دانشمند دادهٔ اکچوئری
Actuarial Data Scientist
دانشمند دادهٔ اکچوئری با آمار و یادگیری ماشین مدل‌هایی می‌سازد که شرکت بیمه با آن‌ها نرخ بیمه را تعیین می‌کند، خسارت آینده را پیش‌بینی می‌کند و سودآوری پرتفوی را می‌سنجد. این کار ترکیبی از علم داده و حرفهٔ اکچوئری (بیم‌سنجی) است و بسیاری از کارفرماها در کنار Python و SQL، مدرک یا پیشرفت در آزمون‌های اکچوئری را هم می‌خواهند. عنوان «AI Actuary» در آگهی‌های استخدام تقریباً به کار نمی‌رود؛ بازار همین کار را با عنوان Actuarial Data Scientist استخدام می‌کند.
مقدمه و تعریف شغل
دانشمند دادهٔ اکچوئری (Actuarial Data Scientist) با آمار و یادگیری ماشین به پرسش‌های اصلی یک شرکت بیمه پاسخ می‌دهد: هر بیمه‌نامه چقدر خسارت خواهد داشت، نرخ بیمه باید چقدر باشد، تغییر نرخ چه اثری بر خرید و تمدید دارد و برای خسارت‌های آینده چقدر ذخیره لازم است. این نقش میان دو حرفه قرار دارد. از علم داده Python، SQL و مدل‌های یادگیری ماشین را می‌گیرد و از حرفهٔ اکچوئری (بیم‌سنجی) مفاهیمی مثل exposure، توسعهٔ خسارت (loss development)، credibility و قواعد نرخ‌گذاری را. در آگهی‌های ۲۰۲۶ کار اصلی ساخت مدل‌های قیمت‌گذاری و خسارت و بردن آن‌ها تا تصمیم واقعی است و بسیاری از کارفرماها مدرک یا پیشرفت در آزمون‌های SOA، CAS یا IFoA را هم می‌خواهند.
BLS آمریکا کار اکچوئرها را چنین خلاصه می‌کند: توسعه، قیمت‌گذاری و ارزیابی محصولات بیمه و محاسبهٔ هزینهٔ ریسک‌های تازه. آنچه در سال‌های اخیر عوض شده ابزار این کار است و انجمن‌های اکچوئری علم داده را وارد خود مدرک کرده‌اند: SOA برای مدرک ASA آزمون Predictive Analytics و ارزیابی Advanced Topics in Predictive Analytics را می‌خواهد، CAS برای ACAS آزمون و پروژهٔ Property and Casualty Predictive Analytics (PCPA) را، و درس CS2 در IFoA مقدمه‌ای بر یادگیری ماشین دارد. در آگهی‌ها هم این دو دنیا کنار هم‌اند: Fetch می‌نویسد وقت این نقش تقریباً نصف‌نصف میان مدل‌سازی و کار سنتی قیمت‌گذاری اکچوئری تقسیم می‌شود. عنوان «AI Actuary» در آگهی‌های استخدام تقریباً به کار نمی‌رود؛ کارفرماها همین کار را با عنوان‌هایی مثل Actuarial Data Scientist یا Data Scientist, Actuarial استخدام می‌کنند. همهٔ آگهی‌های بررسی‌شده برای این صفحه از آمریکا بودند.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک دانشمند دادهٔ اکچوئری
مدل خسارت به تفکیک نوع خطر
در آگهی Hippo، دانشمند دادهٔ اکچوئری مسئول طراحی و بازسازی سالانهٔ مدل‌های خسارت بیمهٔ خانه به تفکیک نوع خطر (by-peril) است؛ مدل‌هایی برای فراوانی و شدت خسارت که مبنای قیمت‌گذاری‌اند.
منحنی کشش قیمت و مدل تمدید
Fetch می‌خواهد منحنی کشش قیمت ساخته شود تا معلوم شود تغییر نرخ چه اثری بر تمدید و خرید بیمه‌نامه و بر ارزش طول عمر مشتری دارد.
ابزار پایش طرح نرخ
در همان آگهی Fetch، ابزارهایی برای پایش عملکرد طرح‌های نرخ در طول زمان خواسته شده است: loss ratio، نرخ تبدیل، ریزش مشتری و ارزش طول عمر.
مدل قیمت‌گذاری بیمهٔ تجاری با pipeline ویژگی
Shepherd مدل‌های loss cost بیمهٔ خودروی تجاری را می‌سازد و pipelineهایی که دادهٔ خام درخواست بیمه، خسارت و منابع بیرونی را به ورودی مدل تبدیل می‌کنند؛ همراه با پایش drift و کالیبراسیون.
جدول‌های هزینهٔ درمان برای بیمه‌گرهای سلامت
Sprinter Health مدل‌های هزینهٔ کل درمان، PMPM (هزینه به ازای هر عضو در ماه) و MLR می‌خواهد و خروجی‌هایی که اکچوئرهای بیمه‌گر بتوانند مستقیم در قیمت‌گذاری، ذخیره‌گیری و پیشنهاد قیمت خود به کار ببرند.
پرونده‌های نرخ برای نهاد ناظر
در آمریکا نرخ بیمه باید نزد نهاد ناظر ایالتی ثبت شود. Fetch پشتیبانی از پرونده‌های نرخ و پاسخ به ایرادهای نهاد ناظر را جزو وظایف آورده و Shepherd از تحلیلگر خود کمک به ساخت طرح‌های نرخ برای ثبت نزد ادارات بیمهٔ ایالتی را می‌خواهد.
تخصص‌های مختلف دانشمند دادهٔ اکچوئری
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
قیمت‌گذاری و مدل‌سازی خسارت
Pricing & Loss Cost Modeling
ساخت مدل‌های فراوانی و شدت خسارت و فاکتورهای نرخ در بیمه‌های اموال و مسئولیت؛ هستهٔ آگهی‌های Hippo (بیمهٔ خانه) و Shepherd (خودروی تجاری).
مدل‌سازی تقاضا، تبدیل و تمدید
Demand, Conversion & Retention
کشش قیمت، احتمال خرید و تمدید و ارزش طول عمر مشتری؛ Fetch و Hippo هر دو این مدل‌ها را در کنار مدل خسارت می‌خواهند تا تصمیم قیمت کامل شود.
سلامت و اقتصاد درمان
Health & Medical Economics
مدل‌های هزینهٔ کل درمان، PMPM و MLR از روی دادهٔ پرونده‌های درمانی؛ آگهی Sprinter Health نمونهٔ آن است و Fetch مدرک ASA را برای کسانی که در بیمهٔ سلامت کار می‌کنند می‌پذیرد.
ذخیره‌گیری، پیش‌بینی و مطالعات تجربه
Reserving, Forecasting & Experience Studies
برآورد ذخیرهٔ خسارت‌های آینده، پیش‌بینی مالی و مقایسهٔ تجربهٔ واقعی با فرض‌ها؛ Mutual of Omaha ذخیره‌گیری و مطالعات تجربه را جزو وظایف این نقش آورده است.
یادگیری عمیق و AI در اکچوئری
Actuarial Deep Learning & AI
تطبیق شبکه‌های عصبی با نیازهای حرفه: تفسیرپذیری، قیمت‌گذاری بدون تبعیض و سازگاری با روش‌های کلاسیک؛ پژوهش‌های Mario Wüthrich و Ronald Richman و کار شرکت مشاوره‌ای insureAI در این دسته‌اند.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
دانشمند داده در هر صنعتی با داده و مدل به پرسش‌های کسب‌وکار پاسخ می‌دهد. دانشمند دادهٔ اکچوئری همین مهارت‌ها را روی ریسک بیمه به کار می‌برد و باید مفاهیم اکچوئری را هم بداند: Shepherd آشنایی با loss development، exposure rating و credibility را شرط گذاشته و Fetch کار روی پرونده‌های نرخ و پاسخ به نهاد ناظر را. مرز باز است: Mutual of Omaha سطح‌های این نقش را Data Scientist، Senior Data Scientist و Principal Data Scientist نامیده و Sprinter Health عنوان Data Scientist, Actuarial را به کار برده است. برای دانشمند داده‌ای که می‌خواهد وارد بیمه شود، این نزدیک‌ترین مسیر است.
عنوان اکچوئر معمولاً با مدرک یک انجمن اکچوئری گره خورده و دامنهٔ کار گسترده‌تر است؛ مدرک ACAS در CAS، علاوه بر نرخ‌گذاری و برآورد ذخیره، آزمون Regulation and Financial Reporting را هم شامل می‌شود. دانشمند دادهٔ اکچوئری بیشتر روی ساخت و استقرار مدل تمرکز دارد. در عمل دو نقش هم‌پوشانی زیادی دارند: Fetch می‌نویسد وقت این نقش نصف‌نصف میان مدل‌سازی و کار سنتی قیمت‌گذاری می‌گذرد و آگهی Lead Actuary در ERGO NEXT، که FCAS را ترجیح می‌دهد، از اکچوئر می‌خواهد مدل‌های پیش‌بینی را در Akur8 بسازد.
دانشمند دادهٔ اکچوئری در خط اول، مدل قیمت یا خسارت را می‌سازد و مالک آن است؛ اعتبارسنج مدل در خط دوم، مستقل از سازنده، همان مدل را به چالش می‌کشد. سازنده هم باید مدلش را بیازماید: Hippo «تکنیک‌های اعتبارسنجی مدل» و آزمون و بازتولیدپذیری در pipeline را می‌خواهد، اما این بخشی از ساختن است، نه بازبینی مستقل. تحلیلگر ریسک AI هم کار دیگری می‌کند: ریسک و حاکمیت کاربردهای AI را در سطح کل سازمان می‌سنجد، نه دقت یک مدل بیمه را.
پژوهشگر کمّی با دادهٔ بازارهای مالی کار می‌کند و نتیجهٔ کارش با سود و زیان معاملات سنجیده می‌شود. دانشمند دادهٔ اکچوئری با دادهٔ بیمه‌نامه و خسارت کار می‌کند و Shepherd اثر مدل را با loss ratio، دقت قیمت و کیفیت پرتفوی می‌سنجد؛ نرخی هم که می‌سازد باید نزد نهاد ناظر ثبت و از آن دفاع شود. ابزار آماری دو نقش نزدیک است، اما مسیر مدرک فرق دارد: در آگهی‌های این صفحه کارفرماها مدرک‌های اکچوئری مثل ACAS و ASA را نام می‌برند.
تأثیر در صنایع مختلف
دانشمند دادهٔ اکچوئری در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
بیمهٔ خانه
Hippo مدل‌های خسارت بیمهٔ خانه را به تفکیک نوع خطر می‌سازد و تجربه با مدل‌سازی فاجعه، دادهٔ مکانی یا دادهٔ ریسک اقلیمی را امتیاز می‌داند
بیمهٔ حیوانات خانگی
Fetch قیمت‌گذاری را روی پایگاه‌دادهٔ صورت‌حساب‌های دامپزشکی در سطح تک‌تک اقلام انجام می‌دهد و پوشش‌های تازه را قیمت‌گذاری می‌کند
بیمهٔ تجاری، ساختمان و انرژی
Shepherd مدل‌های قیمت بیمهٔ خودروی تجاری را می‌سازد و به گفتهٔ آگهی، روی ایجنت‌های AI برای کارهای پیچیده‌تر پذیره‌نویسی هم کار می‌کند
بیمهٔ کسب‌وکارهای کوچک
ERGO NEXT از اکچوئر ارشد خود ساخت مدل‌های پیش‌بینی در Akur8، پیش‌بینی loss ratio و همکاری با تیم‌های علم داده و مهندسی داده را می‌خواهد
سلامت و بیمه‌گرهای درمان
Sprinter Health با مدل‌های اکچوئری نشان می‌دهد خدمات درمانی در خانه چه اثری بر هزینهٔ بیمه‌گرهای سلامت در چند سال دارد
شرکت‌های بیمهٔ بزرگ
Mutual of Omaha از این نقش برای قیمت‌گذاری، ذخیره‌گیری، پذیره‌نویسی، مدیریت ریسک و پیش‌بینی، و برای گزارش‌های مالی و نظارتی کمک می‌خواهد
مشاورهٔ اکچوئری مبتنی بر AI
طبق FA News، شرکت insureAI در آفریقای جنوبی، که می‌گوید یادگیری ماشین و یادگیری عمیق را وارد کار رایج اکچوئری می‌کند، نخستین شرکت آن کشور با اعتبارنامهٔ تضمین کیفیت (QAS) از IFoA است
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
بدون گذراندن همهٔ آزمون‌های اکچوئری نمی‌شود وارد این کار شد
بستگی به کارفرما دارد. Fetch مدرک ACAS (یا ASA در بیمهٔ سلامت) را شرط گذاشته و Shepherd برای نقش Lead مدرک ACAS یا FCAS را. اما Hippo مدرک ACAS/FCAS را فقط امتیاز می‌داند، Sprinter Health می‌نویسد مدرک اکچوئری «خوشایند است اما الزامی نیست» و آگهی Mutual of Omaha مدرکی نمی‌خواهد. در هر حال پیشرفت در آزمون‌ها امتیاز است و برای رسیدن به نقش‌های ارشد اهمیت بیشتری پیدا می‌کند.
آزمون‌های اکچوئری یکی دو سال طول می‌کشند
BLS آمریکا می‌نویسد رسیدن به سطح Associate ممکن است تا ۷ سال طول بکشد و رسیدن به Fellow معمولاً چند سال دیگر. در IFoA برای Associate، علاوه بر ۱۰ درس، دست‌کم ۲۴ ماه تجربهٔ کاری ثبت‌شده (PPD) لازم است و آزمون‌ها فقط دو بار در سال، در آوریل و سپتامبر، برگزار می‌شوند. این مسیر معمولاً هم‌زمان با کار طی می‌شود، نه پیش از آن.
یادگیری عمیق جای GLM را گرفته است
آگهی‌های ۲۰۲۶ هنوز GLM را در مرکز کار می‌گذارند: Fetch دانش پیشرفتهٔ GLM را الزامی می‌داند و Hippo GLM را کنار XGBoost و LightGBM می‌خواهد. CAS هم Monograph خود دربارهٔ GLM برای نرخ‌گذاری را در ۲۰۲۵ بازبینی کرده است. پژوهش‌هایی مثل LocalGLMnet از Wüthrich و Richman شبکهٔ عصبی را طوری می‌سازند که مثل GLM قابل تفسیر بماند.
این همان علم دادهٔ عمومی است و دانش بیمه لازم نیست
Shepherd آشنایی با loss development، exposure rating و credibility را شرط گذاشته و Fetch پشتیبانی از پرونده‌های نرخ و پاسخ به ایرادهای نهاد ناظر را جزو وظایف آورده است. Hippo هم «دانش اصول اکچوئری در قیمت‌گذاری بیمه» را می‌خواهد. مدل باید علاوه بر دقیق بودن، در برابر نهاد ناظر و مدیران قابل دفاع باشد.
هوش مصنوعی به‌زودی اکچوئرها را حذف می‌کند
BLS پیش‌بینی می‌کند اشتغال اکچوئرها در آمریکا از ۲۰۲۵ تا ۲۰۳۵، ۹٪ رشد کند. Sally Ezra در نشریهٔ Contingencies می‌نویسد AI برخی کارها را تغییر می‌دهد یا حذف می‌کند و ممکن است نقش‌های سطح جونیور کمتر شود، اما همچنان چشم‌انداز اشتغال اکچوئرها را قوی می‌داند. آگهی‌ها هم کار با AI را بخشی از شغل می‌بینند؛ Shepherd از نامزد می‌خواهد همین حالا از LLM و ابزارهای AI در کارش استفاده کند.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر وقت صرف آماده‌سازی و کنترل داده، گزارش‌های دوره‌ای و کمک به پروژه‌های نرخ‌گذاری می‌شود. هم‌زمان برای آزمون‌ها درس می‌خوانید؛ IFoA می‌نویسد بسیاری از کارفرماها از مطالعهٔ کارکنان پشتیبانی می‌کنند و هزینهٔ آزمون‌ها را می‌پردازند.
- ◆نوشتن کوئری SQL برای ساختن دادهٔ مدل از جدول‌های بیمه‌نامه و خسارت
- ◆به‌روزرسانی گزارش loss ratio به تفکیک منطقه و خط بیمه
- ◆جمع‌آوری و مقایسهٔ پرونده‌های نرخ رقبا
- ◆مطالعه برای آزمون بعدی
میانی (۲–۵ سال)
مسئول یک مدل یا بخشی از طرح نرخ هستید و نتیجه را برای مدیر محصول و پذیره‌نویسان توضیح می‌دهید. بخشی از وقت صرف پاسخ دادن به پرسش‌ها و ایرادهای نهاد ناظر می‌شود.
- ◆ساخت یک فاکتور نرخ تازه با GLM و سنجیدن اثرش بر قیمت مشتریان فعلی
- ◆مقایسهٔ GLM با یک مدل درختی و تصمیم دربارهٔ اینکه کدام وارد طرح نرخ شود
- ◆تهیهٔ پاسخ به ایراد نهاد ناظر دربارهٔ یک پروندهٔ نرخ
- ◆ساخت داشبورد پایش نرخ تبدیل و تمدید
ارشد (۵+ سال)
مالک کامل مدل‌ها هستید، استاندارد فنی تعیین می‌کنید و با مهندسی و محصول برای استقرار و نگهداری مدل‌ها کار می‌کنید. هزینهٔ نگهداری هر مدل را هم باید در نظر بگیرید؛ Hippo صریحاً این را از نامزد می‌خواهد.
- ◆تعیین اولویت‌ها و استانداردهای فنی تیم مدل‌سازی
- ◆بازسازی سالانهٔ مدل‌های خسارت به تفکیک نوع خطر
- ◆طراحی چارچوب پایش drift و کالیبراسیون مدل‌ها
- ◆ارائهٔ نتایج به مدیران ارشد و دفاع از فرض‌های مدل
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈ساخت و نگهداری مدل‌های فراوانی و شدت خسارت (loss cost) برای قیمت‌گذاری بیمه
- ◈توسعهٔ فاکتورهای نرخ با GLM و آزمودن مدل‌های درختی مثل XGBoost و LightGBM
- ◈مدل‌سازی تقاضا: کشش قیمت، نرخ تبدیل و تمدید و ارزش طول عمر مشتری
- ◈ساخت pipeline داده و ویژگی از داده‌های بیمه‌نامه، خسارت و منابع بیرونی با SQL و Python
- ◈پایش عملکرد مدل‌ها و طرح‌های نرخ: loss ratio، drift و کالیبراسیون
- ◈پشتیبانی از ذخیره‌گیری، مطالعات تجربه و پیش‌بینی‌های مالی
- ◈پشتیبانی از پرونده‌های نرخ و پاسخ به ایرادهای نهاد ناظر
- ◈توضیح نتیجهٔ مدل برای محصول، پذیره‌نویسی و مدیران ارشد و تبدیل آن به توصیهٔ تجاری
- ◈تعیین اولویت‌ها و استانداردهای فنی تیم مدل‌سازی در سطح ارشد
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک دانشمند دادهٔ اکچوئری موفق به آن‌ها نیاز دارد
مهارت‌های فنی
pandas، scikit-learn و statsmodels (فهرست آگهی Hippo)؛ زبان اصلی در همهٔ آگهی‌های بررسی‌شده
Fetch «دانش پیشرفتهٔ SQL» را الزامی می‌داند و Shepherd SQL پیشرفته روی PostgreSQL را
زبان مشترک قیمت‌گذاری بیمه؛ Fetch دانش پیشرفتهٔ GLM را شرط گذاشته است
XGBoost و LightGBM (Hippo) یا GBDT (Shepherd) در کنار GLM
Shepherd توزیع‌های دم‌سنگین، سری زمانی و روش‌های بیزی را می‌خواهد
آزمون و بازتولیدپذیری (Hippo) و پایش drift، افت عملکرد و کالیبراسیون (Shepherd)
Shepherd تجربه با feature engineering روی دادهٔ واقعی، نامرتب و کم را شرط گذاشته است
Fetch «R و/یا Python» را می‌پذیرد و IFoA در آزمون‌های CS1 و CS2 از R استفاده می‌کند
Snowflake، Databricks و AWS (Hippo، Mutual of Omaha) و ابزار زمان‌بندی مثل Airflow
Mutual of Omaha تجربه با Git/GitHub و CI/CD را ترجیح می‌دهد
Fetch، Shepherd و Sprinter Health هر سه کار با ابزارهای AI مثل Claude، GitHub Copilot یا Cursor را می‌خواهند یا امتیاز می‌دانند
مهارت‌های نرم
Fetch می‌خواهد مفاهیم پیچیدهٔ اکچوئری برای مخاطب غیراکچوئر توضیح داده شود؛ Mutual of Omaha و Shepherd هم همین را خواسته‌اند
Hippo توانایی ساختن اعتماد با ذی‌نفعان در همهٔ سطوح را می‌خواهد
Hippo کسی را می‌خواهد که روشن ارتباط برقرار کند و کامل مستند کند
Shepherd توانایی استدلال از اصول اولیه و بیان روشن نتیجه را شرط گذاشته است
Sprinter Health می‌خواهد مرز میان اثری که می‌شود اثبات کرد و اثری که فقط ادعا می‌شود صادقانه گفته شود
دانش حوزه‌ای
rate indication، ثبت نرخ نزد نهاد ناظر و پاسخ به ایرادها (Fetch، Shepherd)
loss development، exposure rating و credibility (شرط آگهی Shepherd)
Hippo دانش کاری P&C در مدل‌سازی loss cost را شرط گذاشته است
MLR، risk adjustment و PMPM برای کسانی که در سلامت کار می‌کنند (Sprinter Health)
ACAS، FCAS یا ASA؛ در Fetch و Shepherd شرط و در Hippo و Sprinter Health امتیاز است
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به دانشمند دادهٔ اکچوئری
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایهٔ ریاضی و نخستین آزمون‌های اکچوئری
احتمال، آمار و ریاضیات مالی پایهٔ همهٔ مسیرهای اکچوئری‌اند. در SOA این‌ها آزمون‌های P (احتمال) و FM (ریاضیات مالی) هستند، CAS همین دو را Exam 1 و Exam 2 می‌نامد و در IFoA آمار در درس CS1 می‌آید. آگهی Actuarial Data Analyst شرکت Shepherd گذراندن آزمون‌هایی مثل P، FM، MAS-I و MAS-II را ترجیح می‌دهد، هرچند الزامی نمی‌داند؛ یعنی گذراندن یکی دو آزمون اول، حتی پیش از استخدام، نشان می‌دهد این مسیر را جدی گرفته‌اید.
برنامه‌نویسی و داده: Python، SQL و R
همهٔ آگهی‌های بررسی‌شده SQL می‌خواهند و بیشترشان Python؛ Fetch «R و/یا Python» را می‌پذیرد و IFoA در بخش عملی آزمون‌های CS1 و CS2 از R استفاده می‌کند. Hippo کتابخانه‌ها را هم نام برده است: pandas، scikit-learn و statsmodels. هدف این مرحله این است که بتوانید از جدول‌های بیمه‌نامه و خسارت، دادهٔ تمیز و آمادهٔ مدل بسازید.
مدل‌سازی قیمت‌گذاری: GLM و مدل‌های درختی
هستهٔ قیمت‌گذاری بیمه مدل‌های فراوانی (frequency) و شدت (severity) خسارت است. Fetch «دانش پیشرفتهٔ GLM» را الزامی می‌داند و Hippo علاوه بر GLM، regularization و مدل‌های درختی مثل XGBoost و LightGBM را می‌خواهد. Monograph شمارهٔ ۵ انجمن CAS راهنمای کامل ساخت طرح نرخ‌گذاری با GLM است و نسخهٔ دوم آن در ۲۰۲۵ بازبینی شده است. مثال‌های رسمی scikit-learn هم همین کار را روی دادهٔ واقعی بیمهٔ مسئولیت خودروی فرانسه (freMTPL2) نشان می‌دهند.
دانش اکچوئری: ذخیره‌گیری، نرخ‌گذاری و مقررات
آگهی Shepherd آشنایی با loss development، exposure rating و credibility را شرط گذاشته است. Fetch کار روی پرونده‌های نرخ (rate filing) و پاسخ به ایرادهای نهاد ناظر را جزو وظایف آورده و Mutual of Omaha ذخیره‌گیری و مطالعات تجربه (experience study) را. در CAS این مباحث در Exam 5 با عنوان Basic Ratemaking and Estimating Claim Liabilities آموزش داده می‌شوند. کتابخانهٔ chainladder-python، که با حمایت CAS نگهداری می‌شود، برای تمرین ذخیره‌گیری روی مثلث‌های نمونه مناسب است.
یادگیری عمیق، ابزارهای AI و ادامهٔ مسیر مدرک
پروژهٔ AI Tools for Actuaries، با نویسندگانی از جمله Mario Wüthrich و Ronald Richman، یادداشت‌های درسی رایگان همراه با notebookهای R و Python دارد؛ از GLM و شبکهٔ عصبی تا توضیح‌پذیری، مدل‌های زبانی بزرگ و یادگیری تقویتی. هم‌زمان مسیر مدرک را ادامه دهید: آزمون PA و ارزیابی ATPA در SOA، آزمون و پروژهٔ PCPA در CAS، یا اگر از علم داده آمده‌اید و مسیر کامل اکچوئری را نمی‌خواهید، مدرک CSPA از CAS Institute که مخصوص متخصصان تحلیل در بیمهٔ اموال و مسئولیت است.
منابع پیشنهادی
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
زبان‌ها و داده
زبان اصلی در همهٔ آگهی‌های بررسی‌شده؛ Hippo مشخصاً pandas، scikit-learn و statsmodels را می‌خواهد
ساختن دادهٔ مدل از جدول‌های بیمه‌نامه و خسارت؛ Fetch «دانش پیشرفتهٔ SQL» را الزامی می‌داند و Shepherd SQL پیشرفته روی PostgreSQL را
مدل‌سازی آماری و یادگیری ماشین
GLMهای Poisson و Tweedie و مدل‌های یادگیری ماشین؛ مثال‌های رسمی‌اش روی دادهٔ بیمهٔ خودرو (freMTPL2) ساخته شده‌اند
ابزارهای اکچوئری و بیمه
ذخیره‌گیری خسارت در Python: مثلث خسارت، link ratio و برآورد IBNR؛ با حمایت CAS نگهداری می‌شود
پلتفرم قیمت‌گذاری با یادگیری ماشین؛ آگهی Lead Actuary در ERGO NEXT ساخت مدل‌های پیش‌بینی در Akur8 را می‌خواهد
سامانهٔ ثبت پرونده‌های نرخ و فرم بیمه نزد نهادهای ناظر ایالتی آمریکا؛ Fetch تحقیق در پرونده‌های رقبا در SERFF را امتیاز می‌داند و Shepherd برای Actuarial Data Analyst آشنایی با آن را شرط گذاشته است
pipeline، همکاری و ابزارهای AI
زمان‌بندی و اجرای pipeline مدل؛ Hippo مدل‌ها را در pipeline مبتنی بر Airflow و Python اجرا می‌کند
دستیار کدنویسی AI؛ Fetch آمادگی کار با ابزارهایی مثل Claude، GitHub Copilot یا Gemini را می‌خواهد
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
تحلیلگر اکچوئری / کارآموز
۰ تا ۲ سال
کار زیر نظر اکچوئرهای ارشد: آماده‌سازی داده با SQL، گزارش loss ratio، کمک به پروژه‌های نرخ‌گذاری و هم‌زمان گذراندن آزمون‌های اول
تحلیلگر دادهٔ اکچوئری
۲ تا ۵ سال
~$125K
میانگین سالانه (آمریکا)
مسئولیت بخش‌های مشخص نرخ‌گذاری و پایش پرتفوی؛ آگهی Actuarial Data Analyst شرکت Shepherd همین سطح است: طرح نرخ برای ثبت نزد نهاد ناظر، تحلیل پرونده‌های رقبا در SERFF، تحلیل loss ratio و داشبورد
دانشمند دادهٔ اکچوئری
۵+ سال
~$155K
میانگین سالانه (آمریکا)
مالکیت مدل‌های قیمت‌گذاری یا خسارت از طراحی تا استقرار؛ آگهی‌های Fetch و Hippo هر دو دست‌کم ۵ سال تجربه می‌خواهند و Fetch مدرک ACAS را هم
سرپرست علم دادهٔ اکچوئری (Lead)
۷+ سال
~$220K
میانگین سالانه (آمریکا)
مالکیت کامل مدل‌های یک خط بیمه، تعیین استانداردهای فنی تیم و مدیریت یک تیم یا پروژهٔ کوچک؛ آگهی Shepherd برای این سطح ۷ سال تجربه و مدرک ACAS یا FCAS می‌خواهد
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
مسیر طولانی آزمون‌ها در کنار کار
عمومیBLS می‌نویسد رسیدن به سطح Associate ممکن است تا ۷ سال طول بکشد. IFoA آزمون‌ها را فقط دو بار در سال برگزار می‌کند و برای Associate دست‌کم ۲۴ ماه تجربهٔ کاری ثبت‌شده می‌خواهد. یعنی سال‌ها باید هم‌زمان کار کنید و درس بخوانید.
مدلی که باید قابل توضیح و قابل دفاع باشد
عمومینرخ بیمه باید نزد نهاد ناظر ثبت شود و Fetch پاسخ به ایرادهای نهاد ناظر را جزو وظایف آورده است. مدل دقیق‌تر اما غیرقابل توضیح ممکن است به کار نیاید. انصاف هم مطرح است؛ یکی از مقاله‌های برندهٔ جایزهٔ Wüthrich و همکارانش دربارهٔ قیمت‌گذاری بدون تبعیض است.
دادهٔ کم، نامرتب و دم‌سنگین
استارتاپخسارتهای بزرگ نادرند و دادهٔ بیمه‌های تجاری اغلب کم است. Shepherd صریحاً تجربهٔ مهندسی ویژگی روی دادهٔ واقعی، نامرتب و کم و آشنایی با توزیع‌های دم‌سنگین را می‌خواهد.
مرز میان اثبات و ادعا
استارتاپوقتی مدل باید اثر یک برنامه یا تغییر نرخ را نشان دهد، همبستگی کافی نیست. Sprinter Health می‌خواهد معیار سنجش طوری تعریف شود که معلوم شود مداخله واقعاً هزینه را تغییر داده است، و مرز میان ارزشی که می‌شود اثبات کرد و ارزشی که فقط ادعا می‌شود صادقانه گفته شود.
هزینهٔ نگهداری مدل‌ها
شرکت بزرگمدل قیمت یک بار ساخته نمی‌شود؛ Hippo مدل‌های خسارت را هر سال بازسازی می‌کند و از نامزد می‌خواهد به هزینهٔ نگهداری مدل فکر کند و دقت علمی را با اثر عملی تجاری متوازن کند.
فرصت‌های کمتر برای تازه‌کارها
عمومیSally Ezra در Contingencies می‌نویسد با AI ممکن است نقش‌های سطح جونیور کمتر شود. در آگهی‌های بررسی‌شده برای این صفحه هم نقش بدون سابقه نبود و کمترین تجربهٔ خواسته‌شده ۲ تا ۵ سال بود (Actuarial Data Analyst در Shepherd).
حقوق و بازار کار جهانی
حقوق جهانی دانشمند دادهٔ اکچوئری
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- BLS OOH, 'Actuaries' (proxy: all actuaries), May 2025 wages: 10th–90th pct; median
- Sprinter Health posting, Data Scientist, Actuarial (San Francisco; years not stated), posted Jul 27, 2026: salary range; median = midpoint
- Shepherd posting, Actuarial Data Analyst (NYC, 2–5 years), posted Sep 23, 2026: salary range; median = midpoint
- Mutual of Omaha posting, Actuarial Data Scientist-Remote (5+ years), posted Sep 8, 2026: span of its three level bands, Data Scientist low to Principal high; median = midpoint
- Hippo posting, Actuarial Data Scientist (SF Bay Area / New Jersey, 5+ years), posted Sep 30, 2026: base pay range; median = midpoint
- Fetch posting, Actuarial Data Scientist (Remote US, 5+ years, ACAS), first posted Jun 26, 2026: pay range; median = midpoint
- Shepherd posting, Actuarial Data Science Lead (NYC, 7+ years, ACAS/FCAS), posted Sep 25, 2026: salary range; median = midpoint
- Glassdoor Canada, 'Actuary' (proxy: all actuaries), estimate updated Oct 2026, base pay: 25th–75th pct; average (179 salaries)
- Glassdoor UK, 'Pricing Actuary' (proxy: actuaries doing pricing work), estimate updated Oct 2026, base pay: 25th–75th pct; average (99 salaries)
- Glassdoor Australia, 'Actuary' (proxy: all actuaries), estimate updated Apr 2023, base pay: 25th–75th pct; average (131 salaries)
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: مبانی بیمه و نرخ‌گذاری
فصل‌های اول Monograph شمارهٔ ۵ CAS را بخوانید: exposure، فراوانی، شدت و ساختار یک طرح نرخ.
ماه ۲: اولین مدل فراوانی و شدت خسارت
مثال‌های رسمی scikit-learn را روی دادهٔ freMTPL2 قدم‌به‌قدم بازسازی کنید و نتیجه را در یک notebook مرتب توضیح دهید.
ماه ۴: ذخیره‌گیری
مثلث خسارت، link ratio و برآورد IBNR را با chainladder-python روی داده‌های نمونهٔ خود کتابخانه تمرین کنید.
ماه ۵: انتخاب مسیر مدرک
مسیر SOA، CAS یا CSPA را بسنجید و برای اولین آزمون ثبت‌نام کنید. برای بیمهٔ اموال و مسئولیت CAS رایج‌تر است و برای سلامت و عمر SOA.
ماه ۶: پورتفولیو و درخواست
دو یا سه پروژه را با README روشن منتشر کنید و برای نقش‌هایی مثل Actuarial Data Analyst یا Data Scientist در شرکت‌های بیمه درخواست بدهید.
پروژه‌های پیشنهادی برای رزومه
مدل فراوانی و شدت خسارت بیمهٔ خودرو
مبتدیبا دادهٔ freMTPL2 (بیمهٔ مسئولیت خودروی فرانسه) که در مثال‌های رسمی scikit-learn استفاده شده، یک GLM پواسون برای فراوانی و یک GLM گاما برای شدت خسارت بسازید و حاصل‌ضربشان را با یک مدل Tweedie مقایسه کنید. exposure را درست وارد مدل کنید و فاکتورهای نرخ را در یک جدول نشان دهید.
GLM در برابر مدل درختی، با توضیح‌پذیری
متوسطهمان داده را با XGBoost یا LightGBM مدل کنید، دو مدل را با lift chart و ضریب Gini مقایسه کنید و با SHAP نشان دهید مدل درختی چه الگویی را متفاوت دیده است. در README بنویسید کدام مدل را برای یک پروندهٔ نرخ پیشنهاد می‌کنید و چرا.
ذخیره‌گیری خسارت با chain-ladder
متوسطبا یکی از مثلث‌های نمونهٔ کتابخانهٔ chainladder-python، ذخیرهٔ IBNR را با روش chain-ladder و یک روش تصادفی برآورد کنید، عدم‌قطعیت برآورد را گزارش کنید و فرض‌ها را توضیح دهید.
منحنی کشش قیمت و نرخ تمدید
متوسطبا دادهٔ شبیه‌سازی‌شده، احتمال تمدید بیمه‌نامه را بر حسب تغییر نرخ مدل کنید و اثر یک افزایش نرخ را بر نرخ تمدید، loss ratio و ارزش طول عمر مشتری نشان دهید؛ همان کاری که آگهی Fetch از دانشمند دادهٔ اکچوئری می‌خواهد. محدودیت‌های دادهٔ شبیه‌سازی‌شده را صریح بنویسید.
pipeline بازسازی و پایش مدل
پیشرفتهمدل پروژهٔ اول را در یک pipeline زمان‌بندی‌شده با Airflow بگذارید که داده را دوباره می‌خواند، مدل را دوباره می‌سنجد و drift و کالیبراسیون را گزارش می‌کند؛ مشابه آنچه Hippo (pipeline مبتنی بر Airflow) و Shepherd (پایش drift و کالیبراسیون) توصیف کرده‌اند.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
دکترای ریاضی را در ۱۹۹۹ از ETH Zurich گرفت و از ۲۰۰۰ تا ۲۰۰۵ در شرکت بیمهٔ Winterthur در سوئیس در سمت اکچوئری کار کرد. در ۲۰۰۴ عنوان Actuary SAA (انجمن اکچوئرهای سوئیس) را گرفت و از ۲۰۰۶ تا ۲۰۱۸ عضو هیئت‌مدیرهٔ همین انجمن بود.
استاد دانشکدهٔ ریاضی و مدیر مطالعات اکچوئری در ETH Zurich و از ۲۰۱۸ سردبیر ASTIN Bulletin است. مقالهٔ «Neural network applied to chain-ladder reserving» او در ۲۰۱۸ جایزهٔ بهترین مقالهٔ کنگرهٔ بین‌المللی اکچوئرها را گرفت و مقالهٔ LocalGLMnet، دربارهٔ یادگیری عمیق تفسیرپذیر برای داده‌های جدولی که با Ronald Richman نوشت، در ۲۰۲۱ جایزهٔ Brian Hey از IFoA را برد.
مسیر او از کار اکچوئری در یک شرکت بیمه به پژوهش در یادگیری عمیق نشان می‌دهد که روش‌های تازه در این حرفه وقتی جا می‌افتند که با منطق روش‌های قدیمی‌تر، مثل chain-ladder و GLM، پیوند داشته باشند.
طبق معرفی SOA، کارشناسی ارشد (MPhil) علوم اکچوئری را با درجهٔ ممتاز از دانشگاه کیپ‌تاون گرفته و Fellow هر دو انجمن IFoA و ASSA (انجمن اکچوئری آفریقای جنوبی) است. پیش‌تر Chief Actuary و Chief Risk Officer شرکت‌های AIG در آفریقا بود و بعد Chief Actuary شرکت Old Mutual Insure، که به گفتهٔ همان معرفی دومین گروه بزرگ بیمهٔ اموال و مسئولیت در آفریقای جنوبی است.
شرکت InsureAI را بنیان گذاشت که ابزارهای یادگیری ماشین و یادگیری عمیق برای بهبود فرایندهای اکچوئری می‌سازد، و دکترای خود را دربارهٔ کاربرد یادگیری عمیق در علوم اکچوئری در دانشگاه Witwatersrand به پایان رسانده است. ریاست کمیتهٔ تغییرات اقلیمی ASSA و هیئت ASTIN در انجمن بین‌المللی اکچوئرها (IAA) با اوست. در سخنرانی دسامبر ۲۰۲۴ خود در SOA، «اکچوئر تقویت‌شده با AI» را مسیر پیش روی حرفه معرفی کرد.
او هم مدیر اکچوئری در شرکت‌های بیمه بوده و هم پژوهشگر یادگیری عمیق. به نظر می‌رسد ارزش این نقش دقیقاً در همین دوزبانه بودن است: ساختن مدل تازه و دفاع از آن با زبان و اصول حرفه.
طبق صفحهٔ معرفی‌اش در CAS، کارشناسی هنرهای آزاد (Liberal Arts) از St John's College و دکترای فلسفه از دانشگاه شیکاگو دارد. از ۱۹۹۶ تا ۲۰۰۱ در Allstate و مرکز پژوهش و برنامه‌ریزی آن کار کرد و در ۲۰۰۰ مدرک ACAS و در ۲۰۰۳ مدرک FCAS را از CAS گرفت.
از ۲۰۰۱ تا ۲۰۲۲ در Deloitte Consulting کار کرد، از ۲۰۲۱ تا ۲۰۲۳ در مرکز مطالعات پیشرفتهٔ علوم رفتاری دانشگاه Stanford (CASBS) بود و از ۲۰۲۴ Principal شرکت Clear Risk Analytics است. از ۲۰۱۵ تا ۲۰۱۸ عضو هیئت‌مدیرهٔ CAS بود و از ۲۰۰۶ تا ۲۰۱۶ در سمینار مدل‌سازی پیش‌بینی CAS فعالیت داشت.
مسیر او از فلسفه به اکچوئری و مدل‌سازی پیش‌بینی نشان می‌دهد که ورود به این حرفه به رشتهٔ دانشگاهی محدود نیست؛ آزمون‌ها راهی استاندارد برای اثبات دانش‌اند، از هر جا که شروع کرده باشید.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Actuarial Data Scientist
تحلیل نیازمندی‌ها
Bachelor’s degree in statistics, mathematics, actuarial science, computer science, or a another quantitative field; advanced degree a plus
کارشناسی در یکی از رشته‌های کمّی کافی است و لازم نیست حتماً علوم اکچوئری خوانده باشید. کارشناسی ارشد امتیاز است، نه شرط.
مهم5+ years of experience in data science, analytics, or actuarial modeling in insurance, preferably personal lines or property
این نقش ورودی نیست. سابقه می‌تواند از علم داده یا از کار اکچوئری بیاید، اما باید در بیمه باشد. «personal lines» یعنی بیمه‌های اشخاص، مثل خودرو و خانه.
ضروریWorking knowledge of P&C insurance in loss cost modeling; exposure to demand, underwriting, and/or claims modeling
loss cost یعنی خسارت مورد انتظار به ازای هر واحد پوشش و پایهٔ قیمت بیمه است. علاوه بر آن، آشنایی با مدل‌های تقاضا (خرید و تمدید)، پذیره‌نویسی یا خسارت هم خواسته شده است.
ضروریStrong background in statistical modeling: GLMs, regularization, tree-based ensembles (XGBoost, LightGBM), and model validation techniques
ترکیب کلاسیک و مدرن: GLM هنوز زبان مشترک قیمت‌گذاری است و مدل‌های درختی برای پیدا کردن الگوهای پیچیده‌تر به کار می‌روند. «model validation» یعنی خودتان باید بتوانید نشان دهید مدل روی دادهٔ تازه هم درست کار می‌کند.
ضروریKnowledge of actuarial principles as they relate to insurance pricing
مفاهیمی مثل exposure، loss ratio و کفایت نرخ. همین بخش است که این نقش را از علم دادهٔ عمومی جدا می‌کند؛ در CAS این مباحث در Exam 5 آموزش داده می‌شوند.
مهمAdvanced proficiency in Python (pandas, scikit-learn, statsmodels) and SQL
ابزارها صریح نام برده شده‌اند: statsmodels برای GLM با خروجی آماری کامل، scikit-learn برای مدل‌های یادگیری ماشین و SQL برای ساختن دادهٔ مدل از جدول‌های بیمه‌نامه و خسارت.
ضروریExcellent communication skills and ability to build trust with stakeholders at all levels
مدل قیمت مستقیم بر درآمد شرکت اثر دارد. باید بتوانید آن را برای مدیر محصول، پذیره‌نویس و مدیران ارشد طوری توضیح دهید که به آن اعتماد کنند.
مهمActuarial credentials - ACAS/FCAS
در این آگهی فقط امتیاز است، اما در آگهی‌های دیگر، مثل Fetch و Shepherd، شرط است. ACAS و FCAS مدرک‌های انجمن CAS برای بیمهٔ اموال و مسئولیت‌اند.
مفیدExperience working in modern data platforms, including familiarity with cloud infrastructure (e.g., Snowflake, Databricks, AWS) and workflow orchestration tools (e.g., Airflow)
مدل‌ها در یک pipeline واقعی اجرا می‌شوند، نه فقط در notebook. آشنایی با یک انبار دادهٔ ابری و یک ابزار زمان‌بندی مثل Airflow کافی است.
مفیدExperience with catastrophe modeling, geospatial analytics, or climate risk data
در بیمهٔ خانه، خطرهایی مثل طوفان و آتش‌سوزی به موقعیت جغرافیایی وابسته‌اند؛ تجربه با دادهٔ مکانی، فاجعه یا اقلیم امتیاز است.
مفیدتحلیل مسئولیت‌ها
Lead homeowners insurance modeling efforts, setting clear priorities, technical standards, and best practices while fostering a culture of ownership, rigor, and continuous improvement
این نقش علاوه بر مدل‌سازی، رهبری فنی هم دارد: تعیین اولویت و استاندارد برای مدل‌سازی بیمهٔ خانه. آگهی گزارش‌گیری مستقیم به Sr. Manager, Actuarial Data Science را ذکر کرده است.
Own the design and annual build of our by-peril loss models
مدل‌های خسارت به تفکیک نوع خطر (مثلاً آتش، آب، باد) هر سال از نو ساخته می‌شوند. یعنی کار تکراری اما حساس است و هر بار باید با دادهٔ تازه دوباره سنجیده شود.
Expand modeling capabilities across conversion, retention, and aggregation to inform pricing strategy, business mix, and portfolio performance
قیمت فقط به خسارت بستگی ندارد؛ باید دانست مشتری با این قیمت می‌خرد و تمدید می‌کند یا نه، و ترکیب پرتفوی چطور تغییر می‌کند.
Implement and scale models within our Airflow-based Python modeling pipeline, ensuring robust testing, validation, reproducibility, and long-term maintainability
مدل باید در pipeline اجرا شود، آزمون داشته باشد و بعداً هم قابل بازتولید باشد. این بخش کار به مهندسی نرم‌افزار نزدیک است.
Develop reusable analytical tooling and workflows that improve efficiency, consistency, and scalability across the actuarial team
ابزاری که می‌سازید باید به کار بقیهٔ اکچوئرهای تیم هم بیاید، نه فقط به کار خودتان.
Partner cross-functionally with Insurance Product, Underwriting, and Engineering to translate complex modeling insights into clear business recommendations and ensure successful production deployment
خروجی کار یک توصیهٔ تجاری روشن است و مدلی که درست مستقر شده باشد. بدون همکاری با محصول، پذیره‌نویسی و مهندسی، مدل خوب هم به تصمیم تبدیل نمی‌شود.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از دانشمند دادهٔ اکچوئری در ۲۰۲۶ می‌دهد: کسی با دست‌کم ۵ سال تجربه در بیمه که مدل‌های خسارت را با GLM و مدل‌های درختی می‌سازد، آن‌ها را در pipeline پایتونی مستقر می‌کند و نتیجه را به تصمیم قیمت‌گذاری تبدیل می‌کند. مدرک ACAS/FCAS در این آگهی امتیاز است، نه شرط. بازهٔ حقوق پایهٔ اعلام‌شده ۱۴۵ تا ۱۶۰ هزار دلار در تگزاس و ۱۵۵ تا ۱۸۰ هزار دلار در منطقهٔ خلیج سانفرانسیسکو و نیوجرسی است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
BLS آمریکا پیش‌بینی می‌کند اشتغال اکچوئرها از ۲۰۲۵ تا ۲۰۳۵، ۹٪ رشد کند، یعنی ۲٬۹۰۰ شغل تازه روی ۳۱٬۲۰۰ شغل سال ۲۰۲۵، و این را «بسیار سریع‌تر از میانگین» می‌داند؛ به‌طور میانگین سالانه حدود ۱٬۵۰۰ فرصت شغلی. BLS گروه جداگانه‌ای برای Actuarial Data Scientist ندارد و این رقم برای همهٔ اکچوئرهاست.
منبع: BLS Occupational Outlook Handbook — Actuaries (2025–35)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
Ronald Richman در سخنرانی «The Actuary in an Age of AI» در SOA (دسامبر ۲۰۲۴) آیندهٔ حرفه را «اکچوئر تقویت‌شده با AI» توصیف کرد: نقشی که ابزارهای عمومی و تخصصی AI را با دقت وارد کار اکچوئری می‌کند و مدل‌های یادگیری عمیق را طوری تغییر می‌دهد که با اصول سنتی اکچوئری سازگار باشند.
Sally Ezra در Contingencies، نشریهٔ American Academy of Actuaries، پیش‌بینی می‌کند تقاضا برای اکچوئرهای میانی و ارشد افزایش یابد، اما نقش‌های جونیور کمتر شود و ساختار نقش‌ها به شکل «لوزی» درآید؛ او همچنان چشم‌انداز اشتغال اکچوئرها را قوی می‌داند.
BLS آمریکا پیش‌بینی می‌کند اشتغال اکچوئرها از ۲۰۲۵ تا ۲۰۳۵، ۹٪ رشد کند و یکی از دلایل را نیاز به اکچوئر برای توسعه، قیمت‌گذاری و ارزیابی محصولات بیمه و محاسبهٔ هزینهٔ ریسک‌های تازه می‌داند.
Sally Ezra، شریک یک شرکت کاریابی اکچوئری، در Contingencies (مارس/آوریل ۲۰۲۶) می‌نویسد AI ممکن است فرصت‌های تازه بسازد اما برخی کارها را تغییر می‌دهد یا حذف می‌کند و ممکن است در سطح جونیور نقش کمتری باشد. در آگهی‌های بررسی‌شده برای این صفحه هم هیچ نقشی بدون سابقه نبود. ریسک دیگر طول مسیر مدرک است: BLS می‌نویسد رسیدن به Associate ممکن است تا ۷ سال طول بکشد، پس برنامه‌ریزی برای کار و آزمون هم‌زمان لازم است.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۳۰ منبع بررسی شده است.
- Actuarial Data Scientist — Hippo Insurance (job posting)
- Actuarial Data Scientist — Fetch (job posting)
- Actuarial Data Scientist-Remote — Mutual of Omaha (job posting)
- Actuarial Data Science Lead — Shepherd (job posting)
- Actuarial Data Analyst — Shepherd (job posting)
- Data Scientist, Actuarial — Sprinter Health (job posting)
- Lead Actuary — ERGO NEXT Insurance (job posting)
- BLS Occupational Outlook Handbook — Actuaries
- Glassdoor — Actuary salaries in Canada
- Glassdoor — Pricing Actuary salaries in United Kingdom
- Glassdoor — Actuary salaries in Australia
- SOA — Associate of the Society of Actuaries (ASA) requirements
- SOA — Advanced Topics in Predictive Analytics (ATPA) Assessment
- SOA — Predictive Analytics (PA) Exam
- CAS — Credential Requirements (ACAS, FCAS)
- The CAS Institute — Predictive Analytics and Data Science (CSPA)
- IFoA — Qualification Handbook 2025–2026 (PDF)
- IFoA — Personal and Professional Development (PPD)
- IFoA — Actuarial Statistics (CS1, CS2)
- IFoA — Route to becoming an actuary
- Contingencies — The AI Effect: A Developing Story for Actuarial Careers (Sally Ezra, 2026)
- Mario V. Wüthrich — About (ETH Zurich)
- Mario V. Wüthrich — Monographs
- SOA — The Actuary in an Age of AI (Ronald Richman, Dec 2024)
- FA News — insureAI first South African firm with IFoA QAS accreditation
- CAS — Meet the Candidates: James Guszcza
- AI Tools for Actuaries — lecture notes and notebooks
- CAS Monograph No. 5 — Generalized Linear Models for Insurance Rating (2nd ed., 2025 revision, PDF)
- chainladder-python — P&C loss reserving in Python (GitHub)
- scikit-learn — Tweedie regression on insurance claims