Хранилище данных и ML-тарификация

Задача и контекст

Расчёт тарифа держался на таблицах и экспертных допущениях: историю изменений не восстановить, вклад факторов в цену не проверить, справедливость тарифа никем не измерялась. Обезличенный кейс: заказчик, объёмы и коммерческие детали не раскрываются.

Как было

У каждой оценки не было ни модели, ни версии: объяснить, почему тариф изменился, можно было только пересказом допущений. Проверить модель на данных до внедрения было нечем.

Что сделано

Собрана витрина для обучения: сначала проверка доступности и качества источников, затем проектирование и сборка признаков по договорам и убыткам. Поверх — ожидаемый убыток как произведение двух моделей на каждый риск: частоты (ДТП и ДТЛ отдельно) и тяжести. Скоринговый вектор фиксирует признаки, доступные в момент продажи, и версионируется вместе с моделью. Расчёт работает в двух режимах — пакетный пересчёт по расписанию и единичный запрос в реальном времени. Для второго продукта — модель эластичности спроса по цене, со смещением наблюдаемых данных, названным явно.

Результат в числах

У каждой оценки есть модель, версия скорингового вектора и дата. Методика оценки эффекта согласуется до внедрения, калибровка проверяется отдельно от разделяющей способности.

Ограничения

Публичных чисел нет: клиент, объёмы и коммерческие детали не раскрываются. Модель не заменяет актуарное решение — она даёт расчёт, который можно проверить и воспроизвести.

Что дальше

Следующий шаг — мониторинг дрейфа и регламент пересборки: модель без проверки на новых данных устаревает молча.