業務目標
保險公司為降低虧損風險，希望不只利用過去資料預測個人之醫療費用，甚至能預測未來投保人的總體醫療費用，而透過預測模型每個輸入變數皆代表著影響醫療費用的不確定因素，因此若能全盤掌握這些不確定因素，便能確實掌握理賠風險，精準擬定給付方案。
解決方案
透過 SPSS Statistics 蒙地卡羅模擬方法，不僅可利用歷史資料建立預測醫療花費之模型，甚至可模擬各種不確定性的輸入變數，代入預測模型計算並建立總體醫療費用，便能全盤掌握所有可能的醫療花費情況。
- 利用歷史資料建立預測模型，確立影響糖尿病醫療費用之輸入變數。
- 將各個輸入變數配適於適合之機率分配（透過 SPSS Statistics 蒙地卡羅模擬方法，可輕鬆將變數配適符合之機率分配，如下圖）。
- 透過配適的機率分配，隨機生成輸入變數值。
- 將隨機生成的輸入變數值，代入建立之預測模型計算出醫療費用。
- 反覆隨機生成輸入變數值(步驟3~4，通常反覆執行上千、萬次），可大量生成各種情況之醫療費用及其發生機率，形成機率分布函數。
- 經過配適機率分配後，模擬隨機生成觀察值：共19,153筆
應用效果
蒙地卡羅模擬方法，大量模擬生成各種不確定性的輸入變數（age、glucose、income），並透過模型計算出醫療費用（cost）。
- 透過模擬數據得到總體醫療費用，便能透過資料確實掌握醫療花費的資訊
透過機率密度函數不僅能處理點估計 – 總體醫療花費之平均值，甚至是總體醫療費用之機率分配情況，因此我們能得知總體投保人在醫療花費的最高或最低門檻（例如：95%投保人其醫療花費之最高門檻為22,866元），掌握完整的理賠給付資訊，做好理賠風險之評估。