English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Objective – The objective of this paper is to test the validity of using ‘bonus-malus’ (BM) levels to classify policyholders satisfactorily.Design/methodology/approach – In order to achieve the proposed objective and to show empirical evidence, an artificial intelligence method, Rough Set theory, has been employed.Findings – The empirical evidence shows that common risk factors employed by insurance companies are good explanatory variables for classifying car policyholders’ policies. In addition, the BM level variable slightly increases the explanatory power of the a priori risks factors.Practical implications – To increase the prediction capacity of BM level, psychological questionnaires could be used to measure policyholders’ hidden characteristics.Contributions – The main contribution is that the methodology used to carry out research, the Rough Set Theory, has not been applied to this problem. Objetivo – o objetivo deste trabalho é testar a validade do uso de níveis “bonus-malus” (BM) para classificar satisfatoriamente os segurados.Método – A fim de alcançar o objetivo proposto e mostrar a evidência empírica, um método de inteligência artificial, a teoria de Rough Set, foi aplicado.Resultados – A evidência empírica mostra que os fatores de risco comuns empregados pela companhia de seguros são boas variáveis explicativas para classificar políticas dos segurados. Além disso, a variável do nível de BM aumenta ligeiramente o poder explicativo dos fatores de risco a priori.Implicações práticas – Para aumentar a capacidade de previsão do nível de BM, questionários psicológicos poderiam ser usados para medir as características ocultas dos segurados.Contribuições – A principal contribuição é que a metodologia utilizada para realizar a pesquisa, teoria de Rough Set, não foi ainda aplicada a esse problema.Objetivo – o objetivo deste trabalho é testar a validade do uso de níveis “bonus-malus” (BM) para classificar satisfatoriamente os segurados.Método – A fim de alcançar o objetivo proposto e mostrar a evidência empírica, um método de inteligência artificial, a teoria de Rough Set, foi aplicado.Resultados – A evidência empírica mostra que os fatores de risco comuns empregados pela companhia de seguros são boas variáveis explicativas para classificar políticas dos segurados. Além disso, a variável do nível de BM aumenta ligeiramente o poder explicativo dos fatores de risco a priori.Implicações práticas – Para aumentar a capacidade de previsão do nível de BM, questionários psicológicos poderiam ser usados para medir as características ocultas dos segurados.Contribuições – A principal contribuição é que a metodologia utilizada para realizar a pesquisa, teoria de Rough Set, não foi ainda aplicada a esse problema.

Risk factors selection in automobile insurance policies: a way to improve the bottom line of insurance companies