Especializaciones de la Facultad de Ingeniería · 2021
Modelo predictivo de rentabilidad para la atracción de clientes a un problema de negocio de una aseguradora
RESUMEN : Hoy en día, las compañías de seguros en Colombia están en búsqueda constante de conocer a sus clientes para determinar la contribución efectiva o la rentabilidad que ellos les generan. El “marketing” actual adopta el aprendizaje profundo de los clientes como una técnica para mejorar la rentabilidad de sus recaudos cuando ellos adquieren determinados productos en la compañía, es decir, a partir de estos se pueden modificar los resultados, mejorar las estrategias de atraer los clientes a los servicios y aumentar el valor agregado que los mismo le generan. Teniendo en cuenta que el desempeño de la rentabilidad técnica está inmersa a las posibilidades de distintos rendimientos financieros y a impactos que pueden generar quiebras o fallas en su estrategia de continuidad, se debe abordar en primer lugar, los aspectos coyunturales en la cotidianidad, por ejemplo: El descenso de la siniestralidad en algunos ramos1 siendo ahora más afectada como consecuencia por la pandemia. Mencionado lo anterior, las aseguradoras en Colombia actualmente deben hacer frente al pago de una amplia gama de pólizas, que incluyen todo tipo de consecuencias, como la cancelación de estas, o eventos como pagos de las indemnizaciones de los clientes. El objetivo del “marketing” en potencia se enfoca en suplir a los clientes distintas herramientas que le brinden seguridad y confort con base a la buena identificación de sus necesidades. La presente investigación e implementación busca englobar la idea del conocimiento de los clientes de una empresa de seguros, y con base a esta información se realizará la implementación de un modelo analítico predictivo con el uso de herramientas de “machine learning”, el cual le permite a la aseguradora estar preparada para analizar todas las tareas incluidas en los procesos de suscripción de un cliente a una póliza, y que a su vez presentan datos numéricos para evaluar el impacto en la cartera de negocios, es decir, a futuro es otra herramienta directamente relacionada con la labor que hoy en día consumen los asesores para inscribir clientes a la compañía y realizarles los estudios correspondientes como definición de su estrategia de mercadeo, y de como resultado que la aseguradora realice el despliegue y considere los cambios más eficientes de tarifas o de servicios.
Texto completo 47 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- RESUMEN EJECUTIVOp. 10
- ABSTRACTp. 11
- INTRODUCCIÓNp. 12
- PLANTEAMIENTO DEL PROBLEMAp. 13
- OBJETIVOSp. 14
- A. Objetivo generalp. 14
- B. Objetivos específicosp. 14
- PREGUNTA DE NEGOCIOp. 15
- HIPÓTESISp. 16
- A. Primera Hipótesis: Datos con ausencia de informaciónp. 16
- B. Hipótesis estadística: Ingresos Mensuales y Ocupaciónp. 17
- MARCO TEÓRICOp. 18
- Aprendizaje supervisado y no supervisado:p. 18
- Modelos de regresión:p. 18
- Regresión Lineal Múltiple (MLR):p. 19
- Decision tree regressorp. 43
- Random forest regressorp. 43
- AutoML: Automatic “machine learning”p. 20
- METODOLOGÍAp. 22
- Proceso de analíticap. 22
- Origen de los datosp. 22
- Datosp. 23
- Exploración de los datosp. 23
- Importancia de característicasp. 25
- Limpieza de datos: Cliente Idp. 29
- Limpieza de datos: Valores duplicados y valores nulosp. 29
- Limpieza de datos: Número de hijosp. 30
- Limpieza de datos: Estado civilp. 31
- Imputación de valores: Ingresos mensualesp. 32
- Escalamiento de datosp. 32
- Train Test Splitp. 33
- Métodos de modelamiento: Fit, Fit_Transform, predictp. 34
- HERRAMIENTAS DEL MODELAMIENTOp. 35
- AUTO ML – H2Op. 35
- RESULTADOSp. 37
- Modelo 2: Modelo de regresión múltiple usando validación cruzada (MLR)p. 37
- Modelo 3: Modelo de regresión múltiple usando random forestp. 39
- Modelo 3: Modelo de regresión basado en regresión Robustap. 39
- Modelo 4: Modelo de regresión basado en métodos de ensamblep. 40
- Modelos arrojados por H2O AutoMLp. 40
- Métricas de evaluaciónp. 43
- Mean Absolute Percentage Errorp. 9
- Mean Absolute Errorp. 9
- Métricas de evaluación de acuerdo con el problema de negociop. 44
- CONSIDERACIÓN A PRODUCCIÓNp. 45
- CONCLUSIONESp. 46
- XIV. BIBLIOGRAFÍAp. 47
- TABLA I DESCRIPCIÓN DE LOS DATOSp. 23
- TABLA IIp. 35
- TABLA III MÉTRICAS DE EVALUACIÓNp. 43
- TABLA IV PORCENTAJE DE IGUALDAD Y REAL VS Y COMPUTADAp. 44
- Fig. 1 Identificación de clientesp. 16
- Fig. 2 Recuento del Cliente_Idp. 16
- Fig. 3 Información de clientes con las tres pólizasp. 17
- Fig. 4 Ejemplo de regresión lineal simplep. 18
- Fig. 5 Decision Tree Regressionp. 20
- Fig. 6 Proceso del aprendizaje automatizadop. 21
- Fig. 7. Etapas de construcción del modelo predictivop. 22
- Fig. 8. Datos sin información para variable de interésp. 24
- Fig. 9. R.E. de la variable objetivop. 24
- Fig. 10. R.E. de la variable objetivo sin percentil 1 y 99p. 24
- Fig. 11. R.E. de la variable Producción emitidap. 25
- Fig. 12. R.E. de la variable Producción emitida sin percentil 1 y 99p. 25
- Fig. 13. Label Encoder para datos originalesp. 26
- Fig. 14. Correlación de Spearmanp. 28
- Fig. 15. Matriz de entropía relativap. 29
- Fig. 16. Distribución variable número de hijosp. 30
- Fig. 17. Valores únicos Estrato Viviendap. 31
- Fig. 18. Ingresos mensualesp. 32
- Fig. 19. Train Test Split Datap. 33
- Fig. 20. Especificación de procesamiento H2O Auto MLp. 36
- Fig. 21. Rentabilidad real VS Rentabilidad computada (Modelo Arboles de decisión)p. 37
- Fig. 22. Entrenamiento con estrategia de Cross Validationp. 38
- Fig. 23. Rentabilidad real VS Rentabilidad computada (Modelo de regresión lineal Múltiple)p. 38
- Fig. 25. Rentabilidad real VS Rentabilidad computada (Modelo de regresión Robusta)p. 39
- ensamble)p. 40
- Fig. 27. Modelos de regresión generados por librería auto MLp. 41
- Fig. 28. Mejor modelo de regresión sin Cross validación VS con Cross Validationp. 41
- Fig. 29. Importancia de aporte de modelos de regresión para ensamblep. 42
- Fig. 30. Mejor modelo de regresión para datos de pruebap. 42
- Fig. 31. Predicciones entre valores reales VS valores computarizadosp. 44
- Fig. 32. Predicciones de las cotizacionesp. 45