<?xml version="1.0" encoding="UTF-8"?>
<article article-type="research-article" dtd-version="1.3" xml:lang="ru" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:noNamespaceSchemaLocation="https://metafora.rcsi.science/xsd_files/journal3.xsd">
  <front>
    <journal-meta>
      <journal-id journal-id-type="publisher-id">moitvivt</journal-id>
      <journal-title-group>
        <journal-title xml:lang="ru">Моделирование, оптимизация и информационные технологии</journal-title>
        <trans-title-group xml:lang="en">
          <trans-title>Modeling, Optimization and Information Technology</trans-title>
        </trans-title-group>
      </journal-title-group>
      <issn pub-type="epub">2310-6018</issn>
      <publisher>
        <publisher-name>Издательство</publisher-name>
      </publisher>
    </journal-meta>
    <article-meta>
      <article-id pub-id-type="doi">10.26102/2310-6018/2026.62.11.010</article-id>
      <article-id pub-id-type="custom" custom-type="elpub">2665</article-id>
      <title-group>
        <article-title xml:lang="ru">Поддержка принятия решений в прогнозно-аналитической страховой системе</article-title>
        <trans-title-group xml:lang="en">
          <trans-title>Decision support in a predictive-analytic insurance system</trans-title>
        </trans-title-group>
      </title-group>
      <contrib-group>
        <contrib contrib-type="author">
          <contrib-id contrib-id-type="orcid">0000-0002-8926-3151</contrib-id>
          <name-alternatives>
            <name name-style="eastern" xml:lang="ru">
              <surname>Калач</surname>
              <given-names>Андрей Владимирович</given-names>
            </name>
            <name name-style="western" xml:lang="en">
              <surname>Kalach</surname>
              <given-names>Andrey Vladimirovich</given-names>
            </name>
          </name-alternatives>
          <email>a_kalach@mail.ru</email>
          <xref ref-type="aff">aff-1</xref>
        </contrib>
        <contrib contrib-type="author">
          <contrib-id contrib-id-type="orcid">0000-0001-9236-9654</contrib-id>
          <name-alternatives>
            <name name-style="eastern" xml:lang="ru">
              <surname>Матыцина</surname>
              <given-names>Ирина Александровна</given-names>
            </name>
            <name name-style="western" xml:lang="en">
              <surname>Matytsina</surname>
              <given-names>Irina Aleksandrovna</given-names>
            </name>
          </name-alternatives>
          <email>irina210390@mail.ru</email>
          <xref ref-type="aff">aff-2</xref>
        </contrib>
        <contrib contrib-type="author">
          <contrib-id contrib-id-type="orcid">0000-0003-0582-3009</contrib-id>
          <name-alternatives>
            <name name-style="eastern" xml:lang="ru">
              <surname>Золотарев</surname>
              <given-names>Юрий Николаевич</given-names>
            </name>
            <name name-style="western" xml:lang="en">
              <surname>Zolotaryov</surname>
              <given-names>Yuri Vladimirovich</given-names>
            </name>
          </name-alternatives>
          <email>yu_zol@mail.ru</email>
          <xref ref-type="aff">aff-3</xref>
        </contrib>
        <contrib contrib-type="author">
          <contrib-id contrib-id-type="orcid">0000-0002-5023-0993</contrib-id>
          <name-alternatives>
            <name name-style="eastern" xml:lang="ru">
              <surname>Здольник</surname>
              <given-names>Владимир Вячеславович</given-names>
            </name>
            <name name-style="western" xml:lang="en">
              <surname>Zdolnik</surname>
              <given-names>Vladimir Vyacheslavovich</given-names>
            </name>
          </name-alternatives>
          <email>mano1000@yandex.ru</email>
          <xref ref-type="aff">aff-4</xref>
        </contrib>
      </contrib-group>
      <aff-alternatives id="aff-1">
        <aff xml:lang="ru">Воронежский институт ФСИН России</aff>
        <aff xml:lang="en">Voronezh Institute of the Federal Penitentiary Service of Russia</aff>
      </aff-alternatives>
      <aff-alternatives id="aff-2">
        <aff xml:lang="ru">Воронежский институт ФСИН России</aff>
        <aff xml:lang="en">Voronezh Institute of the Federal Penitentiary Service of Russia</aff>
      </aff-alternatives>
      <aff-alternatives id="aff-3">
        <aff xml:lang="ru">Воронежский институт ФСИН России</aff>
        <aff xml:lang="en">Voronezh Institute of the Federal Penitentiary Service of Russia</aff>
      </aff-alternatives>
      <aff-alternatives id="aff-4">
        <aff xml:lang="ru">МИРЭА – Российский технологический университет</aff>
        <aff xml:lang="en">MIREA – Russian Technological University</aff>
      </aff-alternatives>
      <pub-date pub-type="epub">
        <day>01</day>
        <month>01</month>
        <year>2026</year>
      </pub-date>
      <volume>1</volume>
      <issue>1</issue>
      <elocation-id>10.26102/2310-6018/2026.62.11.010</elocation-id>
      <permissions>
        <copyright-statement>Copyright © Авторы, 2026</copyright-statement>
        <copyright-year>2026</copyright-year>
        <license license-type="creative-commons-attribution" xlink:href="https://creativecommons.org/licenses/by/4.0/">
          <license-p>This work is licensed under a Creative Commons Attribution 4.0 International License</license-p>
        </license>
      </permissions>
      <self-uri xlink:href="https://moitvivt.ru/ru/journal/article?id=2665"/>
      <abstract xml:lang="ru">
        <p>В статье рассматриваются особенности разработки прогнозно-аналитической системы для оценки страховых рисков. Традиционные методы систем оценки рисков и надежности потенциальных клиентов часто не справляются с точностью расчетов. Существующие исследования опираются на небольшие или синтетические наборы данных, что приводит к получению существенно завышенных результатов. В статье представлено описание особенностей использования больших анонимизированных массивов данных в прогнозно-аналитической страховой системе для повышения точности предсказания убытков без увеличения операционных расходов. Цель исследования – повышение эффективности оценки страховых случаев за счет внедрения системы прогнозирования убытков без увеличения операционных расходов. Для достижения поставленной цели была предложена архитектура системы поддержки принятия решений на основе прогнозной аналитики в страховании, включающая семь слоев: от безопасной загрузки сырых данных до финального модуля интерпретации результатов. Безопасность данных обеспечивали путем шифрования по протоколу SHA-256 и использования необратимых хеш-функций, что исключает восстановление исходной персональной информации при утечке. В основе математического аппарата больших анонимизированных массивов данных в прогнозно-аналитической страховой системе находились ансамблевые методы машинного обучения. Для сглаживания весов признаков использовали Ridge-регрессию и для решения задач классификации, регрессии и ранжирования данных применяли XGBoost.</p>
      </abstract>
      <trans-abstract xml:lang="en">
        <p>This article examines the development of a predictive-analytical system for assessing insurance risks. Traditional methods for assessing risk and the reliability of potential clients often fail to ensure calculation accuracy. Existing studies rely on small or synthetic datasets, leading to significantly inflated results. The article describes the use of large anonymized datasets within an insurance predictive-analytical system to improve loss prediction accuracy without increasing operational costs. The study aims to enhance the efficiency of insurance claim assessment by implementing a loss forecasting system that does not raise operational expenses. To achieve this, the authors proposed a decision-support system architecture based on predictive analytics for insurance, comprising seven layers – ranging from the secure ingestion of raw data to the final results interpretation module. Data security was ensured through SHA-256 encryption and the use of irreversible hash functions, which preclude the recovery of original personal information in the event of a data breach. Ensemble machine learning methods formed the mathematical foundation for processing large anonymized datasets within the system. Ridge regression was employed to smooth feature weights, while XGBoost was used to address data classification, regression, and ranking tasks.</p>
      </trans-abstract>
      <kwd-group xml:lang="ru">
        <kwd>прогнозная аналитика</kwd>
        <kwd>ансамблевые методы машинного обучения</kwd>
        <kwd>принятие решений</kwd>
        <kwd>оценка страховых рисков</kwd>
        <kwd>прогнозирование убытков</kwd>
      </kwd-group>
      <kwd-group xml:lang="en">
        <kwd>predictive analytics</kwd>
        <kwd>ensemble machine learning methods</kwd>
        <kwd>decision making</kwd>
        <kwd>insurance risk assessment</kwd>
        <kwd>loss forecasting</kwd>
      </kwd-group>
      <funding-group>
        <funding-statement xml:lang="ru">Исследование выполнено без спонсорской поддержки.</funding-statement>
        <funding-statement xml:lang="en">The study was performed without external funding.</funding-statement>
      </funding-group>
    </article-meta>
  </front>
  <back>
    <ref-list>
      <title>References</title>
      <ref id="cit1">
        <label>1</label>
        <mixed-citation xml:lang="ru">Acciarini Ch., Cappa F., Boccardelli P., Oriani R. How can organizations leverage big data to innovate their business models? A systematic literature review. Technovation. 2023;123:102713. https://doi.org/10.1016/j.technovation.2023.102713</mixed-citation>
      </ref>
      <ref id="cit2">
        <label>2</label>
        <mixed-citation xml:lang="ru">Dwivedi Y.K., Sharma A., Rana N.P., Giannakis M., Goel P., Dutot V. Evolution of artificial intelligence research in Technological Forecasting and Social Change: Research topics, trends, and future directions. Technological Forecasting and Social Change. 2023;192:122579. https://doi.org/10.1016/j.techfore.2023.122579</mixed-citation>
      </ref>
      <ref id="cit3">
        <label>3</label>
        <mixed-citation xml:lang="ru">Jaiswal R., Gupta Sh., Tiwari A.K. Big data and machine learning-based decision support system to reshape the vaticination of insurance claims. Technological Forecasting and Social Change. 2024;209:123829. https://doi.org/10.1016/j.techfore.2024.123829</mixed-citation>
      </ref>
      <ref id="cit4">
        <label>4</label>
        <mixed-citation xml:lang="ru">Каширская Л.В., Тургаева А.А. Внутренний контроль в страховых компаниях. Легко и надежно. Москва: Русайнс; 2021. 355 с.</mixed-citation>
      </ref>
      <ref id="cit5">
        <label>5</label>
        <mixed-citation xml:lang="ru">Chen T., Guestrin C. XGBoost: A scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD 2016), 13–17 August 2016, San Francisco, CA, USA. New York: ACM; 2016. P. 785–794. https://doi.org/10.1145/2939672.2939785</mixed-citation>
      </ref>
      <ref id="cit6">
        <label>6</label>
        <mixed-citation xml:lang="ru">Овсянников А.В., Барашко О.Г. Оценка эффективности программных математических средств технической поддержки принятия решений. В сборнике: Организационно-техническое управление в межотраслевых комплексах: Материалы Международной научно-технической конференции, 28–29 октября 2004 года, Минск, Беларусь. Минск: Белорусский государственный технологический университет; 2004. С. 244–245.</mixed-citation>
      </ref>
      <ref id="cit7">
        <label>7</label>
        <mixed-citation xml:lang="ru">Зиатдинова З.Л. Математика страхования: расчет страховых взносов. В сборнике: Проблемы развития малого и среднего бизнеса в сельском хозяйстве в условиях цифровой экономики: Материалы III Международной научно-практической конференции: Том 2, 20–21 мая 2025 года, Казань, Россия. Казань: Казанский государственный аграрный университет; 2025. С. 98–103.</mixed-citation>
      </ref>
      <ref id="cit8">
        <label>8</label>
        <mixed-citation xml:lang="ru">Кондрашов А.А., Курашов М.М., Лоскутова Е.Е. Использование данных медицинских информационных систем для разработки персонализированных продуктов лекарственного страхования: моделирование архитектурной концепции. Вестник Смоленской государственной медицинской академии. 2025;24(1):253–261. https://doi.org/10.37903/vsgma.2025.1.36</mixed-citation>
      </ref>
      <ref id="cit9">
        <label>9</label>
        <mixed-citation xml:lang="ru">Степанова М.Н., Гавриленко Ж.А. Оценка средств поддержки принятия решений, связанных с формированием обоснованного страхового портфеля домохозяйств. Журнал прикладных исследований. 2023;(11):49–54.</mixed-citation>
      </ref>
      <ref id="cit10">
        <label>10</label>
        <mixed-citation xml:lang="ru">Кувайскова Ю.Е. Применение ансамблевых методов машинного обучения для прогнозирования технического состояния объекта. Известия Самарского научного центра РАН. 2021;23(1):111–114. https://doi.org/10.37313/1990-5378-2021-23-1-111-114</mixed-citation>
      </ref>
      <ref id="cit11">
        <label>11</label>
        <mixed-citation xml:lang="ru">Марнадзе Е.И. Цифровизация андеррайтинга: обзор скоринговых систем и методов машинного обучения в личном страховании. Индустриальная экономика. 2025;(S2):125–132. https://doi.org/10.47576/2949-1886.2025.9.9.019</mixed-citation>
      </ref>
    </ref-list>
    <fn-group>
      <fn fn-type="conflict">
        <p>The authors declare that there are no conflicts of interest present.</p>
      </fn>
    </fn-group>
  </back>
</article>