KR102756509B1

KR102756509B1 - 최적 보험료 세트 산출 방법, 컴퓨터 프로그램 및 시스템

Info

Publication number: KR102756509B1
Application number: KR1020240099153A
Authority: KR
Inventors: 박지현; 박성태; 강동길; 이태호
Original assignee: 삼성화재해상보험 주식회사
Priority date: 2024-07-26
Filing date: 2024-07-26
Publication date: 2025-01-16
Anticipated expiration: 2044-07-26

Abstract

본 발명은 최적 보험료 세트 산출 방법에 관한 것으로서, 본 발명에 따르면, 최적 보험료 세트 산출 방법은, 보험료 세트 및 상기 보험료 세트별 설계 건수 및 매출액에 관한 데이터를 포함하는 누적 판매 데이터를 수집하는 단계 - 하나의 보험료 세트는 하나의 보험 상품에 대한 복수의 플랜들 각각의 보험료로 이루어짐 -; 상기 누적 판매 데이터를 이용하여 인공지능 모델을 학습시켜 매출액을 최대로 하는 최적 보험료 세트를 예측하는 단계; 및 상기 예측된 최적 보험료 세트를 보험 판매 플랫폼에 적용하는 단계를 포함한다.

Description

최적 보험료 세트 산출 방법, 컴퓨터 프로그램 및 시스템 {METHOD, COMPUTER PROGRAM AND SYSTEM FOR CALCULATING OPTIMAL SET OF INSURANCE PREMIUMS}

본 발명은 최적 보험료 세트 산출 방법, 컴퓨터 프로그램 및 시스템에 관한 것으로서, 구체적으로는 베이지안 최적화에 기반한 인공지능 모델을 이용하여 보험 상품의 매출액을 최대로 하는 최적 보험료 세트를 산출하는 방법, 컴퓨터 프로그램 및 시스템에 관한 것이다.

본 명세서에서 달리 표시되지 않는 한, 여기에서 설명되는 내용들은 본 출원의 청구항들에 대한 종래기술이 아니며, 여기에 포함된다고 하여 종래기술이라고 인정되는 것은 아니다.

오늘날의 보험 상품은 다양한 위험 요소와 보장 범위를 내포하는 복잡한 구조를 지닌다. 이러한 복잡성은 보험료 산출 과정을 어렵게 만드는 주요 요인으로 작용한다. 보험료는 보험 상품의 매출액에 직접적인 영향을 미치는 핵심 요소임에도 불구하고, 적정 보험료 수준을 결정하는 것은 보험사에게 난제로 남아 있다.

전통적인 보험료 산출 방법론은 주로 경험 통계 및 위험률 분석 등에 의존하며, 과거 데이터에 기반한 예측에 국한되는 한계를 지닌다. 또한, 시장 경쟁 상황, 소비자 행동 변화 등 다양한 외부 요인을 충분히 반영하지 못하여 최적의 보험료 산출에 어려움을 겪는다. 특히, 최근에는 인구 고령화, 저금리 기조 등 보험 산업 환경 변화가 가속화되면서 기존 방법론의 한계가 더욱 부각되고 있다.

최근 인공지능(AI) 기술의 발전은 다양한 산업 분야에 혁신적인 변화를 가져오고 있으며, 보험 산업 역시 예외는 아니다. 특히, 머신러닝, 딥러닝 등의 인공지능 기술은 대량의 데이터 분석 및 패턴 학습을 통해 보험료 산출 과정을 효율화하고 정확도를 높이는 데 기여할 수 있다. 이러한 인공지능 기술을 활용하여 보험 상품의 특성, 시장 상황, 소비자 행동 등 다양한 요인을 종합적으로 고려한 최적 보험료 산출 모델 개발이 요구된다.

최근에는 하나의 보험 상품에 보장 내용 및 보장 액수를 조금씩 다르게 하여 복수의 플랜(예를 들어, 실속형, 표준형, 고급형 등)으로 보험을 판매하는 상품이 많이 출시되고 있다. 이러한 상품의 경우, 가격이 비교적 저렴한 실속형 플랜으로 고객을 유입시킨 뒤, 나머지 플랜들을 불과 몇 천원 단위로 조정하여 고객이 더 높은 플랜으로 이동하게끔 유도한다. 이 경우, 복수의 보험료들을 어떻게 설정하는지가 매출액에 큰 영향을 미치는데, 하나의 상품이 복수의 보험료들(즉, "보험료 세트")로 이루어져 있는 구조 상, 최적의 보험료를 산출하는 과정이 매우 어렵고 복잡하다.

이에, 현재는 보험사 직원들이 직접 여러 개의 보험료 세트를 실제로 하나씩 사업에 적용해 가며 직접 매출액을 받아보고, 그 중 최대의 매출액을 이끌어 내는 보험료 세트를 수동으로 선택하는 방식으로 최적의 보험료 세트를 알아내고 있다. 그러나 이러한 방식은 오랜 시간이 소요될 뿐만 아니라, 시스템, 인력 등 많은 자원이 낭비된다. 보험 회사는 평균적으로 수십개의 상품을 갖고 있고, 각 상품마다 실속형, 표준형, 고급형 등 복수의 플랜을 보유하고 있는데, 이러한 수많은 플랜을 수많은 가격 조합으로 고객에게 장기적으로 테스트하고 최적의 가격을 찾는 것은 사실상 불가능에 가깝다.

이와 같이, 보험료 변경에 따른 매출액 변화를 측정하는 데에는 상당한 시간과 비용이 소요되므로, 본 발명에서는 베이지안 최적화에 기반한 인공지능 모델을 이용하여, 미지의 목적 함수(매출액)을 최대로 할 수 있는 최적의 보험료 세트를 산출해 내고자 한다.

본 발명의 일 실시예에 따르면, 최적 보험료 세트 산출 방법은, 보험료 세트 및 보험료 세트별 설계 건수 및 매출액에 관한 데이터를 포함하는 누적 판매 데이터를 수집하는 단계 - 하나의 보험료 세트는 하나의 보험 상품에 대한 복수의 플랜들 각각의 보험료로 이루어짐 -; 누적 판매 데이터를 이용하여 인공지능 모델을 학습시켜 매출액을 최대로 하는 최적 보험료 세트를 예측하는 단계; 및 예측된 최적 보험료 세트를 보험 판매 플랫폼에 적용하는 단계를 포함한다.

일 실시예에 따르면, 최적 보험료 세트가 적용된 판매 결과 데이터를 보험 판매 플랫폼으로부터 수신하는 단계 - 판매 결과 데이터는, 적용된 최적 보험료 세트 및 판매된 보험 상품의 설계 건수 및 매출액에 관한 데이터를 포함함 -; 판매 결과 데이터에서, 보험료 세트별 설계 건수가 누적 판매 데이터에서의 보험료 세트별 설계 건수와 동일하도록, 매출액을 보정하는 단계; 보정된 매출액이 최대 매출액에 해당하는지 판단하는 단계; 및 보정된 매출액이 최대 매출액이 아니면, 판매 결과 데이터를 이용하여 인공지능 모델을 다시 학습시켜 매출액을 최대로 하는 최적 보험료 세트를 다시 예측하는 단계를 더 포함하고, 인공지능 모델은 베이지안 최적화(Bayesian Optimization)에 기반한 모델이며, 최적 보험료 세트를 예측하는 단계는, 누적 판매 데이터를 이용하여 목적 함수(Objective Function)인 매출액을 근사하는 대체 모델(Surrogate Model)을 생성하는 단계; 대체 모델의 확률 분포를 기초로 획득 함수(Acquisition Function)의 탐색(Exploration)과 활용(Exploitation)을 통해 매출액을 최대로 하는 최적 보험료 세트의 후보 값을 결정하는 단계; 및 후보 값 및 후보 값을 적용한 매출액을 대체 모델에 반영하는 단계를 포함할 수 있다.

일 실시예에 따르면, 반영하는 단계는, 후보 값을 적용한 설계 건수가 누적 판매 데이터에서의 보험료 세트별 설계 건수와 동일하도록 매출액을 보정하여 대체 모델에 반영하는 단계를 포함할 수 있다.

일 실시예에 따르면, 대체 모델에는 목적 함수에 대한 확률적 표현이 포함될 수 있다.

일 실시예에 따르면, 최적 보험료 세트를 예측하는 단계에서는, 결정하는 단계 및 반영하는 단계를 반복하여 최적 보험료 세트를 예측하는 단계를 포함할 수 있다.

일 실시예에 따르면, 외부 변수를 고려하여 판매 결과 데이터의 설계 건수 및 매출액을 보정하는 단계를 더 포함하고, 누적 판매 데이터는, 보험료 세트별 외부 변수에 관한 데이터를 더 포함할 수 있다.

일 실시예에 따르면, 외부 변수를 고려하여 판매 결과 데이터의 설계 건수 및 매출액을 보정하는 단계는, 판매 결과 데이터에서, 보험료 세트별 외부 변수가 누적 판매 데이터에서의 보험료 세트별 외부 변수와 동일하도록, 설계 건수 및 매출액을 보정하는 단계를 포함할 수 있다.

일 실시예에 따르면, 외부 변수를 고려하여 판매 결과 데이터의 설계 건수 및 매출액을 보정하는 단계는, 누적 판매 데이터에서의 외부 변수에 관한 데이터를 기초로 선형 회귀 분석을 통해 판매 결과 데이터의 설계 건수 및 매출액을 보정하는 단계를 포함할 수 있다.

일 실시예에 따르면, 외부 변수에 관한 데이터는 제휴 업체의 이벤트 및 경쟁사의 이벤트 중 적어도 하나를 정량화한 값일 수 있다.

일 실시예에 따르면, 판매 결과 데이터가 누적 판매 데이터에 통합되는 단계를 더 포함할 수 있다.

일 실시예에 따르면, 최대 매출액은, 누적 판매 데이터 상에서 설계 건수가 모두 동일하도록 보정된 매출액 중 최대의 매출액일 수 있다.

일 실시예에 따르면, 누적 판매 데이터를 전처리하는 단계를 더 포함하고, 누적 판매 데이터를 전처리하는 단계는, 수집된 누적 판매 데이터에서 보험료 세트별 설계 건수가 모두 동일하도록 매출액을 보정하는 단계를 포함할 수 있다.

일 실시예에 따르면, 예측된 최적 보험료 세트를 보험 판매 플랫폼에 적용하는 단계는, 최적 보험료 세트가 적용된 보험 상품이 고객 단말기에 판매 가능한 상태로 표시되는 단계를 포함할 수 있다.

본 발명의 일 실시예에 따르면, 컴퓨터 프로그램은 본 발명의 실시예들에 따른 최적 보험료 세트 산출 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된다.

본 발명의 일 실시예에 따르면, 최적 보험료 세트 산출 시스템은 데이터베이스 및 프로세서를 포함하고, 데이터베이스는, 보험료 세트 및 보험료 세트별 설계 건수 및 매출액에 관한 데이터를 포함하는 누적 판매 데이터를 저장하도록 구성되며 - 하나의 보험료 세트는 하나의 보험 상품에 대한 복수의 플랜들 각각의 보험료로 이루어짐 -, 프로세서는: 누적 판매 데이터를 이용하여 베이지안 최적화(Bayesian Optimization)에 기반하여 인공지능 모델을 학습시켜 매출액을 최대로 하는 최적 보험료 세트를 예측하고; 예측된 최적 보험료 세트를 보험 판매 플랫폼에 적용하도록 구성될 수 있다.

본 발명의 실시예들에 따르면, 하나의 상품이 복수의 플랜들(예를 들어, 실속형, 표준형, 고급형 등)로 이루어지는 보험 상품의 보험료 결정 프로세스에 있어서, 베이지안 최적화에 기반한 인공지능 모델을 활용하여 최대 매출액이 예상되는 최적의 보험료 세트를 예측해 내고, 이를 실제로 판매 플랫폼에 자동으로 적용하며, 그 적용 결과를 보정하여 다시 모델을 학습시키는 과정을 반복함으로써, 보험 상품의 매출액 극대화를 위한 최적 보험료 세트를 효율적이고 정확하게 산출해 낼 수 있다.

즉, 보험 상품의 보험료를 설정함에 있어, 인간의 감각이 아닌 데이터에 기반한 과학적인 의사결정을 내릴 수 있으며, 기존에 보험료를 설정하기 위하여 소모되었던 시간과 비용이 획기적으로 감소될 수 있다. 기존의 경험적이고 직관적인 방식에서 탈피하여 데이터 기반의 효율적이고 신속한 의사결정 체계를 구축함으로써, 보험사의 경쟁력 강화 및 수익성 제고에 기여할 수 있다.

또한, 본 발명에서는 예측된 최적 보험료 세트가 즉시 판매 플랫폼에 적용되고, 적용된 실제 판매 데이터가 다시 지속적으로 모델 학습에 반영되므로, 시장 상황 변화에 대한 신속한 대응이 가능하고, 보다 정확하고 현실에 맞는 최적 보험료 세트 도출이 가능해진다. 이는 보험사의 상품 개발 및 가격 정책 수립에 매우 유용한 의사결정 지원 도구로 활용될 수 있다.

도 1은 본 발명의 일 실시예에 따른 최적 보험료 세트 산출 방법을 나타내는 순서도이다.
도 2는 본 발명의 일 실시예에 따른 최적 보험료 세트 산출 시스템을 포함하는 보험 판매 시스템을 나타내는 블록도이다.
도 3은 도 1의 최적 보험료 세트 산출 방법에서 누적 판매 데이터의 예시를 나타내는 도면이다.
도 4는 도 1의 최적 보험료 세트 산출 방법 중 최적 보험료 세트를 예측하는 단계를 나타내는 순서도이다.
도 5a 내지 5g는 도 4의 최적 보험료 세트를 예측하는 단계에서 대체 모델과 획득 함수가 사용되는 방법을 설명하기 위한 도면들이다.
도 6은 도 1의 최적 보험료 세트 산출 방법 중 최적 보험료 세트가 보험 판매 플랫폼에 적용되는 단계를 설명하기 위한 고객 단말기 상의 표시 화면을 나타내는 도면이다.
도 7은 도 1의 최적 보험료 세트 산출 방법에서 판매 결과 데이터의 예시를 나타내는 도면이다.
도 8은 도 7의 판매 결과 데이터가 누적 판매 데이터에 통합된 예시를 나타내는 도면이다.
도 9는 도 8의 판매 결과 데이터 데이터가 보정된 예시를 나타내는 도면이다.
도 10은 본 발명의 일 실시예에 따른 최적 보험료 세트 산출 방법을 나타내는 순서도이다.
도 11은 도 10의 최적 보험료 세트 산출 방법 중 외부 변수를 고려하여 판매 결과 데이터의 설계 건수 및 매출액을 보정하는 단계에서 사용되는 외부 변수에 관한 데이터를 나타내는 도면이다.

이하에서, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세하게 설명한다. 다만, 실시예들에는 다양한 변경이 가해질 수 있어서 출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시 형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안 된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

본 발명에서, "시스템"은 서버 장치와 클라우드 장치 중 적어도 하나의 장치를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 시스템은 하나 이상의 서버 장치로 구성될 수 있다. 다른 예로서, 시스템은 하나 이상의 클라우드 장치로 구성될 수 있다. 또 다른 예로서, 시스템은 서버 장치와 클라우드 장치가 함께 구성되어 동작될 수 있다.

본 발명에서, "모듈" 또는 "부"는 프로세서 및 메모리로 구현될 수 있다. "프로세서"는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, "프로세서"는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. "프로세서"는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, "메모리"는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. "메모리"는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.

본 발명에서, "인공지능 모델"은 주어진 입력에 대한 해답을 추론하는 데에 사용하는 임의의 모델을 포함할 수 있다. 일 실시예에 따르면, 인공지능 모델은 입력 레이어(층), 복수 개의 은닉 레이어 및 출력 레이어를 포함한 인공신경망 모델을 포함할 수 있다. 여기서, 각 레이어는 복수의 노드를 포함할 수 있다. 본 발명에서의 인공지능 모델은 본 개시에서 설명되는 모델에 한정되지 않으며, 복수의 인공지능 모델의 일부 또는 전체는 하나의 인공지능 모델로 구현될 수 있다. 또한, 하나의 인공지능 모델은 복수의 인공지능 모델을 포함할 수 있다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

도 1은 본 발명의 일 실시예에 따른 최적 보험료 세트 산출 방법을 나타내는 순서도이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 최적 보험료 세트 산출 방법은, 보험료 세트, 설계 건수 및 매출액에 관한 누적 판매 데이터를 수집하는 단계(S100), 누적 판매 데이터를 이용하여 베이지안 최적화에 기반하여 인공지능 모델을 학습시켜 매출액을 최대로 하는 최적 보험료 세트를 예측하는 단계(S200), 예측된 최적 보험료 세트를 보험 판매 플랫폼에 적용하는 단계(S300), 최적 보험료 세트가 적용된 판매 결과 데이터를 수신하는 단계(S400), 판매 결과 데이터에서 누적 판매 데이터와 보험료 세트별 설계 건수가 동일하도록 매출액을 보정하는 단계(S500), 보정된 매출액이 최대 매출액인지 판단하는 단계(S600), 보정된 매출액이 최대 매출액이 아니면, 판매 결과 데이터를 이용하여 인공지능 모델을 다시 학습시켜 매출액을 최대로 하는 최적 보험료 세트를 다시 예측하는 단계(S700) 등을 포함한다.

상술한 바에 따르면, 하나의 상품이 복수의 플랜들로 이루어지는 보험 상품의 보험료 결정 프로세스에 있어서, 베이지안 최적화에 기반한 인공지능 모델을 활용하여 최대 매출액이 예상되는 최적의 보험료 세트를 예측해 내고, 이를 실제로 판매 플랫폼에 자동으로 적용하며, 그 적용 결과를 보정하여 다시 모델을 학습시키는 과정을 반복함으로써, 보험 상품의 매출액 극대화를 위한 최적 보험료 세트를 효율적이고 정확하게 산출해 낼 수 있다.

이외에도, 도시하지는 않았으나, 본 발명의 일 실시예에 따른 최적 보험료 세트 산출 방법은 누적 판매 데이터를 전처리하는 단계를 더 포함할 수 있다. 본 발명의 일 실시예에 따른 최적 보험료 세트 산출 방법은 판매 결과 데이터가 누적 판매 데이터에 통합되는 단계를 더 포함할 수 있다.

본 발명의 일 실시예에 따른 최적 보험료 세트 산출 방법의 각 단계에 대해서는 이하 도 3 내지 9를 참조하여 상세히 설명한다.

도 2는 본 발명의 일 실시예에 따른 최적 보험료 세트 산출 시스템을 포함하는 보험 판매 시스템을 나타내는 블록도이다.

도 1 및 2를 참조하면, 보험 판매 시스템(1)은 본 발명의 일 실시예에 따른 최적 보험료 세트 산출 시스템(10), 보험 판매 플랫폼(20) 및 고객 단말기(30)를 포함한다.

최적 보험료 세트 산출 시스템(10)은 프로세서(11) 및 데이터베이스(12)를 포함한다. 이외에도, 도시하지는 않았으나 최적 보험료 세트 산출 시스템(10)은 통신 모듈, 입출력 인터페이스 등을 더 포함할 수 있다. 최적 보험료 세트 산출 시스템(10)은 보험사의 서버 및 단말기를 통해 구현될 수 있다.

프로세서(11)는 컴퓨터 시스템의 중앙처리장치(CPU) 또는 그래픽 처리 장치(GPU)와 같이 데이터를 처리하고 연산을 수행하는 하드웨어 구성 요소를 의미할 수 있다. 프로세서(11)는 명령어를 해석하고 실행하며, 데이터를 읽고 쓰는 기능을 수행할 수 있다. 프로세서(11)는 본 발명에 따른 최적 보험료 세트 산출 방법의 대부분의 단계를 수행하는 처리 장치일 수 있다.

데이터베이스(12)는 각종 데이터를 저장하는 장치일 수 있다. 데이터베이스(12)는 체계화된 정보의 집합을 의미할 수 있고, 전자적 형태로 저장 및 관리되는 것을 포함할 수 있다. 데이터베이스(12)는 다양한 유형을 포함할 수 있다. 데이터베이스(12)는 최적 보험료 세트 산출 방법에서 필요한 대부분의 데이터를 저장하는 저장 장치일 수 있다.

보험 판매 플랫폼(20)은 보험사와 고객 간에 보험 상품을 판매 및 구매하는 플랫폼이다. 보험 판매 플랫폼(20)은 보험사와 고객 간에 보험 상품의 판매 및 구매를 매개하는 온라인 기반의 전자상거래 플랫폼일 수 있다. 보험 판매 플랫폼(20) 상에서, 보험사는 다양한 보험 상품 정보를 고객에게 제공하고, 고객은 상품 비교, 맞춤 상품 추천, 간편 가입 등의 서비스를 이용하여 보험 상품을 구매할 수 있다. 또한, 보험 계약 관리, 보험금 청구 등의 부가 서비스를 제공할 수 있다.

고객 단말기(30)는 보험 상품에 가입하려는 고객이 이용하는 단말기(30)이다. 고객 단말기(30)는 스마트폰, 태블릿 PC, 노트북, 데스크톱 컴퓨터 등 인터넷 접속이 가능한 다양한 종류의 전자기기를 포함할 수 있다. 고객은 고객 단말기(30)를 통해 보험 판매 플랫폼(20)에 접속하여 보험 상품 정보 검색, 상품 비교, 맞춤 상품 추천, 보험료 계산, 간편 가입, 보험 계약 관리, 보험금 청구 등의 서비스를 이용할 수 있다. 고객 단말기(30)는 보험 판매 플랫폼(20)과의 원활한 통신을 위해 웹 브라우저 또는 플랫폼 전용 애플리케이션을 통해 플랫폼에 접속하며, 고객 정보 입력, 상품 선택, 결제 등의 상호작용을 수행할 수 있다.

본 발명의 일 실시예에 따른 최적 보험료 세트 산출 시스템의 각 구성요소에 대해서는 이하 도 3 내지 9를 참조하여 상세히 설명한다.

도 3은 도 1의 최적 보험료 세트 산출 방법에서 누적 판매 데이터의 예시를 나타내는 도면이다.

도 1 내지 3을 참조하면, 본 발명의 일 실시예에 따른 최적 보험료 세트 산출 방법은 보험료 세트, 설계 건수 및 매출액에 관한 누적 판매 데이터를 수집하는 단계(S100)를 포함한다. 구체적으로, 누적 판매 데이터를 수집하는 단계(S100)에서는, 프로세서(11)가 보험료 세트 및 보험료 세트별 설계 건수 및 매출액에 관한 데이터를 포함하는 누적 판매 데이터를 수집하고, 수집된 누적 판매 데이터가 데이터베이스(12)에 저장된다. 누적 판매 데이터는 보험 상품이 실제로 판매된 결과가 누적되어 저장되는 데이터이다.

누적 판매 데이터는 보험료 세트에 관한 데이터를 포함한다. 도 3을 참조하면, 누적 판매 데이터에서, 하나의 보험료 세트는 하나의 보험 상품에 대한 복수의 플랜들 각각의 보험료로 이루어진다. 구체적으로, 하나의 보험 상품에 보장 내용 및 보장 액수를 조금씩 다르게 하는 복수의 플랜들이 존재하는 경우, 하나의 보험 상품에 대한 복수의 플랜들(예를 들어, 도 3의 "실속", "표준", "고급") 각각의 보험료를 "보험료 세트"라고 정의할 수 있다.

누적 판매 데이터는 보험료 세트별 설계 건수 및 매출액에 관한 데이터를 포함한다. 누적 판매 데이터는 보험료 세트별 체결 건수에 관한 데이터를 더 포함할 수 있다. 설계 건수는 해당 보험 상품의 해당 보험료 세트에 대해 고객이 보험을 설계 받은 건수를 의미한다. 체결 건수는 해당 보험 상품의 해당 보험료 세트에 대해 고객이 보험 계약을 체결한 건수를 의미한다. 매출액은 해당 보험 상품의 해당 보험료 세트에 대해 고객이 보험 계약을 체결하여 발생한 매출액을 의미한다. 매출액은 각 플랜별 보험료에 체결 건수를 곱한 금액일 수 있다. 예를 들어, 도 3의 "2023년 01월"의 매출액은, 실속형 플랜의 경우 3,900 원(실속형 플랜의 보험료)에 4,367 건(실속형 플랜의 체결 건수)을 곱하여 17,031 천원이고, 표준형 플랜의 경우 12,900 원(표준형 플랜의 보험료)에 6,800 건(표준형 플랜의 체결 건수)을 곱하여 87,720 천원이며, 고급형 플랜의 경우 16,900 원(고급형 플랜의 보험료)에 1,942 건(고급형 플랜의 체결 건수)을 곱하여 32,820 천원일수 있고, 전체 매출액은 실속형, 표준형 및 고급형 플랜의 매출액을 모두 더하여 137,571 천원일 수 있다.

프로세서(11)는 보험 판매 플랫폼(20)을 통해 판매 결과 데이터를 지속적으로 수신 및 수집하고, 데이터베이스(12)는 판매 결과 데이터를 지속적으로 저장하여 누적 판매 데이터에 통합하여 저장할 수 있다.

도시되지는 않았으나, 본 발명의 일 실시예에 따른 최적 보험료 세트 산출 방법은 누적 판매 데이터를 전처리하는 단계를 포함할 수 있다. 누적 판매 데이터를 전처리하는 단계는, 수집된 누적 판매 데이터에서 보험료 세트별 설계 건수가 모두 동일하도록 매출액을 보정하는 단계를 포함할 수 있다. 예를 들어, 수집된 누적 판매 데이터에서, 보험료 세트별 전체 설계 건수가 10만 건이 되도록 해당 매출액을 보정할 수 있다. 즉, 해당 매출액에 100,000을 곱하고 해당 전체 설계 건수로 나누어 보정할 수 있다. 예를 들어, "2023년 01월"의 매출액은 137,571 원에 100,000을 곱하고 해당 전체 설계 건수인 292,140으로 나누어 보정할 수 있고, 모든 보험료 세트의 매출액에 대해 동일한 방식으로 보정할 수 있다. 보험료 세트에 따른 매출액을 합리적으로 평가하기 위해서는, 일단 설계가 이루어진 상품에 대해서 어느 정도의 매출액이 발생하였는지를 평가하여야 객관적인 평가가 될 수 있다. 보험료 세트와 상관없이 설계 건수 자체가 많아서 매출액이 많이 발생하는 경우도 있을 텐데 이러한 요소는 최적 보험료 세트 산정에 있어서 제거하여야 하기 때문이다. 따라서, 위와 같이 누적 판매 데이터에서 보험료 세트별 설계 건수가 모두 동일하도록 매출액을 보정함으로써, 보다 합리적인 평가가 이루어질 수 있다. 이와 관련하여, 본 발명의 일 실시예에서의 "최대 매출액"은 누적 판매 데이터 상에서 설계 건수가 모두 동일하도록 보정된 매출액 중 최대의 매출액을 의미할 수 있다.

도 4는 도 1의 최적 보험료 세트 산출 방법 중 최적 보험료 세트를 예측하는 단계를 나타내는 순서도이다.

도 1 내지 4를 참조하면, 본 발명의 일 실시예에 따른 최적 보험료 세트 산출 방법은 누적 판매 데이터를 이용하여 베이지안 최적화에 기반하여 인공지능 모델을 학습시켜 매출액을 최대로 하는 최적 보험료 세트를 예측하는 단계(S200)를 포함한다. 구체적으로, 최적 보험료 세트를 예측하는 단계(S200)는 누적 판매 데이터를 이용하여 매출액을 근사하는 대체 모델을 생성하는 단계(S210), 대체 모델의 확률 분포를 기초로 획득 함수의 탐색과 활용을 통해 매출액을 최대로 하는 최적 보험료 세트의 후보 값을 결정하는 단계(S220) 및 최적 보험료 세트의 후보 값 및 이를 적용한 매출액을 대체 모델에 반영하는 단계(S230)를 포함할 수 있다.

상술한 바에 따르면, 베이지안 최적화에서 목적 함수의 최적 값을 찾기 위하여 대체 모델 및 획득 함수를 이용하여 후보 값을 결정해 나가는 방법을 이용함으로써, 하나의 상품이 복수의 플랜들(즉, 복수의 보험료들로 이루어진 보험료 세트)로 이루어지는 보험 상품에 있어서도 매출액을 최대로 하는 최적 보험료 세트를 용이하게 예측할 수 있다.

베이지안 최적화(Bayesian Optimization)란, 알려지지 않거나 계산 비용이 높은 함수의 최적 값을 효율적으로 찾는 방법으로서, 기존 관측 값을 활용하여 목적 함수의 형태를 대체 모델을 이용하여 확률적으로 추정하고, 이를 기반으로 획득 함수를 이용하여 다음 후보 값을 결정하는 반복적인 과정을 통해 이루어진다. 베이지안 최적화에서는 탐색과 활용의 균형을 고려하여 다음 후보 값을 선택해 나가며 최적 값을 찾아 나간다. 베이지안 최적화를 통해서, 최대한 적은 횟수의 목적 함수 평가로 최적 값을 찾을 수 있다. 즉, 베이지안 최적화는, 미지의 목적 함수의 최적 값을 효율적으로 탐색하고, 특히 목적 함수 평가 비용이 높거나 시간이 오래 걸리는 경우에 유용할 수 있다. 이전 관측 값을 활용하여 목적 함수에 대한 사전 지식을 확률적으로 모델링하고, 탐색(Exploration)과 활용(Exploitation)의 균형을 고려하여 다음 평가 지점을 선택해 나가며 최적 값을 찾아 나가는데, 주로 인공지능 모델의 하이퍼파라미터(Hyperparameter) 결정에 이용될 수 있다.최적 보험료 세트를 예측하는 단계(S200)에 대해서는 이하 도 5a 내지 5g를 참조하여 상세히 설명한다.

도 5a 내지 5g는 도 4의 최적 보험료 세트를 예측하는 단계에서 대체 모델과 획득 함수가 사용되는 방법을 설명하기 위한 도면들이다.

베이지안 최적화에 있어서, 대체 모델(Surrogate Model)이란, 미지의 목적 함수를 대체하기 위한 모델로서 목적 함수를 근사하는 모델이다. 예를 들어, 대체 모델은 가우시안 프로세스(Gaussian Process)라는 모델일 수 있고, 평균 함수와 공분산 함수를 통해 관측 값을 기초로 목적 함수를 확률적으로 표현할 수 있다. 획득 함수(Acquisition Function)란, 대체 모델의 확률 분포를 기초로 탐색 및 활용을 통해 최적 값을 찾기 위한 다음 후보 값을 찾는 함수이다. 획득 함수는 대체 모델의 예측 값 및 불확실성을 고려하여 탐색과 활용 사이의 균형을 조절할 수 있다. 탐색(Exploration)이란, 획득 함수의 후보 값 찾기 전략에 있어서 아직 충분히 탐색되지 않은 영역을 새로 탐색하는, 즉, 대체 모델에서 불확실성이 높은 영역의 후보 값을 선택하는 전략으로서, 현재 최적 값보다 더 좋은 값이 존재할 가능성이 있는 영역을 탐색하여 최적 값을 찾을 수 있다. 활용(Exploitation)이란, 획득 함수의 후보 값 찾기 전략에 있어서 현재까지 얻은 정보를 바탕으로 가장 좋은 결과를 낼 것으로 예상되는 후보 값을 선택하는, 즉, 대체 모델에서 가장 높은 예측 값을 가지는 후보 값을 선택하는 전략으로서, 이미 알려진 최적 값 주변을 집중적으로 탐색하여 최적 값을 찾을 수 있다.

본 발명의 일 실시예에 따른 베이지안 최적화에서는 예를 들어, XGBoost 또는 RandomForestRegressor가 대체 모델의 학습에 사용될 수 있다. XGBoost는 그래디언트 부스팅(Gradient Boosting) 기법을 사용하여 약한 학습기를 순차적으로 추가하면서 이전 모델의 오차를 보완하는 방식으로 모델을 생성하고, RandomForestRegressor는 배깅(Bagging) 기법을 사용하여 여러 개의 결정 트리를 병렬적으로 생성하고 각 트리의 예측 결과를 평균하여 최종 예측 값을 결정한다.

도 1 내지 5를 참조하면, 누적 판매 데이터를 이용하여 베이지안 최적화에 기반하여 인공지능 모델을 학습시켜 매출액을 최대로 하는 최적 보험료 세트를 예측하는 단계(S200)에서, 목적 함수(O)는 매출액이다. 최적 보험료 세트를 예측하는 단계(S200)는, 누적 판매 데이터를 이용하여 목적 함수(O)인 매출액을 근사하는 대체 모델(S)을 생성하는 단계(S210)를 포함할 수 있다. 대체 모델(S)에는 목적 함수(O)에 대한 확률적 표현(P)이 포함될 수 있다. 최적 보험료 세트를 예측하는 단계(S200)는, 대체 모델(S)의 확률 분포(P)를 기초로 획득 함수(A)의 탐색과 활용을 통해 매출액을 최대로 하는 최적 보험료 세트의 후보 값(C)을 결정하는 단계(S220)를 포함할 수 있다. 최적 보험료 세트를 예측하는 단계(S200)는, 최적 보험료 세트의 후보 값(C) 및 이를 적용한 매출액(M)을 대체 모델(S)에 반영하는 단계(S230)를 포함할 수 있다.

도시하지는 않았으나, 반영하는 단계(S230)는 최적 보험료 세트의 후보 값(C)을 적용한 설계 건수가 누적 판매 데이터에서의 보험료 세트별 설계 건수와 동일하도록 매출액을 보정하여 대체 모델에 반영하는 단계를 포함할 수 있다. 상술한 바에 따르면, 설계 건수가 동일한 상태에서의 매출액 기준으로 하여 이를 최대로 하는 보험료 세트를 예측할 수 있으므로, 보다 정확한 예측이 가능해진다. 즉, 설계 건수 자체의 차이로 인한 매출액의 차이라는 변수를 제외하고 판단할 수 있다.

최적 보험료 세트를 예측하는 단계(S200)는, 결정하는 단계(S220) 및 반영하는 단계(S230)를 반복하여 최적 보험료 세트를 예측하는 단계를 포함할 수 있다. 구체적으로, 최적 보험료 세트의 후보 값(C) 및 이를 적용한 매출액(M)의 반영으로 인해 변경된 대체 모델(S)의 확률 분포(P)를 기초로, 획득 함수(A)의 탐색과 활용을 통해 매출액을 최대로 하는 최적 보험료 세트의 후보 값(C)을 다시 결정할 수 있다.

예를 들어, 도 5a를 참조하면, 누적 판매 데이터를 이용하여 목적 함수(O)인 매출액을 근사하는 대체 모델(S)이 생성될 수 있다. 대체 모델(S)에는 목적 함수(O)에 대한 확률적 표현(P)이 포함될 수 있다. 도 5a의 대체 모델(S)의 확률 분포(P)를 기초로 획득 함수(A)의 탐색과 활용을 통해 매출액을 최대로 하는 최적 보험료 세트의 후보 값(C)이 결정될 수 있다.

이와 같이 도 5a에서 결정된 최적 보험료 세트의 후보 값(C) 및 이를 적용한 매출액(M)은 도 5b의 대체 모델(S)에 반영될 수 있다. 즉, 도 5b에서는 도 5a에 비해 대체 모델(S)에서 관측 값이 추가되었다. 여기에서 도 5b의 대체 모델(S)의 확률 분포(P)를 기초로 획득 함수(A)의 탐색과 활용을 통해 매출액을 최대로 하는 최적 보험료 세트의 후보 값(C)이 결정될 수 있다. 이와 같이 도 5b에서 결정된 최적 보험료 세트의 후보 값(C) 및 이를 적용한 매출액(M)은 도 5c의 대체 모델(S)에 반영될 수 있다. 즉, 도 5c에서는 도 5b에 비해 대체 모델(S)에서 관측 값이 추가되었다. 여기에서 도 5c의 대체 모델(S)의 확률 분포(P)를 기초로 획득 함수(A)의 탐색과 활용을 통해 매출액을 최대로 하는 최적 보험료 세트의 후보 값(C)이 결정될 수 있다. 이와 같이 도 5c에서 결정된 최적 보험료 세트의 후보 값(C) 및 이를 적용한 매출액(M)은 도 5d의 대체 모델(S)에 반영될 수 있다. 즉, 도 5d에서는 도 5c에 비해 대체 모델(S)에서 관측 값이 추가되었다. 여기에서 도 5d의 대체 모델(S)의 확률 분포(P)를 기초로 획득 함수(A)의 탐색과 활용을 통해 매출액을 최대로 하는 최적 보험료 세트의 후보 값(C)이 결정될 수 있다. 이와 같이 도 5d에서 결정된 최적 보험료 세트의 후보 값(C) 및 이를 적용한 매출액(M)은 도 5e의 대체 모델(S)에 반영될 수 있다. 즉, 도 5e에서는 도 5d에 비해 대체 모델(S)에서 관측 값이 추가되었다. 여기에서 도 5e의 대체 모델(S)의 확률 분포(P)를 기초로 획득 함수(A)의 탐색과 활용을 통해 매출액을 최대로 하는 최적 보험료 세트의 후보 값(C)이 결정될 수 있다. 이와 같이 도 5e에서 결정된 최적 보험료 세트의 후보 값(C) 및 이를 적용한 매출액(M)은 도 5f의 대체 모델(S)에 반영될 수 있다. 즉, 도 5f에서는 도 5e에 비해 대체 모델(S)에서 관측 값이 추가되었다. 여기에서 도 5f의 대체 모델(S)의 확률 분포(P)를 기초로 획득 함수(A)의 탐색과 활용을 통해 매출액을 최대로 하는 최적 보험료 세트의 후보 값(C)이 결정될 수 있다. 이와 같이 도 5f에서 결정된 최적 보험료 세트의 후보 값(C) 및 이를 적용한 매출액(M)은 도 5g의 대체 모델(S)에 반영될 수 있다. 즉, 도 5g에서는 도 5f에 비해 대체 모델(S)에서 관측 값이 추가되었다. 이러한 과정은 계속 반복될 수 있으며, 이를 통해 대체 모델(S)의 확률 분포(P)는 점차 목적 함수(O)에 가까워질 수 있다.

도 6은 도 1의 최적 보험료 세트 산출 방법 중 최적 보험료 세트가 보험 판매 플랫폼에 적용되는 단계를 설명하기 위한 고객 단말기 상의 표시 화면을 나타내는 도면이다.

도 1, 2 및 6을 참조하면, 예측된 최적 보험료 세트를 보험 판매 플랫폼에 적용하는 단계(S300)는 최적 보험료 세트가 적용된 보험 상품이 고객 단말기에 판매 가능한 상태로 표시되는 단계를 포함할 수 있다. 예를 들어, 도 6의 고객 단말기 상의 표시 화면(300)에는 플랜별 보험료 정보(301) 및 플랜별 보장 항목 및 보장 액수 정보(302)가 표시될 수 있다. 플랜별 보험료 정보(301)는 보험 판매 플랫폼(20)에 적용된 최적 보험료 세트(예를 들어, "실속 3,300 원", "표준 12,900 원" 및 "고급 15,900 원")를 포함할 수 있다. 고객이 플랜별 보험료 정보(301)에서 원하는 플랜(예를 들어, "고급")을 선택하면, 해당 플랜의 보험료 정보가 표시 화면(300) 상단에 표시될 수 있다. 플랜별 보험료 정보(301)에는 어떤 플랜이 가장 많이 판매되고 있는지가 표시될 수 있다(예를 들어, "HOT" 표시). 이와 같이, 최적 보험료 세트를 예측하는 단계(S200)를 통해 예측된 최적 보험료 세트가 적용된 보험 상품이 고객 단말기에 판매 가능한 상태로 표시될 수 있다.

도 7은 도 1의 최적 보험료 세트 산출 방법에서 판매 결과 데이터의 예시를 나타내는 도면이다.

도 1, 2 및 7을 참조하면, 본 발명의 일 실시예에 따른 최적 보험료 세트 산출 방법은 최적 보험료 세트가 적용된 판매 결과 데이터를 수신하는 단계(S400)를 포함한다. 판매 결과 데이터는, 예측된 최적 보험료 세트를 보험 판매 플랫폼에 적용하는 단계(S300)에서 적용된 최적 보험료 세트에 관한 데이터를 포함할 수 있다. 판매 결과 데이터는, 최적 보험료 세트가 적용되어 판매된 보험 상품의 설계 건수 및 매출액에 관한 데이터를 포함할 수 있다. 설계 건수 및 매출액에 관한 데이터는 보험 상품의 플랜별 데이터일 수 있다. 최적 보험료 세트 산출 시스템(10)은 보험 판매 플랫폼(20)으로부터 판매 결과 데이터를 수신한다. 최적 보험료 세트 산출 시스템(10)은 판매 결과 데이터를 데이터베이스(12)에 저장할 수 있다.

예를 들어, 도 7의 판매 결과 데이터는 예측된 최적 보험료 세트가 보험 판매 플랫폼에 적용된 판매 결과 데이터이고, 적용된 최적 보험료 세트("실속: 3,300 원 / 표준: 12,900 원 / 고급: 15,900 원")에 관한 데이터를 포함하며, 이를 통해 판매된 보험 상품의 "설계 건수", "체결 건수" 및 "매출액"에 관한 데이터를 포함한다. "설계 건수", "체결 건수" 및 "매출액"에 관한 데이터는 보험 상품의 플랜별("실속", "표준", "고급") 및 전체("전체") 데이터이고, 날짜별 데이터이다.

도 8은 도 7의 판매 결과 데이터가 누적 판매 데이터에 통합된 예시를 나타내는 도면이다. 도 9는 도 8의 판매 결과 데이터 데이터가 보정된 예시를 나타내는 도면이다.

도 1, 2, 7 및 8을 참조하면, 본 발명의 일 실시예에 따른 최적 보험료 세트 산출 방법은 판매 결과 데이터가 누적 판매 데이터에 통합되는 단계를 포함할 수 있다. 예를 들어, 도 7의 "2024년 03월"의 판매 결과 데이터가 도 8과 같이 누적 판매 데이터에 통합될 수 있다. 도 8의 통합된 누적 판매 데이터는 데이터베이스(20)에 저장될 수 있다.

도 1, 2 및 7 내지 9를 참조하면, 본 발명의 일 실시예에 따른 최적 보험료 세트 산출 방법은 판매 결과 데이터에서 누적 판매 데이터와 보험료 세트별 설계 건수가 동일하도록 매출액을 보정하는 단계(S500)를 포함한다. 예를 들어, 도 9의 누적 판매 데이터는 도 8의 누적 판매 데이터를 기초로 보험료 세트별 설계 건수가 모두 동일하도록 설계 건수, 체결 건수, 매출액 등을 보정한 데이터이다. 구체적으로, 도 9에서는 보험료 세트별 전체 설계 건수가 모두 100,000 건이 되도록 설계 건수, 체결 건수, 매출액 등을 보정하였다.

상술한 바에 따르면, 보험료 세트별 설계 건수가 모두 동일하도록 매출액을 보정함으로써, 보험료 세트에 따른 매출액 변화를 판단함에 있어 절대적인 설계 건수의 차이로 인한 영향을 제거하여, 더욱 정확한 판단이 가능해진다.

도 9의 보정된 누적 판매 데이터는 데이터베이스(20)에 저장될 수 있다. 도 7과 같은 판매 결과 데이터는 도 9와 같은 보정된 누적 판매 데이터에 통합될 수도 있다. 이 경우, 도 7과 같은 판매 결과 데이터는 도 9와 같은 누적 판매 데이터와 보험료 세트별 설계 건수가 동일하도록 매출액이 보정되어 통합될 수 있다.

도 10은 본 발명의 일 실시예에 따른 최적 보험료 세트 산출 방법을 나타내는 순서도이다. 도 11은 도 10의 최적 보험료 세트 산출 방법 중 외부 변수를 고려하여 판매 결과 데이터의 설계 건수 및 매출액을 보정하는 단계에서 사용되는 외부 변수에 관한 데이터를 나타내는 도면이다.

도 10 및 11을 참조하면, 본 발명의 일 실시예에 따른 최적 보험료 세트 산출 방법은 외부 변수를 고려하여 판매 결과 데이터의 설계 건수 및 매출액을 보정하는 단계(S500A)를 더 포함할 수 있다.

이 경우, 누적 판매 데이터는 보험료 세트별 외부 변수에 관한 데이터를 더 포함할 수 있다. 외부 변수에 관한 데이터는 제휴 업체의 이벤트, 경쟁사의 이벤트 및 현재의 경제 상황 중 적어도 하나를 정량화한 값일 수 있다. 예를 들어, 현재의 경제 상황을 정량화한 값은 경기의 좋고 나쁨을 수치로 표현한 값일 수 있다. 외부 변수에 관한 데이터는, 보험료 세트 이외에 매출액에 영향을 미칠 수 있는 그 어떤 외부 요소일 수도 있으며, 여기에 기재된 예에 한정되지 않는다. 외부 변수에 관한 데이터는 판매자에 의해 입력될 수 있다.

예를 들어, 누적 판매 데이터는 도 11과 같은 보험료 세트별 외부 변수에 관한 데이터를 더 포함할 수 있다. 도 11의 외부 변수에 관한 데이터는 제휴 업체의 이벤트를 정량화한 값이다. 구체적으로, 도 11의 외부 변수에 관한 데이터는, 제휴 업체들("A 업체", "B 업체", "C 업체")의 상품별("A 상품", "B 상품", "C 상품", "D 상품", "E 상품") 이벤트를 통해 매출이 발생한 건들의 기간별 설계 건수 및 매출액에 관한 데이터를 포함한다. 예를 들어, A 업체의 A 상품 이벤트를 통해 매출이 발생한 건들의 1월 설계 건수는 423 건이고, 매출액은 6,814 천원이며, 2월 설계 건수는 443 건이고, 매출액은 7,303 천원이다.

외부 변수를 고려하여 판매 결과 데이터의 설계 건수 및 매출액을 보정하는 단계(S500A)는 판매 결과 데이터에서 누적 판매 데이터와 보험료 세트별 외부 변수가 동일하도록 설계 건수 및 매출액을 보정하는 단계를 포함할 수 있다. 예를 들어, 판매 결과 데이터의 보험료 세트별 외부 변수(즉, 외부 요소를 정량화한 값)가 누적 판매 데이터의 보험료 세트별 외부 변수와 모두 동일하도록 판매 결과 데이터의 설계 건수 및 매출액을 보정할 수 있다. 여기서, 누적 판매 데이터는 보험료 세트별 외부 변수가 모두 동일하도록 이미 보정이 된 상태일 수 있다.

외부 변수를 고려하여 판매 결과 데이터의 설계 건수 및 매출액을 보정하는 단계(S500A)는 누적 판매 데이터에서의 외부 변수에 관한 데이터를 기초로 선형 회귀 분석을 통해 판매 결과 데이터의 설계 건수 및 매출액을 보정하는 단계를 포함할 수 있다. 이에 대해서는, 이하 도 11을 참조하여 상세히 설명한다.

도 11을 참조하면, A 상품에 관하여 매출액을 최대로 하는 최적 보험료 세트를 산출하는 방법에 있어서, 외부 변수를 고려하여 판매 결과 데이터의 설계 건수 및 매출액을 보정하는 단계(S500A)에서는, 외부 변수에 관한 데이터를 기초로 선형 회귀 분석을 통해 판매 결과 데이터의 설계 건수 및 매출액을 보정할 수 있다.

구체적으로, 도 11에서 외부 변수에 관한 데이터는 제휴 업체의 이벤트를 정량화한 값이고, A 상품에 관하여 매출이 발생한 업체는 A 업체와 B 업체가 있다. 1월 제휴 설계 건수는 A 업체의 A 상품 423 건과 B 업체의 A 상품 611 건을 더하여 1,034 건(x₁)이고, 1월 제휴 매출액은 A 업체의 A 상품 6,814 천원과 B 업체의 A 상품 9,065 천원을 더하여 15,879 천원(y₁)이며, 2월 제휴 설계 건수는 A 업체의 A 상품 443 건과 B 업체의 A 상품 344 건을 더하여 787 건(x₂)이고, 2월 제휴 매출액은 A 업체의 A 상품 7,303 천원과 B 업체의 A 상품 5,576 천원을 더하여 12,879 천원(y₂)이다. 이를 통해, A 상품에 관하여 매출액을 최대로 하는 최적 보험료 세트를 산출하는 경우, 설계 건수를 독립 변수 x, 매출액을 종속 변수 y로 하는 선형 회귀 모델(y = mx + b)을 사용하여, 기울기 m과 y 절편 값 b를 구할 수 있다. 도 11에서는 m 은 약 12이고, b는 약 3,471일 수 있다. 이 경우, 3월의 외부 변수에 관한 데이터는, 설계 건수(x₃)는 (x₁+ x₂) / 2 = (1,034 + 787) / 2 = 910.5 건으로 추정할 수 있고, 매출액(y₃)은 12 * x₃+ 3,471 = 12 * 910.5 + 3,471 = 14,397 천원으로 추정할 수 있다. 이 경우, 3월의 설계 건수 및 매출액(외부 변수의 영향이 없는 경우)에 외부 변수로 인한 설계 건수 및 매출액의 추정치를 더하는 보정을 할 수 있다. 예를 들어, 도 8의 "2024년 3월"의 데이터의 전체 설계 건수에 910.5 건을 더하고, 전체 매출액에 14,397 천원을 더하는 보정을 할 수 있다.

상술한 바에 따르면, 보험료 세트별 외부 변수가 모두 동일하도록 매출액을 보정함으로써, 보험료 세트에 따른 매출액 변화를 판단함에 있어 외부 변수(즉, 보험료와 무관한 외적인 요소들)로 인한 영향을 제거하여, 더욱 정확한 판단이 가능해진다.

도 10을 참조하면, 본 발명의 일 실시예에 따른 최적 보험료 세트 산출 방법은 누적 판매 데이터와 보험료 세트별 설계 건수가 동일하도록 매출액을 보정하는 단계(S500B)를 더 포함할 수 있다. 즉, 단계(S500A)에서 외부 변수를 고려하여 보정된 설계 건수 및 매출액을 기초로, 누적 판매 데이터와 보험료 세트별 설계 건수가 동일하도록 매출액을 다시 보정할 수 있다.

본 발명의 실시예들에 따른 최적 보험료 산출 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록 수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록 매체 내지 저장매체도 들 수 있다.

본 명세서에서는 본 개시가 일 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.

Claims

최적 보험료 세트 산출 방법으로서,
보험료 세트 및 상기 보험료 세트별 설계 건수 및 매출액에 관한 데이터를 포함하는 누적 판매 데이터를 수집하는 단계 - 하나의 보험료 세트는 하나의 보험 상품에 대한 복수의 플랜들 각각의 보험료로 이루어짐 -;
상기 누적 판매 데이터를 이용하여 인공지능 모델을 학습시켜 매출액을 최대로 하는 최적 보험료 세트를 예측하는 단계;
상기 예측된 최적 보험료 세트를 보험 판매 플랫폼에 적용하는 단계;
상기 최적 보험료 세트가 적용된 판매 결과 데이터를 상기 보험 판매 플랫폼으로부터 수신하는 단계 - 상기 판매 결과 데이터는, 상기 적용된 최적 보험료 세트 및 판매된 보험 상품의 설계 건수 및 매출액에 관한 데이터를 포함함 -;
상기 판매 결과 데이터에서, 보험료 세트별 설계 건수가 상기 누적 판매 데이터에서의 보험료 세트별 설계 건수와 동일하도록, 매출액을 보정하는 단계;
상기 보정된 매출액이 최대 매출액에 해당하는지 판단하는 단계; 및
상기 보정된 매출액이 최대 매출액이 아니면, 상기 판매 결과 데이터를 이용하여 상기 인공지능 모델을 다시 학습시켜 매출액을 최대로 하는 최적 보험료 세트를 다시 예측하는 단계
를 포함하는 최적 보험료 세트 산출 방법.
제1항에 있어서,
상기 인공지능 모델은 베이지안 최적화(Bayesian Optimization)에 기반한 모델이고,
상기 최적 보험료 세트를 예측하는 단계는,
상기 누적 판매 데이터를 이용하여 목적 함수(Objective Function)인 매출액을 근사하는 대체 모델(Surrogate Model)을 생성하는 단계;
상기 대체 모델의 확률 분포를 기초로 획득 함수(Acquisition Function)의 탐색(Exploration)과 활용(Exploitation)을 통해 매출액을 최대로 하는 최적 보험료 세트의 후보 값을 결정하는 단계; 및
상기 후보 값 및 상기 후보 값을 적용한 매출액을 상기 대체 모델에 반영하는 단계
를 포함하는, 최적 보험료 세트 산출 방법.
제2항에 있어서,
상기 반영하는 단계는,
상기 후보 값을 적용한 설계 건수가 상기 누적 판매 데이터에서의 보험료 세트별 설계 건수와 동일하도록 매출액을 보정하여 상기 대체 모델에 반영하는 단계
를 포함하는, 최적 보험료 세트 산출 방법.
제2항에 있어서,
상기 대체 모델에는 상기 목적 함수에 대한 확률적 표현이 포함되어 있는, 최적 보험료 세트 산출 방법.
제2항에 있어서,
상기 최적 보험료 세트를 예측하는 단계는,
상기 결정하는 단계 및 상기 반영하는 단계를 반복하여 최적 보험료 세트를 예측하는 단계
를 포함하는, 최적 보험료 세트 산출 방법.
제1항에 있어서,
외부 변수를 고려하여 상기 판매 결과 데이터의 설계 건수 및 매출액을 보정하는 단계
를 더 포함하고,
상기 누적 판매 데이터는, 상기 보험료 세트별 외부 변수에 관한 데이터를 더 포함하는, 최적 보험료 세트 산출 방법.
제6항에 있어서,
상기 외부 변수를 고려하여 판매 결과 데이터의 설계 건수 및 매출액을 보정하는 단계는,
상기 판매 결과 데이터에서, 보험료 세트별 외부 변수가 상기 누적 판매 데이터에서의 보험료 세트별 외부 변수와 동일하도록, 설계 건수 및 매출액을 보정하는 단계
를 포함하는, 최적 보험료 세트 산출 방법.
제6항에 있어서,
상기 외부 변수를 고려하여 판매 결과 데이터의 설계 건수 및 매출액을 보정하는 단계는,
상기 누적 판매 데이터에서의 외부 변수에 관한 데이터를 기초로 선형 회귀 분석을 통해 상기 판매 결과 데이터의 설계 건수 및 매출액을 보정하는 단계
를 포함하는, 최적 보험료 세트 산출 방법.
제6항에 있어서,
상기 외부 변수에 관한 데이터는 제휴 업체의 이벤트 및 경쟁사의 이벤트 중 적어도 하나를 정량화한 값인, 최적 보험료 세트 산출 방법.
제1항에 있어서,
상기 판매 결과 데이터가 상기 누적 판매 데이터에 통합되는 단계
를 더 포함하는 최적 보험료 세트 산출 방법.
제1항에 있어서,
상기 최대 매출액은, 상기 누적 판매 데이터 상에서 설계 건수가 모두 동일하도록 보정된 매출액 중 최대의 매출액인, 최적 보험료 세트 산출 방법.
제1항에 있어서,
상기 누적 판매 데이터를 전처리하는 단계
를 더 포함하고,
상기 누적 판매 데이터를 전처리하는 단계는,
상기 수집된 누적 판매 데이터에서 보험료 세트별 설계 건수가 모두 동일하도록 매출액을 보정하는 단계
를 포함하는, 최적 보험료 세트 산출 방법.
제1항에 있어서,
상기 예측된 최적 보험료 세트를 보험 판매 플랫폼에 적용하는 단계는,
상기 최적 보험료 세트가 적용된 보험 상품이 고객 단말기에 판매 가능한 상태로 표시되는 단계
를 포함하는, 최적 보험료 세트 산출 방법.
컴퓨터 프로그램으로서,
제1항 내지 제13항 중 어느 한 항에 따른 최적 보험료 세트 산출 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된, 컴퓨터 프로그램.
최적 보험료 세트 산출 시스템으로서,
데이터베이스 및 프로세서
를 포함하고,
상기 데이터베이스는, 보험료 세트 및 상기 보험료 세트별 설계 건수 및 매출액에 관한 데이터를 포함하는 누적 판매 데이터를 저장하도록 구성되며 - 하나의 보험료 세트는 하나의 보험 상품에 대한 복수의 플랜들 각각의 보험료로 이루어짐 -,
상기 프로세서는:
상기 누적 판매 데이터를 이용하여 인공지능 모델을 학습시켜 매출액을 최대로 하는 최적 보험료 세트를 예측하고,
상기 예측된 최적 보험료 세트를 보험 판매 플랫폼에 적용하며,
상기 최적 보험료 세트가 적용된 판매 결과 데이터를 상기 보험 판매 플랫폼으로부터 수신하고 - 상기 판매 결과 데이터는, 상기 적용된 최적 보험료 세트 및 판매된 보험 상품의 설계 건수 및 매출액에 관한 데이터를 포함함 -,
상기 판매 결과 데이터에서, 보험료 세트별 설계 건수가 상기 누적 판매 데이터에서의 보험료 세트별 설계 건수와 동일하도록, 매출액을 보정하며,
상기 보정된 매출액이 최대 매출액에 해당하는지 판단하고,
상기 보정된 매출액이 최대 매출액이 아니면, 상기 판매 결과 데이터를 이용하여 상기 인공지능 모델을 다시 학습시켜 매출액을 최대로 하는 최적 보험료 세트를 다시 예측하도록 구성되는, 최적 보험료 세트 산출 시스템.