je to ključno?

Prevare v zavarovalništvu predstavljajo globalni problem, ki letno povzroči milijardne izgube in posledično višje premije za poštene zavarovance. Pri nezgodnih zahtevkih, kjer so posledice pogosto manj objektivno merljive kot pri nekaterih drugih vrstah zavarovanj, je tveganje za zlorabe še toliko večje. Kot strokovnjakinja s 20-letnimi izkušnjami sem bila priča nenehnim izzivom pri prepoznavanju in obvladovanju tovrstnih tveganj. Tradicionalne metode detekcije, ki so temeljile predvsem na ročnih pregledih in heurističnih pravilih, so postajale vse manj učinkovite v primerjavi s prefinjenostjo sodobnih prevarantov.

Zato se je v zadnjih letih izkazala potreba po implementaciji naprednih analitičnih tehnik, zlasti prediktivnega modeliranja, ki omogočajo proaktivno in avtomatizirano identifikacijo potencialno spornih zahtevkov. Razvoj robustnih prediktivnih modelov ni zgolj tehnološki luksuz, temveč strateška naložba, ki zavarovalnicam omogoča zmanjšanje operativnih stroškov, izboljšanje likvidnosti in ohranjanje poštenosti zavarovalnega bazena. Moja vloga pri tem je, da kot svetovalec pomagam zavarovalnicam razumeti kompleksnost teh sistemov in jih implementirati na način, ki je hkrati učinkovit in skladen z regulativnimi zahtevami, kot so določene v Zakonu o zavarovalništvu (ZZavar-1), ki med drugim poudarja pomen dobrega korporativnega upravljanja in obvladovanja tveganj.

Priprava podatkovne množice: Temelj za zanesljive modele

Preden se lotimo izbire in treninga algoritmov, je kritičnega pomena skrbna priprava podatkovne množice. To je faza, kjer se odloči o kakovosti in robustnosti celotnega modela. Za nezgodne zahtevke to vključuje zbiranje in integracijo podatkov iz različnih virov: prijav škod, zdravniških izvidov, izjav prič, podatkov o preteklih zahtevkih zavarovanca in drugih relevantnih informacij. Ključno je zagotoviti visokokakovostne, čiste in relevantne podatke. Ocena kakovosti podatkov in njihovo čiščenje lahko vzameta 60-80% celotnega časa projekta, vendar je to nujno, saj 'smeti noter, smeti ven' (garbage in, garbage out) še kako drži na področju strojnega učenja.

Poleg čiščenja podatkov je izjemno pomemben korak inženiring značilk (feature engineering). To pomeni ustvarjanje novih, bolj informativnih značilk iz obstoječih surovih podatkov, ki bodo algoritmom omogočile boljše učenje. Primeri značilk za detekcijo prevar pri nezgodnih zahtevkih vključujejo: razmerje med številom preteklih zahtevkov in obdobjem zavarovanja, pogostost sprememb kontaktnih podatkov, časovno razliko med dogodkom in prijavo, prisotnost več zavarovanj pri različnih zavarovalnicah za podoben dogodek, ali specifične kombinacije poškodb, ki so statistično neobičajne. Poseben izziv predstavljajo neuravnotežene podatkovne množice, kjer je število prevarantskih zahtevkov bistveno manjše od poštenih (npr. 1-5% prevar). To zahteva uporabo specifičnih tehnik, kot so oversampling (npr. SMOTE, ADASYN) ali undersampling, ki pomagajo modelu, da se ne nagiba k večinski kategoriji in je sposoben učinkovito prepoznati redke prevare.

Izbira algoritmov strojnega učenja: Prednosti in slabosti

Izbira pravega algoritma je ključna odločitev, ki vpliva na učinkovitost in interpretativnost modela. Pri detekciji prevar pri nezgodnih zahtevkih sem se skozi leta soočala z različnimi pristopi. Med najbolj pogosto uporabljenimi in učinkovitimi algoritmi so ansambelske metode, kot sta Random Forest in XGBoost, ter nevronske mreže in Support Vector Machines (SVM). Vsak od teh ima svoje prednosti in slabosti, ki jih je treba skrbno pretehtati glede na specifičnosti podatkov in poslovne zahteve.

**Random Forest (RF)**: Je robusten ansambelski algoritem, ki združuje več odločitvenih dreves. Njegova glavna prednost je odpornost na overfitting in sposobnost obvladovanja velikega števila značilk. Je relativno enostaven za implementacijo in interpretacijo pomembnosti značilk. Slabost je lahko, da je v primerjavi z nekaterimi drugimi algoritmi manj optimalen pri izkoriščanju kompleksnih, nelinearnih odvisnosti v podatkih. **XGBoost (Extreme Gradient Boosting)**: Predstavlja nadgradnjo gradientnega ojačevanja, ki dosega izjemne rezultate na tekmovanjih iz strojnega učenja. Je zelo učinkovit, robusten in omogoča visoko stopnjo optimizacije. Odličen je za obvladovanje neuravnoteženih podatkov in je pogosto izbira 'go-to' za kompleksne klasifikacijske probleme. Njegova slabost je zahtevnejša nastavitev hiperparametrov in nekoliko manjša interpretativnost v primerjavi z Random Forestom. **Nevronske mreže (Artificial Neural Networks - ANN)**: Še posebej globoke nevronske mreže, so izjemno močne pri odkrivanju kompleksnih, nelinearnih vzorcev in interakcij med značilkami. So izjemno prilagodljive in lahko dosežejo visoko natančnost, če so na voljo dovolj veliki in kakovostni podatki. Vendar pa so običajno zahtevnejše za treniranje, potrebujejo veliko podatkov in so znane po svoji 'črni škatli' naravi, kar otežuje interpretacijo odločitev modela, kar je lahko pomembno pri razlagi suma prevare. **Support Vector Machines (SVM)**: Učinkovite so pri problemih z visoko dimenzionalnostjo, saj iščejo optimalno hiperpovršino, ki najbolje ločuje razrede. Dobre so za reševanje kompleksnih, nelinearnih problemov z uporabo 'jedrnih trikov' (kernel tricks). Njihova slabost je lahko dolgotrajno treniranje pri velikih podatkovnih množicah in občutljivost na izbiro parametrov ter skaliranje podatkov. Pri izbiri algoritma vedno pretehtamo kompleksnost problema, razpoložljivost in vrsto podatkov ter potrebo po interpretaciji rezultatov.

Metrike uspešnosti modelov: Onkraj natančnosti

Pri oceni uspešnosti modelov za detekcijo prevar je natančnost (accuracy) pogosto zavajajoča metrika, še posebej pri neuravnoteženih podatkovnih množicah. Model, ki bi vedno napovedal 'ni prevare' pri 99% poštenih zahtevkov, bi imel 99% natančnost, a ne bi ujel nobene prevare. Zato je nujno uporabljati metrike, ki so robustnejše in bolje odražajo dejansko zmožnost modela za prepoznavanje redkih dogodkov, kot so prevare. Kot analitik in strokovnjak poudarjam pomen uporabe celovitega nabora metrik.

**AUC (Area Under the Receiver Operating Characteristic curve)**: Predstavlja površino pod krivuljo ROC, ki prikazuje razmerje med stopnjo resnično pozitivnih (True Positive Rate – TPR) in stopnjo lažno pozitivnih (False Positive Rate – FPR) za različne pragove razvrščanja. Višja vrednost AUC (bližje 1) pomeni boljšo zmožnost modela za ločevanje med razredoma (prevara vs. ne-prevara). Je robustna metrika, ki je neodvisna od izbire praga in je posebej uporabna pri neuravnoteženih podatkih. **Precision (Natančnost)**: Pove, koliko od vseh zahtevkov, ki jih je model označil kot prevaro, je dejansko prevara. Visoka preciznost pomeni manj lažno pozitivnih napovedi, kar je ključno za zmanjšanje operativnih stroškov preiskovanja lažnih alarmov. **Recall (Odzivnost ali Občutljivost)**: Meri delež vseh dejanskih prevar, ki jih je model pravilno identificiral. Visok recall pomeni, da model uspe ujeti večino dejanskih prevar. **F1-score**: Je harmonična sredina med preciznostjo in recallom in predstavlja uravnoteženo merilo uspešnosti, še posebej uporabno, ko so razredi neuravnoteženi. Formula za F1-score je: $F1 = 2 * (Precision * Recall) / (Precision + Recall)$. **Precision-Recall Curve**: Podobno kot ROC krivulja, prikazuje razmerje med preciznostjo in recallom za različne pragove. Posebej je uporabna pri močno neuravnoteženih podatkovnih množicah, saj daje boljši vpogled v delovanje modela pri prepoznavanju manjšinskega razreda. Moj poudarek je vedno na razumevanju poslovnih posledic vsake metrike, saj previsok recall brez zadostne preciznosti lahko pomeni preveč stroškov s preiskavami, medtem ko prenizek recall pomeni, da nam uhaja preveč prevarantskih zahtevkov.

Obvladovanje neuravnoteženih podatkovnih množic: Specifični izzivi

Kot sem že omenila, je neuravnoteženost podatkov eden največjih izzivov pri detekciji prevar. Tipično je delež prevarantskih zahtevkov precej nizek, pogosto pod 5%. Če model treniramo na takšnih podatkih brez posebnih tehnik, se bo naučil, da je 'varneje' napovedati, da prevare ni, saj bo tako dosegel visoko natančnost, a bo popolnoma neučinkovit pri prepoznavanju resničnih prevar. Zato so nujne strategije za obvladovanje te problematike.

Ena od tehnik je **undersampling**, kjer zmanjšamo število vzorcev iz prevladujočega razreda (pošteni zahtevki), da se izenači z manjšinskim razredom (prevare). Čeprav je preprost, lahko povzroči izgubo pomembnih informacij. Druga in pogosteje uporabljena tehnika je **oversampling**, kjer umetno povečamo število vzorcev iz manjšinskega razreda. Ena najbolj priljubljenih metod je **SMOTE (Synthetic Minority Over-sampling Technique)**, ki generira sintetične vzorce manjšinskega razreda z interpolacijo med obstoječimi sosednjimi točkami. Obstajajo tudi naprednejše variante, kot je ADASYN. Alternativni pristopi vključujejo uporabo posebnih uteženih funkcij izgube (weighted loss functions) v algoritmih, ki dajejo večjo težo napakam pri klasifikaciji manjšinskega razreda, ali pa prehod na enorazredno klasifikacijo (one-class classification), kjer model uči normalno obnašanje in identificira odstopanja kot anomalije. Prava izbira je odvisna od specifičnih lastnosti podatkov in želene ravni občutljivosti na prevare.

Proces izbire in optimizacije modela: Iterativni pristop

Razvoj prediktivnega modela je iterativen proces, ki vključuje več stopenj. Po pripravi podatkov in inženiringu značilk sledi faza izbire in primerjalne analize algoritmov. Običajno se začne s testiranjem več različnih algoritmov (npr. Random Forest, XGBoost, logistična regresija kot osnovna referenca), da se ugotovi, kateri najbolje delujejo na danih podatkih. Vsak model je treba natrenirati na učni množici in nato ovrednotiti na neodvisni validacijski množici z uporabo prej omenjenih metrik.

Faza optimizacije modela vključuje uglaševanje hiperparametrov (hyperparameter tuning), kar lahko bistveno izboljša delovanje. Tehnike, kot so Grid Search, Random Search ali bolj napredne, kot je Bayesianska optimizacija, pomagajo poiskati optimalne kombinacije parametrov za določen algoritem. Poleg tega je pomembna tudi križna validacija (cross-validation), npr. 5-kratna ali 10-kratna, ki zagotavlja bolj robustno oceno uspešnosti modela in zmanjšuje tveganje za overfitting na specifično delitev podatkov. Moj cilj je vedno najti model, ki je dovolj kompleksen, da zazna prevare, a hkrati dovolj preprost za vzdrževanje in interpretacijo v realnem okolju. Po optimizaciji se model končno ovrednoti na popolnoma nevidni testni množici podatkov, da se oceni njegova generalizacijska sposobnost.

Implementacija in monitoring: Življenjski cikel modela

Razvoj modela ni končni cilj; sledi implementacija v produkcijsko okolje. To pomeni integracijo prediktivnega modela v obstoječe informacijske sisteme zavarovalnice, kjer bo lahko v realnem času ali v serijski obdelavi ocenjeval tveganje za prevaro pri novih nezgodnih zahtevkih. Ključno je, da model izdela oceno tveganja (npr. verjetnost prevare med 0 in 1) za vsak zahtevek, na podlagi katere se nato sprožijo nadaljnji postopki – npr. avtomatska obdelava za zahtevke z nizkim tveganjem, ročni pregled za tiste s srednjim in poglobljena preiskava za zahtevke z visokim tveganjem.

Po implementaciji je nujen stalen monitoring delovanja modela. Svet prevar se nenehno razvija, zato lahko model, ki je bil učinkovit včeraj, postane manj učinkovit jutri. Monitoring vključuje spremljanje metrik uspešnosti (AUC, Precision, Recall) na tekočih podatkih, spremljanje porazdelitve napovedanih tveganj in redno ponovno treniranje (retraining) modela z novimi, posodobljenimi podatki. Priporočljivo je, da se model ponovno trenira vsakih 3-6 mesecev ali ob vsaki zaznani spremembi v vzorcih prevar. To zagotavlja, da model ostaja relevanten in učinkovit v boju proti prevaram, hkrati pa je pomembno upoštevati tudi etične aspekte in morebitne pristranskosti, ki se lahko pojavijo pri avtomatiziranih sistemih.

Kaj je krito in kaj ni krito v nezgodnem zavarovanju?

Kot strokovnjakinja želim poudariti, da ne glede na tehnično sofisticiranost detekcije prevar, ostajajo osnovni principi zavarovanja nespremenjeni. Nezgode so dogodki, ki se zgodijo nenadoma, neodvisno od volje zavarovanca in imajo za posledico telesne poškodbe ali smrt. To je temeljna definicija, ki jo moramo vsi razumeti, saj je ključna za določanje veljavnosti zahtevka. Pogoji posamezne zavarovalnice natančno določajo obseg kritja, zato je nujno, da se zavarovanci seznanijo z njimi. Splošni pogoji zavarovanja so javno dostopni dokumenti, ki podrobno razlagajo pravice in obveznosti pogodbenih strank.

**Krito je tipično:** * **Smrt zaradi nezgode:** Zavarovalnica izplača zavarovalno vsoto upravičencu. * **Trajna invalidnost zaradi nezgode:** Izplačilo določenega odstotka zavarovalne vsote glede na stopnjo invalidnosti, določeno po medicinskih standardih in določilih zavarovalnice. * **Začasna nezmožnost za delo:** Dnevna odškodnina za vsak dan začasne nezmožnosti za delo, ki je posledica nezgode. * **Bolnišnično zdravljenje:** Dnevna odškodnina za vsak dan bolnišničnega zdravljenja zaradi nezgode. * **Stroški zdravljenja:** Povračilo stroškov, ki niso kriti iz obveznega zdravstvenega zavarovanja (npr. doplačila, fizioterapija, specialistični pregledi) in so neposredna posledica nezgode. * **Zlomi in opekline:** Izplačilo določenih zneskov za specifične zlome in opekline po tabeli zavarovalnice. **Ni krito tipično (izključitve):** * **Poškodbe, ki niso posledica nenadnega in nepričakovanega dogodka:** Na primer, bolezni ali poslabšanje že obstoječih zdravstvenih stanj. * **Samopoškodbe ali poskusi samomora:** To so namerni dogodki in niso kriti. * **Poškodbe, nastale pod vplivom alkohola, drog ali drugih psihoaktivnih snovi:** Če je zloraba teh snovi neposredni vzrok nezgode. * **Poškodbe, nastale pri opravljanju nevarnih aktivnosti, ki niso bile predhodno dogovorjene in kritne:** Na primer, ekstremni športi brez ustreznega doplačila. * **Prevara ali poskus prevare:** Če se ugotovi, da je zahtevek lažen ali da so bili podatki namerno prirejeni. To je natanko področje, kjer prediktivni modeli pomagajo preprečiti zlorabe in varujejo integriteto zavarovalnega sistema. * **Poškodbe, nastale v vojnih razmerah ali nemirih:** Splošne izključitve, ki veljajo za večino zavarovanj.

Praktični primer: Zaznavanje sumljivega zahtevka

Dovolite mi, da ponazorim pomen teh modelov s praktičnim, anonimiziranim primerom. Predstavljajmo si, da zavarovalnica prejme zahtevek za nezgodo. Gospod Novak prijavi zlom zapestja, ki naj bi se zgodil pri padcu na domačih stopnicah. Na prvi pogled se zdi zahtevek povsem običajen. Model za detekcijo prevar pa obdeluje ta zahtevek skupaj z vsemi relevantnimi podatki. V tem primeru model zazna več rdečih zastavic:

1. **Visoka pogostost zahtevkov:** Gospod Novak je v zadnjih petih letih oddal že tri zahtevke za nezgodo, vsakič za različne dele telesa (gleženj, rama, zdaj zapestje), kar je statistično precej nad povprečjem za njegovo demografsko skupino. Njegov individualni kazalnik pogostosti zahtevkov (npr. $N_{zahtevkov} / Starost$) je v zgornjem decilu v primerjavi s celotno bazo zavarovancev. 2. **Kratka časovna vrzel med zavarovanjem in nezgodo:** Trenutni zahtevek je bil oddan le tri mesece po sklenitvi novega, višjega nezgodnega zavarovanja. 3. **Neposredna prijava in odsotnost priče:** Zahtevek je bil prijavljen takoj, vendar ni bilo nobene neodvisne priče dogodka, kar sicer ni nujno sumljivo, a v kombinaciji z drugimi dejavniki postane. 4. **Nepotrebni obiski zdravnikov:** Zdravniška dokumentacija kaže na obisk več specialistov v kratkem času, kar ne ustreza standardnemu protokolu za zlom zapestja, kar poveča stroške. 5. **Neujemanje navedb:** Model, ki analizira besedila (NLP), zazna subtilna neskladja med prvotno pisno izjavo in kasnejšo telefonsko izjavo o podrobnostih nezgode.

Analiza modela in ukrepanje v praktičnem primeru

Model je v tem primeru izračunal verjetnost prevare za zahtevek gospoda Novaka na 87%, kar ga uvršča v najvišji razred tveganja. To ne pomeni nujno, da je zahtevek prevarantski, temveč da obstaja visoka verjetnost, da bi bilo smiselno opraviti poglobljeno preiskavo. Namesto avtomatskega izplačila model sproži alarm in zahtevek preda v ročno obravnavo ekipi specialistov za detekcijo prevar. Ti nato preverijo vse zbrane podatke, se pogovorijo z gospodom Novakom, po potrebi pridobijo dodatno dokumentacijo ali celo opravijo preiskavo na terenu.

V tem konkretnem primeru je poglobljena preiskava razkrila, da je gospod Novak dejansko poskusil goljufati. Ugotovljeno je bilo, da je zlom zapestja nastal med rekreativno športno aktivnostjo, ki je bila izključena iz kritja po pogojih zavarovanja, saj ni bila prijavljena. Predhodne prijave škode so bile prav tako pregledane in razkrile, da je imel v preteklosti že podobne 'nezgode' v obdobju kratko po sklenitvi novih polic. Brez prediktivnega modela bi bil ta zahtevek verjetno obravnavan kot običajen, kar bi zavarovalnici povzročilo nepotrebne stroške in spodbudilo nadaljnje poskuse prevar. S pomočjo modela pa je bil sum prevare pravočasno odkrit, preprečena je bila neupravičena izplačila in poslan jasno sporočilo, da se prevar ne tolerira.

Etika in transparentnost pri detekciji prevar

Čeprav je cilj detekcije prevar zmanjšati finančne izgube, je ključnega pomena, da se pri tem ohranja etičnost in transparentnost. Uporaba prediktivnih modelov nikoli ne sme voditi v diskriminacijo zavarovancev. Model zgolj izračuna verjetnost tveganja; končna odločitev o sumu prevare in morebitnih ukrepih mora vedno vključevati človeški element in biti podprta z dokazi. Model služi kot orodje za usmerjanje pozornosti, ne kot avtoriteta za dokončno razsodbo.

Prav tako je pomembno zagotoviti, da so algoritmi in podatkovne množice pošteni in da ne odražajo ali celo krepijo obstoječih družbenih pristranskosti. Redne revizije modelov in analiza njihovih odločitev so nujne za zagotavljanje, da so sistemi za detekcijo prevar pravični in objektivni. To je tudi v skladu z določili Zakona o varstvu osebnih podatkov (ZVOP-2) in Splošno uredbo o varstvu podatkov (GDPR), ki poudarjata pravico posameznika do razlage odločitev, ki so bile sprejete na podlagi avtomatizirane obdelave podatkov. Moja zaveza je, da pri implementaciji teh sistemov vedno poudarjam pomen uravnoteženega pristopa, ki združuje tehnološko naprednost z etičnimi načeli in spoštovanjem pravic zavarovancev.

Zaključek: Korak k učinkovitejšemu zavarovalništvu

Razvoj in implementacija prediktivnih modelov za detekcijo prevar pri nezgodnih zahtevkih predstavljata pomemben korak k učinkovitejšemu, poštenejšemu in bolj trajnostnemu zavarovalništvu. Od skrbne priprave podatkov, izbire pravih algoritmov, uporabe ustreznih metrik uspešnosti, obvladovanja neuravnoteženih podatkov, do kontinuirane optimizacije in monitoringa – vsak korak je ključnega pomena za uspeh. Kot kažejo moji primeri iz prakse, ti sistemi niso le stroškovno učinkoviti, temveč tudi krepijo zaupanje v zavarovalniško industrijo.

Verjamem, da bo prihodnost zavarovalništva še bolj vpeta v napredno analitiko in umetno inteligenco, vendar je nujno, da se tehnološki napredek vedno prepleta z globokim razumevanjem poslovnih procesov, etičnih načel in regulativnega okvira. Če vas zanimajo podrobnosti o tem, kako lahko vaša zavarovalnica izkoristi potencial prediktivnega modeliranja, ali potrebujete nasvet glede optimizacije vaših obstoječih sistemov, sem vam z veseljem na voljo za pogovor. Skupaj lahko gradimo rešitve, ki bodo koristile tako zavarovalnicam kot tudi poštenim zavarovancem.

Pogosta vprašanja

Kaj pomeni AUC v kontekstu detekcije prevar?

AUC (Area Under the ROC Curve) meri sposobnost modela, da loči med poštenimi in prevarantskimi zahtevki. Višja vrednost AUC (bližje 1) pomeni boljšo diskriminacijsko moč modela, kar je ključno pri iskanju redkih dogodkov, kot so prevare.

Zakaj natančnost (accuracy) ni zadostna metrika za detekcijo prevar?

Natančnost je lahko zavajajoča pri neuravnoteženih podatkih, kjer so prevare redke. Model lahko doseže visoko natančnost z napovedovanjem 'ni prevare' za večino zahtevkov, a hkrati zgreši vse dejanske prevare. Potrebne so druge metrike, kot sta Precision in Recall.

Kateri algoritem je najboljši za detekcijo prevar?

Ni enega 'najboljšega' algoritma. Izbira je odvisna od lastnosti podatkov, kompleksnosti problema in potrebe po interpretaciji. Pogosto se dobro izkažejo ansambelske metode, kot sta XGBoost in Random Forest, zaradi njihove robustnosti in učinkovitosti.

Kako obvladujemo problem neuravnoteženih podatkov pri prevarah?

Uporabljamo tehnike oversamplinga (npr. SMOTE) za povečanje števila prevarantskih vzorcev, undersamplinga za zmanjšanje števila poštenih, utežene funkcije izgube ali napredne metode, kot je one-class classification, za boljše učenje modela.

Kako pogosto je treba model za detekcijo prevar ponovno trenirati?

Model je priporočljivo ponovno trenirati vsakih 3-6 mesecev ali ob vsaki zaznani spremembi v vzorcih prevarantskega obnašanja. To zagotavlja, da model ostaja relevanten in učinkovit v dinamičnem okolju prevar.

Viri in reference

• Uradni list RS – Zakon o zavarovalništvu (ZZavar-1)
• Uradni list RS – Zakon o varstvu osebnih podatkov (ZVOP-2)
• European General Data Protection Regulation (GDPR) - Regulation (EU) 2016/679
• Referenčne znanstvene publikacije s področja strojnega učenja in detekcije prevar

Nadaljujte branje o tej temi

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

• 
  Primer: Tehnični vpogledi

  Oskrba na domu in dolgotrajna nega: Kdo plača, ko pomoč traja leta

• 
  Primer: Tehnični vpogledi

  Ponovna sklenitev police po preboleli bolezni: Kaj je realno mogoče

• 
  Primer: Tehnični vpogledi

  Anamneza in zdravstveni vprašalnik: Zakaj je iskrenost pogoj za izplačilo

• 
  Primer: Tehnični vpogledi

  Avtomatizacija varčevanja: trajniki in pravilen vrstni red nakazil

• 
  Primer: Tehnični vpogledi

  Določitev upravičencev in izključitve kritja pri življenjskem zavarovanju