Impacto de los siniestros de hogar y comunidades. Pricing y nuevas variables
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 4
La siniestralidad asociada a determinadas coberturas en los ramos 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.
Próximamente
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.
La gestión tradicional de siniestros de autos conlleva un importante trabajo manual, con la inspección por parte de expertos de los vehículos dañados, para determinar el coste de indemnización o reparación, así como la identificación y localización de las partes afectadas. El reconocimiento automático de imágenes a través de machine learning puede automatizar buena parte de este proceso, acortar plazos, reducir errores y mejorar la precisión de las estimaciones.
Ya celebradas
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.
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.
Pricing en seguros no vida: Frecuencia 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 la frecuencia y severidad de su cartera, con algoritmos de ML y añadiendo nuevas variables sociodemográficas y de comportamiento, menos habituales. Los resultados se compararán con el enfoque tradicional con GLM.
Coordinador académico
Marcial Fernández
Licenciado en CC Matemáticas.Director de Operaciones y Organización de ICEA
