Modelo predictivo probabilidad de retención seguro automóviles
Cada día, el empleo de herramientas de minería de datos y aprendizaje automático adquieren un protagonismo creciente en distintos sectores y en especial en el asegurador. Las últimas décadas se han caracterizado por la masiva generación de información, y en particular el sector asegurador se encuent...
| Autores: | , |
|---|---|
| Tipo de documento: | dissertação |
| Estado: | Versión aceptada para publicación |
| Data de publicação: | 2023 |
| País: | Colombia |
| Recursos: | Universidad de los Andes |
| Repositório: | Séneca: repositorio Uniandes |
| Idioma: | espanhol |
| OAI Identifier: | oai:repositorio.uniandes.edu.co:1992/73404 |
| Acesso em linha: | https://hdl.handle.net/1992/73404 |
| Access Level: | Acceso aberto |
| Palavra-chave: | Minería de datos Sector asegurador Algoritmos supervisados Clasificación Probabilidad de retención Catboost Ingeniería |
| Resumo: | Cada día, el empleo de herramientas de minería de datos y aprendizaje automático adquieren un protagonismo creciente en distintos sectores y en especial en el asegurador. Las últimas décadas se han caracterizado por la masiva generación de información, y en particular el sector asegurador se encuentra en el reto no solo de administrar estos datos sino convertirlos en una ventaja estratégica. Para lograrlo, es necesario comprender a fondo los clientes y sus patrones de comportamiento. En este escenario, recursos como la minería de datos permiten analizar grandes volúmenes de información para identificar tendencias, comportamientos y preferencias, lo que facilita una toma de decisiones informada. En consecuencia, el propósito de este proyecto es la implementación de diversos algoritmos supervisados de clasificación para desarrollar una solución analítica personalizada útil en una compañía de seguros. Esta solución tiene como finalidad identificar a los clientes actuales de seguros de automóviles según su probabilidad de retención proporcionando a la compañía un enfoque más estratégico y centrado en el cliente. Al identificar a los asegurados con mayor probabilidad de retención sin perder de vista su rentabilidad esperada, la empresa puede dirigir campañas de fidelización de manera más precisa. Este enfoque personalizado no solo optimiza los recursos de la compañía, sino que también mejora la efectividad de las estrategias de retención, asegurando que estén alineadas con las metas comerciales y las características individuales de cada cliente. Entre los algoritmos implementados se encuentran: Modelo de regresión logística (LR), modelo de un único árbol de decisión, modelo basado en arboles (Random Forest), modelo basado en arboles de Xtreme Gradient Boosting (XGBoost), una máquina de vectores de soporte, una red neuronal profunda multicapa y un modelo basado en arboles optimizado para manejo de gran cantidad de variables categóricas denominado Catboost. El rendimiento de los algoritmos implementados fue medido usando el índice de exactitud o accuracy y la métrica F1-score, donde el modelo elegido dada sus características y ajuste al problema planteado es el Catboost con una precisión del 96.36% y un F1-score de 96.96%. |
|---|