Estimación de la probabilidad de cancelación de una póliza individual de automóviles, usando modelos de Machine Learning
Compartir en:
- Views
- Downloads
Date
2021Publicador
Fundación Universitaria Los Libertadores. Sede Bogotá.
Documentos PDF
Abstract
El propósito de este artículo es identificar las características de mayor impacto, que aumentan la probabilidad de que un usuario cancele una póliza de seguro de automóvil. Para esto, también es necesario entender el impacto que existe por la cancelación de pólizas (riesgo de caída) y comprender el proceso de tarificación de del costo de pérdida de un seguro. El estudio se enfoca en aquellos riesgos individuales, con un histórico de pólizas emitidas desde enero de 2016 hasta diciembre 2020.
La información de la base de datos esta segmentada de acuerdo con A) la información de la póliza: prima, suma asegurada para algunas coberturas, tiempos de vigencia. B) Información acerca del vehículo: Marca, año modelo, tipo de vehículo, color, servicio. y por último C) información acerca del asegurado: tipo de persona, genero, edad y niveles de ingresos o egresos anuales. Con las variables anteriores, se pretende modelar la probabilidad de cancelación usando algunos modelos de Machine Learning como Random Forest y XG Boost. y se usan las técnicas de los valores SHAP para visualizar y explicar el impacto de las características más importantes en los modelos utilizados.
Los resultados obtenidos muestran que el modelo Random Forest tiene mejores resultados, al clasificar clientes que realizan cancelaciones con una precisión del 79%, y se identifican las cinco características más importantes que explican el modelo.