Prediction and Visualization of Motor Vehicle Insurance Premium

Background
Read Data
Data Preprocess
Exploratory Data Analysis
Analisa Sementara

List of Library

library(tidyverse)
library(tidymodels)
library(ggplot2)
library(plotly)
library(skimr)
library(lubridate)
library(forecast)
library(tseries)

Background

Pencatatan premi pada asuransi kendaraan bermotor (Motor Vehicle Insurance) bisa dikelompokkan menjadi :

Berdasarkan Tahun Produksi (Production Year), dimana produksi premi pada periode cutoff akhir tahun
Berdasarkan Tahun Polis (Policy Year), dimana produksi premi tahunan nya / akhir dari polis tersebut
Berdasarkan Tahun Underwriting (Underwriting Year), dimana produksi premi berdasarkan tahun underwriter menilai risiko tersebut

Sehingga dibutuhkan visualisasi yang bisa memberikan informasi atas ketiga kategori pencatatan premi tersebut sebagai dasar perusahaan asuransi dalam meningkatkan performa perusahaan

Premi asuransi kendaraan bermotor juga dipengaruhi oleh waktu, sehingga dibutuhkan algoritma yang sesuai untuk digunakan dalam melakukan prediksi pencatatan premi dari ketiga kategori tersebut (Time Series Prediction)

Dalam asuransi kendaraan bermotor erat hubungannya dengan klaim, maka dari itu akan digunakan algoritma Machine Learning dalam melakukan prediksi kendaraan yang akan melakukan klaim atau tidak (berdasarkan data historis klaim suatu unit kendaraan dan profile dari customer).

Read Data

report <- read.csv("Data/MV_Retail.csv")

Data yang digunakan merupakan data produksi premi kendaraan bermotor yang terdiri dari beberapa segment / Business Channel yaitu :

Direct Segment
Agency Segment
Leasing Segment
Bank Segment
Dealer Segment

Data Preprocess

Pada tahap ini kita akan melakukan pengelompokkan beberapa feauture yang akan kita gunakan untuk visualisasi pencatatan premi berdasarkan ketiga kategori di atas dan juga nantinya digunakan untuk pembuatan model time series dalam melakukan prediksi dari ketiga kategori pencatatan premi tersebut.

Select Columns

report <- report %>% 
  select(NO_MONTH, MONTH, SEGMENT, POLICYNO,TRANSACTION_TYPE,INCEPTION,EXPIRY,BOOKING_DATE,USER_APPROVE_DATE,TOC,TOC_DESCRIPTION,TOC_GROUP,TOC_GROUP_DESCRIPTION,TSI,PREMIUM_GROSS,DISCOUNT,COMMISSION,VAT,TAX,POLICY_FEE,STAMP_DUTY,VEHICLE_CATEGORY,VEHICLE_TYPE,GROUP_MV) %>%   mutate_if(is.integer,as.numeric)

head(report)

##   NO_MONTH   MONTH SEGMENT              POLICYNO TRANSACTION_TYPE
## 1        1 January  Direct        11002011900022              NEW
## 2        1 January   Agent        11502011900001              NEW
## 3        1 January   Agent 11502011900001-000001              NEW
## 4        1 January   Agent 11502011900001-000002              NEW
## 5        1 January   Agent 11502011900001-000003              NEW
## 6        1 January   Agent 11502011900001-000004              NEW
##    INCEPTION     EXPIRY BOOKING_DATE USER_APPROVE_DATE TOC TOC_DESCRIPTION
## 1 12/14/2018 12/14/2019   01/09/2019        01/09/2019 201          PSAKBI
## 2 12/04/2018 12/27/2021   01/02/2019        01/02/2019 201          PSAKBI
## 3 12/04/2018 12/04/2020   01/02/2019        01/02/2019 201          PSAKBI
## 4 12/20/2018 12/20/2021   01/02/2019        01/02/2019 201          PSAKBI
## 5 12/26/2018 12/26/2021   01/02/2019        01/02/2019 201          PSAKBI
## 6 12/27/2018 12/27/2021   01/02/2019        01/02/2019 201          PSAKBI
##   TOC_GROUP TOC_GROUP_DESCRIPTION       TSI PREMIUM_GROSS DISCOUNT
## 1         2         Motor Vehicle 165750000       5347933 -1336983
## 2         2         Motor Vehicle         0             0        0
## 3         2         Motor Vehicle  37000000        207200        0
## 4         2         Motor Vehicle  65000000        637000        0
## 5         2         Motor Vehicle  78000000        764400        0
## 6         2         Motor Vehicle 104000000        582400        0
##   COMMISSION VAT  TAX POLICY_FEE STAMP_DUTY    VEHICLE_CATEGORY
## 1          0   0    0      44000       6000 Non Bus / Non Truck
## 2          0   0    0     120000          0                #N/A
## 3     -51800   0 1295          0          0 Non Bus / Non Truck
## 4    -159250   0 3981          0          0     Truck / Pick Up
## 5    -191100   0 4778          0          0     Truck / Pick Up
## 6    -145600   0 3640          0          0 Non Bus / Non Truck
##   VEHICLE_TYPE GROUP_MV
## 1        Sedan     MV 4
## 2         #N/A     MV 4
## 3      Minibus     MV 4
## 4  Light Truck     MV 4
## 5  Pick Up/Box     MV 4
## 6      Minibus     MV 4

Keterangan :

NO_MONTH : Bulan ke- premi tersebut di catat pada sistem

MONTH : Bulan premi di catat pada sistem

SEGMENT : Segment untuk sumber bisnsis asuransi di dapatkan

POLICYNO : No Polis atau no master polis

TRANSACTION_TYPE : Jenis transaksi asuransi, apakah transaksi polis baru, perubahan, atau pembatalan

INCEPTION : Periode polis dimulai

EXPIRY : Periode polis berakhir

BOOKING_DATE : Tanggal premi dicatat sebagai produksi pada sistem

USER_APPROVE_DATE : Tanggal premi di invorce oleh underwriter

TOC : Type of Coverage (jenis cover asuransi)

TOC_DESCRIPTION : Deskripsi jenis cover asuransi

TOC_GROUP : Grup dari jenis cover asuransi

TOC_GROUP_DESCRIPTION : Deskripsi jenis cover asuransi

TSI : Total sum Insured (Harga pertanggungan Asuransi)

PREMIUM_GROSS : Premi kotor asuransi

DISCOUNT : Diskon premi asuransi untuk customer

COMMISION : Komisi asuransi untuk agen, broker, atau perantara

VAT : Pajak pertambahan nilai (ppn 10%) dari premi kotor asuransi

TAX : Pajak penghasilan (pph berdasarkan kategori perusahaan yang dikenakan pajak)

POLICY_FEE : Biaya administrasi polis asuransi

STAMP_DUTY : Biaya materai

VEHICLE_CATEGORY : Kategori kendaraan yang diasuransikan

VEHICLE_TYPE : Tipe kendaraan yang diasuransikan

GROUP_MV : Grup dari kendaraan yang diasuransikan, apakah Kendaraan Roda 2, Kendaraan Roda 4, atau truk tangki

Data Skimming

skim(report)

Data summary
Name	report
Number of rows	42537
Number of columns	24
_______________________
Column type frequency:
factor	13
numeric	11
________________________
Group variables	None

Variable type: factor

skim_variable	complete_rate	ordered	n_unique	top_counts
MONTH	1	FALSE	12	Dec: 23671, Nov: 7305, Aug: 1819, Oct: 1765
SEGMENT	1	FALSE	5	Age: 18823, Lea: 18701, Dir: 4094, Dea: 888
POLICYNO	1	FALSE	39746	112: 7, 191: 7, 191: 7, 291: 7
TRANSACTION_TYPE	1	FALSE	3	NEW: 31543, CAN: 9830, END: 1164
INCEPTION	1	FALSE	741	10/: 754, 11/: 585, 11/: 552, 10/: 437
EXPIRY	1	FALSE	1967	11/: 542, 11/: 517, 12/: 390, 10/: 319
BOOKING_DATE	1	FALSE	270	12/: 9191, 12/: 4436, 12/: 3975, 11/: 3355
USER_APPROVE_DATE	1	FALSE	270	12/: 9191, 12/: 4436, 12/: 3975, 11/: 3355
TOC_DESCRIPTION	1	FALSE	7	Mot: 18354, Mot: 18055, Mot: 4552, PSA: 1296
TOC_GROUP_DESCRIPTION	1	FALSE	4	emp: 34203, Mot: 8131, Pro: 127, Fir: 76
VEHICLE_CATEGORY	1	FALSE	153	emp: 23704, Non: 10769, Mot: 6201, Tru: 1174
VEHICLE_TYPE	1	FALSE	29	emp: 23704, Min: 8631, Mot: 6251, Sed: 867
GROUP_MV	1	FALSE	6	emp: 23995, MV : 12202, MV : 6252, #N/: 39

Variable type: numeric

skim_variable	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
NO_MONTH	1	10.37	2.66	1	10	12	12	12	▁▁▁▁▇
TOC	1	210.74	12.64	101	201	220	220	221	▁▁▁▁▇
TOC_GROUP	1	1.99	0.08	1	2	2	2	2	▁▁▁▁▇
TSI	1	122150596.21	251322023.65	-125000000	0	30698000	181000000	15000000000	▇▁▁▁▁
PREMIUM_GROSS	1	2651471.67	6579468.85	-73180800	49000	389280	2297460	105310950	▁▁▇▁▁
DISCOUNT	1	-497369.33	1501235.63	-26327738	-101760	0	0	18295200	▁▁▇▁▁
COMMISSION	1	-153698.42	685983.62	-18641269	-100389	0	0	13880374	▁▁▇▁▁
VAT	1	-13893.29	59891.06	-1864127	-8724	0	0	704011	▁▁▁▇▁
TAX	1	2837.88	16903.61	-347010	0	0	2023	926249	▁▇▁▁▁
POLICY_FEE	1	5581.49	213865.24	-510000	0	0	0	44000000	▇▁▁▁▁
STAMP_DUTY	1	812.33	2344.98	-12000	0	0	0	12000	▁▁▇▂▁

Create New Columns

Pada tahap ini kita akan membuat beberapa kolom baru yang akan digunakan saat mendefinisikan tahun mulai produksi premi dan tahun berakhir masa asuransi nya

report$INCEPTION_YEAR <- year(mdy(report$INCEPTION))
report$EXPIRY_YEAR <- year(mdy(report$EXPIRY))
report$PERIOD_COUNT <- as.numeric(mdy(report$EXPIRY) - mdy(report$INCEPTION))
head(report)

##   NO_MONTH   MONTH SEGMENT              POLICYNO TRANSACTION_TYPE
## 1        1 January  Direct        11002011900022              NEW
## 2        1 January   Agent        11502011900001              NEW
## 3        1 January   Agent 11502011900001-000001              NEW
## 4        1 January   Agent 11502011900001-000002              NEW
## 5        1 January   Agent 11502011900001-000003              NEW
## 6        1 January   Agent 11502011900001-000004              NEW
##    INCEPTION     EXPIRY BOOKING_DATE USER_APPROVE_DATE TOC TOC_DESCRIPTION
## 1 12/14/2018 12/14/2019   01/09/2019        01/09/2019 201          PSAKBI
## 2 12/04/2018 12/27/2021   01/02/2019        01/02/2019 201          PSAKBI
## 3 12/04/2018 12/04/2020   01/02/2019        01/02/2019 201          PSAKBI
## 4 12/20/2018 12/20/2021   01/02/2019        01/02/2019 201          PSAKBI
## 5 12/26/2018 12/26/2021   01/02/2019        01/02/2019 201          PSAKBI
## 6 12/27/2018 12/27/2021   01/02/2019        01/02/2019 201          PSAKBI
##   TOC_GROUP TOC_GROUP_DESCRIPTION       TSI PREMIUM_GROSS DISCOUNT
## 1         2         Motor Vehicle 165750000       5347933 -1336983
## 2         2         Motor Vehicle         0             0        0
## 3         2         Motor Vehicle  37000000        207200        0
## 4         2         Motor Vehicle  65000000        637000        0
## 5         2         Motor Vehicle  78000000        764400        0
## 6         2         Motor Vehicle 104000000        582400        0
##   COMMISSION VAT  TAX POLICY_FEE STAMP_DUTY    VEHICLE_CATEGORY
## 1          0   0    0      44000       6000 Non Bus / Non Truck
## 2          0   0    0     120000          0                #N/A
## 3     -51800   0 1295          0          0 Non Bus / Non Truck
## 4    -159250   0 3981          0          0     Truck / Pick Up
## 5    -191100   0 4778          0          0     Truck / Pick Up
## 6    -145600   0 3640          0          0 Non Bus / Non Truck
##   VEHICLE_TYPE GROUP_MV INCEPTION_YEAR EXPIRY_YEAR PERIOD_COUNT
## 1        Sedan     MV 4           2018        2019          365
## 2         #N/A     MV 4           2018        2021         1119
## 3      Minibus     MV 4           2018        2020          731
## 4  Light Truck     MV 4           2018        2021         1096
## 5  Pick Up/Box     MV 4           2018        2021         1096
## 6      Minibus     MV 4           2018        2021         1096

Exploratory Data Analysis

hari terakhir pada tahun 2018

last_day_18 <- function(x) {
  lastyear18 <- as.numeric(format(x, "%Y")) - (year(ymd(Sys.Date()))-2018)
  last_date18 <- as.Date(sprintf('%s-12-31',lastyear18))
}

a<-last_day_18(Sys.Date())

a

## [1] "2018-12-31"

hari terakhir pada tahun 2019

last_day_19 <- function(x) {
  lastyear19 <- as.numeric(format(x, "%Y")) - (year(ymd(Sys.Date()))-2019)
  last_date19 <- as.Date(sprintf('%s-12-31',lastyear19))
}

b<-last_day_19(Sys.Date())

b

## [1] "2019-12-31"

hari terakhir pada tahun 2020

last_day_20 <- function(x) {
  lastyear20 <- as.numeric(format(x, "%Y")) - (year(ymd(Sys.Date()))-2020)
  last_date20 <- as.Date(sprintf('%s-12-31',lastyear20))
}

c<-last_day_20(Sys.Date())

c

## [1] "2020-12-31"

Production year 2019

Production year merupakan pengakuan produksi premi dengan catatan cut off pada akhir periode tahun tersebut, sehingga pencatatan premi pada production year bersifat pro rata.

report$PRODUCTION_YEAR_2019 <- ifelse(report$INCEPTION_YEAR==2019,
                                      ifelse(report$DISCOUNT<0,((as.numeric((b-mdy(report$INCEPTION))/report$PERIOD_COUNT))*(report$PREMIUM_GROSS+report$DISCOUNT)),
                                    ((as.numeric((b-mdy(report$INCEPTION))/report$PERIOD_COUNT))*(report$PREMIUM_GROSS-report$DISCOUNT))),0)
head(report)

##   NO_MONTH   MONTH SEGMENT              POLICYNO TRANSACTION_TYPE
## 1        1 January  Direct        11002011900022              NEW
## 2        1 January   Agent        11502011900001              NEW
## 3        1 January   Agent 11502011900001-000001              NEW
## 4        1 January   Agent 11502011900001-000002              NEW
## 5        1 January   Agent 11502011900001-000003              NEW
## 6        1 January   Agent 11502011900001-000004              NEW
##    INCEPTION     EXPIRY BOOKING_DATE USER_APPROVE_DATE TOC TOC_DESCRIPTION
## 1 12/14/2018 12/14/2019   01/09/2019        01/09/2019 201          PSAKBI
## 2 12/04/2018 12/27/2021   01/02/2019        01/02/2019 201          PSAKBI
## 3 12/04/2018 12/04/2020   01/02/2019        01/02/2019 201          PSAKBI
## 4 12/20/2018 12/20/2021   01/02/2019        01/02/2019 201          PSAKBI
## 5 12/26/2018 12/26/2021   01/02/2019        01/02/2019 201          PSAKBI
## 6 12/27/2018 12/27/2021   01/02/2019        01/02/2019 201          PSAKBI
##   TOC_GROUP TOC_GROUP_DESCRIPTION       TSI PREMIUM_GROSS DISCOUNT
## 1         2         Motor Vehicle 165750000       5347933 -1336983
## 2         2         Motor Vehicle         0             0        0
## 3         2         Motor Vehicle  37000000        207200        0
## 4         2         Motor Vehicle  65000000        637000        0
## 5         2         Motor Vehicle  78000000        764400        0
## 6         2         Motor Vehicle 104000000        582400        0
##   COMMISSION VAT  TAX POLICY_FEE STAMP_DUTY    VEHICLE_CATEGORY
## 1          0   0    0      44000       6000 Non Bus / Non Truck
## 2          0   0    0     120000          0                #N/A
## 3     -51800   0 1295          0          0 Non Bus / Non Truck
## 4    -159250   0 3981          0          0     Truck / Pick Up
## 5    -191100   0 4778          0          0     Truck / Pick Up
## 6    -145600   0 3640          0          0 Non Bus / Non Truck
##   VEHICLE_TYPE GROUP_MV INCEPTION_YEAR EXPIRY_YEAR PERIOD_COUNT
## 1        Sedan     MV 4           2018        2019          365
## 2         #N/A     MV 4           2018        2021         1119
## 3      Minibus     MV 4           2018        2020          731
## 4  Light Truck     MV 4           2018        2021         1096
## 5  Pick Up/Box     MV 4           2018        2021         1096
## 6      Minibus     MV 4           2018        2021         1096
##   PRODUCTION_YEAR_2019
## 1                    0
## 2                    0
## 3                    0
## 4                    0
## 5                    0
## 6                    0

production_year_2019 <-  report %>%
  filter(INCEPTION_YEAR == 2019) %>% 
  group_by(INCEPTION) %>% 
  summarise(PRODUCTION_YEAR_2019 = sum(PRODUCTION_YEAR_2019)) %>% 
  mutate(date = mdy(INCEPTION)) %>% 
  select(date,
         PRODUCTION_YEAR_2019)

cek range tanggal pada production year 2019

range(production_year_2019$date)

## [1] "2019-01-01" "2019-12-31"

Pada tahap ini akan, kita akan membuat grafik produksi premi untuk tahun produksi premi tahun 2019

prod2019_ts <- ts(data = production_year_2019$PRODUCTION_YEAR_2019, start = range(production_year_2019$date)[[1]], frequency = 28.5)
tsp = attributes(prod2019_ts)$tsp
dates = seq(as.Date("2019-01-01"), by = "day", along = prod2019_ts)
plot(prod2019_ts, xaxt = "n", main= "Premium Production (Production year of 2019)",
     ylab="Premium Production", xlab="Date")
axis(1, at = seq(tsp[1], tsp[2], along = prod2019_ts), labels = format(dates, "%b-%y"),gap.axis = 6,lwd.ticks = 0)

prod2019_decom <- decompose(prod2019_ts)
autoplot(prod2019_decom)

autoplot(prod2019_decom$trend) +
  autolayer(prod2019_decom$x)

production_year_2019_v2 <-  report %>%
  filter(INCEPTION_YEAR == 2019) %>% 
  group_by(BOOKING_DATE) %>% 
  summarise(PRODUCTION_YEAR_2019 = sum(PRODUCTION_YEAR_2019)) %>% 
  mutate(date = mdy(BOOKING_DATE)) %>% 
  select(date,
         PRODUCTION_YEAR_2019)

cek range tanggal pada production year 2019

range(production_year_2019_v2$date)

## [1] "2019-01-03" "2019-12-31"

production_year_2019_v2

## # A tibble: 267 x 2
##    date       PRODUCTION_YEAR_2019
##    <date>                    <dbl>
##  1 2019-01-03            18581933.
##  2 2019-01-04            -6957367.
##  3 2019-01-05             6360655.
##  4 2019-01-07            34700586.
##  5 2019-01-09             8221864.
##  6 2019-01-10            24807729.
##  7 2019-01-11            60898817.
##  8 2019-01-14            33328724.
##  9 2019-01-15            18688747.
## 10 2019-01-16             7206983.
## # ... with 257 more rows

Dari gambar di atas dapat dianalisa, meskipun perhitungan produksi premi berdasarkan tahun produksinya terlihat bahwa pada sekitar bulan April - Juni mengalami penaikan produksi premi karena periode tersebut dipengaruhi oleh momen lebaran tahun 2019, setelah periode tersebut, produksi premi mengalami penurunan yang cukup signifikan selama tahun 2019 tersebut dan mengalami kenaikan secara perlahan dan stabil hingga mengalami penurunan pada akhir tahun yang dipengaruhi periode cut off pada akhir tahun 2019.

Policy Year 2019

Untuk menentukan pencatatan premi asuransi kendaraan bermotor berdasarkan Policy Year 2019 sangat erat hubungannya dengan periode asuransi dan juga depresiasi / penyustan harga kendaraan bermotor yang beragam berdasarkan partner asuransi dan ketentuan underwriter di perusahaan asuransi tersebut. Sehingga kita tentukan terlebih dahulu persentase pengakuan produksinya, dengan ketentuan sebagai berikut :

Jika periode asuransi 1 tahun maka pengakuan produksi nya adalah 100%
Jika periode asuransi 2 tahun maka pengakuan produksi nya adalah 54.09%
Jika periode asuransi 3 tahun maka pengakuan produksi nya adalah 38.10%
Jika periode asuransi 4 tahun maka pengakuan produksi nya adalah 30.05%
Jika periode asuransi 5 tahun maka pengakuan produksi nya adalah 24.05%
Jika periode asuransi 6 tahun maka pengakuan produksi nya adalah 23.00%
Jika periode asuransi 7 tahun maka pengakuan produksi nya adalah 21.89

keterangan di atas merupkan hasil riset penulis

Buat kolom baru berupa POLICY_YEAR_2019_RATE

report$POLICY_YEAR_2019_RATE <- ifelse(report$INCEPTION_YEAR == 2019, ifelse(report$PERIOD_COUNT/365.25 <= 1 , 1,
                                       ifelse(report$PERIOD_COUNT/365.25 > 1 & report$PERIOD_COUNT/365.25 <= 731/365.25 , 0.5409,
                                              ifelse(report$PERIOD_COUNT/365.25 > 2 & report$PERIOD_COUNT/365.25 <= 1096/365.25 , 0.381,
                                                     ifelse(report$PERIOD_COUNT/365.25 > 3 & report$PERIOD_COUNT/365.25 <= 1461/365.25 , 0.3005,
                                                            ifelse(report$PERIOD_COUNT/365.25 > 4 & report$PERIOD_COUNT/365.25 <= 1827/365.25 , 0.2505,
                                                                   ifelse(report$PERIOD_COUNT/365.25 > 5 & report$PERIOD_COUNT/365.25 <= 2192/365.25, 0.23, 0.2189)))))),0)

setelah mengetahui nilai dari persentase pengakuan produksinya, maka hitung policy year pada setiap produksi polis yang tahun pembuatan polis nya adalah tahun 2019

report$POLICY_YEAR_2019 <- ifelse(report$INCEPTION_YEAR == 2019,
                                  ifelse(report$DISCOUNT<0,report$POLICY_YEAR_2019_RATE*(report$PREMIUM_GROSS+report$DISCOUNT),report$POLICY_YEAR_2019_RATE*(report$PREMIUM_GROSS-report$DISCOUNT)),0)

policy_year_2019 <-  report %>%
  filter(INCEPTION_YEAR == 2019) %>% 
  group_by(INCEPTION) %>% 
  summarise(POLICY_YEAR_2019 = sum(POLICY_YEAR_2019)) %>% 
  mutate(date = mdy(INCEPTION)) %>% 
  select(date,
         POLICY_YEAR_2019)

cek range tanggal pada policy year 2019

range(policy_year_2019$date)

## [1] "2019-01-01" "2019-12-31"

polyear2019_ts <- ts(data = policy_year_2019$POLICY_YEAR_2019, start = range(policy_year_2019$date)[[1]], frequency = 29)
tsp2 = attributes(polyear2019_ts)$tsp
dates = seq(as.Date("2019-01-01"), by = "day", along = polyear2019_ts)
plot(polyear2019_ts, xaxt = "n", main= "Premium Production (Policy year of 2019)",
     ylab="Premium Production", xlab="Date")
axis(1, at = seq(tsp2[1], tsp2[2], along = polyear2019_ts), labels = format(dates, "%b-%y"),gap.axis = 6,lwd.ticks = 0)

str(policy_year_2019)

## Classes 'tbl_df', 'tbl' and 'data.frame':    363 obs. of  2 variables:
##  $ date            : Date, format: "2019-01-01" "2019-01-02" ...
##  $ POLICY_YEAR_2019: num  1.57e+08 1.90e+07 3.69e+07 3.57e+06 1.17e+06 ...

polyear2019_decom <- decompose(polyear2019_ts)
autoplot(polyear2019_decom)

autoplot(polyear2019_decom$trend) +
  autolayer(polyear2019_decom$x)

Terlihat bahwa tren yang dihasilkan bahwa mengalami kenaikan dua periode hal ini disebabkan pengaruh dari lebaran tahun 2019, dan momen akhir tahun (promo pembelian kendaraan pada akhir tahun).

Underwriting Year 2019

Seperti yang sudah di bahas di atas, underwriting year 2019 merupakan pencatatan produksi premi yang di underwrite oleh tim underwriter asuransi. Sehingga produksi premi tersebut adalah total dari PREMIUM_GROSS dengan DISCOUNT

Buat kolom baru berupa UNDERWRITING_YEAR_2019

report$UNDERWRITING_YEAR_2019 <- ifelse(report$INCEPTION_YEAR==2019,
                                        ifelse(report$DISCOUNT<0,(report$PREMIUM_GROSS+report$DISCOUNT), (report$PREMIUM_GROSS-report$DISCOUNT)),0)

  underwriting_year_2019 <-  report %>%
  filter(INCEPTION_YEAR == 2019) %>% 
  group_by(INCEPTION) %>% 
  summarise(UNDERWRITING_YEAR_2019 = sum(UNDERWRITING_YEAR_2019)) %>% 
  mutate(date = mdy(INCEPTION)) %>% 
  select(date,
         UNDERWRITING_YEAR_2019)

cek range tanggal pada policy year 2019

range(underwriting_year_2019$date)

## [1] "2019-01-01" "2019-12-31"

uwyear2019_ts <- ts(data = underwriting_year_2019$UNDERWRITING_YEAR_2019, start = range(underwriting_year_2019$date)[[1]], frequency = 29)
tsp3 = attributes(uwyear2019_ts)$tsp
dates = seq(as.Date("2019-01-01"), by = "day", along = uwyear2019_ts)
plot(uwyear2019_ts, xaxt = "n", main= "Premium Production (Underwriting year of 2019)",
     ylab="Premium Production", xlab="Date")
axis(1, at = seq(tsp3[1], tsp3[2], along = uwyear2019_ts), labels = format(dates, "%b-%y"),gap.axis = 6,lwd.ticks = 0)

uwyear2019_decom <- decompose(uwyear2019_ts)
autoplot(uwyear2019_decom)

autoplot(uwyear2019_decom$trend) +
  autolayer(uwyear2019_decom$x)

Terlihat bahwa tren yang dihasilkan bahwa mengalami kenaikan dua periode hal ini disebabkan pengaruh dari lebaran tahun 2019, dan momen akhir tahun (promo pembelian kendaraan pada akhir tahun).

Multi Season Data

Dari hasil tiga grafik terlihat bahwa pada trend tersebut mengalami dua kenaikan, sehingga data yang di olah merupakan data multi season, untuk mengolah data tersebut diperlukan fungsi msts untuk membuat data time series nya dan mstl untuk decompose

Production Year 2019

production_year_2019$PRODUCTION_YEAR_2019 %>% 
  msts(seasonal.periods = c(28.5,28.5*3)) %>%
  mstl() %>% 
  autoplot()

Policy Year 2019

policy_year_2019$POLICY_YEAR_2019 %>% 
  msts(seasonal.periods = c(28.5,28.5*3)) %>%
  mstl() %>% 
  autoplot()

Underwriting Year 2019

underwriting_year_2019$UNDERWRITING_YEAR_2019 %>% 
  msts(seasonal.periods = c(28.5,28.5*3)) %>%
  mstl() %>% 
  autoplot()

Segment yang paling berkontribusi

report_total1 <- report %>% 
  group_by(SEGMENT) %>% 
  summarise(PREMIUM_GROSS = sum(PREMIUM_GROSS)) %>% 
  ungroup()
head(report_total1)

## # A tibble: 5 x 2
##   SEGMENT PREMIUM_GROSS
##   <fct>           <dbl>
## 1 Agent      4227830087
## 2 Bank         14773252
## 3 Dealer     3477322251
## 4 Direct    14428678471
## 5 Leasing   90637046346

colnames(report_total1) <- c("Segment", "Gross_Premium")

ggplot(report_total1, aes(reorder(Segment, Gross_Premium), Gross_Premium))+
  geom_col()+
  labs(y = "Premium Gross (in IDR)", x = "Segment", title = "Premium Production Per Segment", caption = "Source : Premium Production" )+
  coord_flip()+
   theme_minimal()

report_total2 <- subset(report,TRANSACTION_TYPE == "NEW")
head(report_total2)

##   NO_MONTH   MONTH SEGMENT              POLICYNO TRANSACTION_TYPE
## 1        1 January  Direct        11002011900022              NEW
## 2        1 January   Agent        11502011900001              NEW
## 3        1 January   Agent 11502011900001-000001              NEW
## 4        1 January   Agent 11502011900001-000002              NEW
## 5        1 January   Agent 11502011900001-000003              NEW
## 6        1 January   Agent 11502011900001-000004              NEW
##    INCEPTION     EXPIRY BOOKING_DATE USER_APPROVE_DATE TOC TOC_DESCRIPTION
## 1 12/14/2018 12/14/2019   01/09/2019        01/09/2019 201          PSAKBI
## 2 12/04/2018 12/27/2021   01/02/2019        01/02/2019 201          PSAKBI
## 3 12/04/2018 12/04/2020   01/02/2019        01/02/2019 201          PSAKBI
## 4 12/20/2018 12/20/2021   01/02/2019        01/02/2019 201          PSAKBI
## 5 12/26/2018 12/26/2021   01/02/2019        01/02/2019 201          PSAKBI
## 6 12/27/2018 12/27/2021   01/02/2019        01/02/2019 201          PSAKBI
##   TOC_GROUP TOC_GROUP_DESCRIPTION       TSI PREMIUM_GROSS DISCOUNT
## 1         2         Motor Vehicle 165750000       5347933 -1336983
## 2         2         Motor Vehicle         0             0        0
## 3         2         Motor Vehicle  37000000        207200        0
## 4         2         Motor Vehicle  65000000        637000        0
## 5         2         Motor Vehicle  78000000        764400        0
## 6         2         Motor Vehicle 104000000        582400        0
##   COMMISSION VAT  TAX POLICY_FEE STAMP_DUTY    VEHICLE_CATEGORY
## 1          0   0    0      44000       6000 Non Bus / Non Truck
## 2          0   0    0     120000          0                #N/A
## 3     -51800   0 1295          0          0 Non Bus / Non Truck
## 4    -159250   0 3981          0          0     Truck / Pick Up
## 5    -191100   0 4778          0          0     Truck / Pick Up
## 6    -145600   0 3640          0          0 Non Bus / Non Truck
##   VEHICLE_TYPE GROUP_MV INCEPTION_YEAR EXPIRY_YEAR PERIOD_COUNT
## 1        Sedan     MV 4           2018        2019          365
## 2         #N/A     MV 4           2018        2021         1119
## 3      Minibus     MV 4           2018        2020          731
## 4  Light Truck     MV 4           2018        2021         1096
## 5  Pick Up/Box     MV 4           2018        2021         1096
## 6      Minibus     MV 4           2018        2021         1096
##   PRODUCTION_YEAR_2019 POLICY_YEAR_2019_RATE POLICY_YEAR_2019
## 1                    0                     0                0
## 2                    0                     0                0
## 3                    0                     0                0
## 4                    0                     0                0
## 5                    0                     0                0
## 6                    0                     0                0
##   UNDERWRITING_YEAR_2019
## 1                      0
## 2                      0
## 3                      0
## 4                      0
## 5                      0
## 6                      0

Jumlah Polis Terbanyak

report_total2 <- report_total2 %>% 
  group_by(report_total2$SEGMENT) %>% 
  summarise(number =n()) %>% 
  ungroup()

colnames(report_total2) <- c("Segment", "Number_of_Policy")

ggplot(report_total2, aes(reorder(Segment, Number_of_Policy), Number_of_Policy))+
  geom_col()+
  labs(y = "Policy Production", x = "Segment", title = "Policy Production Per Segment", caption = "Source : Premium Production" )+ 
  coord_flip()+
   theme_minimal()

Analisa Sementara

Jika dilihat dari hasil Exploratory Data Analysis secara singkat bahwa produksi premi yang dihasilkan terbesar dari segment Leasing dan juga berbanding lurus dengan polis yang di terbitkan. Jika hal dilihat dari data report awal bahwa produksi dari segment leasing banyak memliki periode polis lebih dari satu tahun, maka dari itu jika ingin melakukan prediksi premi tahunan kita harus breakdown premi tersebut menjadi tahunan.

To Be Continued…