Sesiones de especialización de Machine Learning en seguros. Primera sesión Pricing en seguros no vida

Presencial y Online. 27 y 28 de abril de 10:00 h. a 14:00 h.

Machine Learning en seguros

Todas las sesiones incluirán la resolución completa (carga de datos, modelado, cálculo de predicciones) de uno o varios casos de usos, con conjuntos de datos reales cuando sea posible.


Sesión 1

Pricing en seguros no vidaFrecuencia y severidad

El uso de algoritmos más avanzados que los GLM y el enriquecimiento de datos con información de terceros o sensores, puede mejorar la precisión de las tarifas, con grandes impactos en la cuenta de resultados. Utilizando datos reales anónimos de asegurados de autos, estimaremos su frecuencia y severidad, con algoritmos de ML y añadiendo nuevas variables sociodemográficas y de comportamiento menos habituales. Los resultados se compararán con el enfoque tradicional con GLM.


Sesión 2

Estimación de reservas usando datos individuales (Individual Loss Development)

La precisión de las reservas totales puede mejorar notablemente si utilizamos la información individual de cada siniestro, junto con nuevos algoritmos. De esta forma, también se pueden gestionar mejor las tarifas y la siniestralidad, además de evitar una variabilidad no deseada en el cálculo de provisiones técnicas.


Sesión 3

Impacto de los siniestros de hogar y comunidades. 
Pricing y nuevas variables

La siniestralidad asociada a determinadas coberturas en los ramos de hogar y comunidades está condicionada por variables propias de cada inmueble, como la calidad constructiva, número de baños, climatología, etc.  Todo ello permite mejorar la tarifa y la gestión de siniestros.


Sesión 4

Reducción de anulaciones (churn)

Usando la información de clientes y su relación con la compañía, podemos estimar la probabilidad de anulación y las principales causas, para poder tomar acciones anticipadamente con aquellos clientes cuyas posibles causas de baja sean gestionables.


Sesión 5

Satisfacción del cliente (NPS, Net Promoter Score)

Con la información disponible de clientes y su interacción con la compañía, se puede estimar su NPS e identificar a los potenciales “detractores”, para tomar medidas preventivas y que se conviertan en “promotores” (o al menos en “pasivos”). Utilizaremos datos reales de encuestas de satisfacción de clientes de seguros realizadas por ICEA para crear modelos que permitan estimar la satisfacción de los clientes.


El contenido definitivo de los casos 2 a 5 podría sufrir modificaciones en función de la disponibilidad de los datos, comunicándose, en su caso, a los asistentes, con la suficiente antelación. 


Moderadores:

Federico Castanedo

Federico Castanedo
Ingeniero en Informática. Doctor en Inteligencia Artificial. Lead Data Scientist en Datarobot

Marcial Fernández

Marcial Fernández
Licenciado en CC Matemáticas. Director de Operaciones y Organización de ICEA

Antonio Martín

Antonio Martín
Licenciado en CC Empresariales, Contabilidad y Finanzas. Director de Estudios y TI de ICEA

Sabina Martín

Sabina Martín
Licenciada en Economía. Máster en Actuariales. Técnico de Investigación de ICEA

Antonio Sanromán

Antonio Sanromán
Licenciado en Administración y Dirección de Empresas. Máster en Minería de Datos. Responsable de Proyectos de ICEA

ICEA, si lo aceptas, instalará cookies propias y de terceros para el correcto funcionamiento de la web y con fines analíticos. Para más información accede a nuestra política de cookies