Publication:

Análisis Comparativo de Modelos de Machine Learning Y GLM de Procesos de Tarificación de Seguros de Automóviles

En el presente trabajo se compara cuantitativa y cualitativamente el desempeño y los procesos metodológicos asociados a la predicción de la frecuencia y severidad para un caso particular en el ramo de automóviles, aplicando tanto técnicas clásicas como GLMs y algunas de sus variaciones como de Machine Learning, con el fin de evaluar sus potencialidades, ofreciendo mayor variedad en las herramientas usuales para este tipo de procesos, buscando detectar relaciones e interacciones no lineales en los predictores para disminuir escenarios de selección adversa en los modelos de tarificación. Se utilizó el marco metodológico CRISP-DM como guía para las etapas y procesos en el contexto analítico. Así mismo, se utilizó el software R y el paquete “caret” para desarrollar los diferentes modelos, buscando garantizar criterios adecuados de comparabilidad en la selección de los subconjuntos de validación cruzada. Finalmente, al comunicar los resultados de los modelos, las métricas de desempeño y los lift-charts asociados a cada uno de ellos, se concluye que al comparar las métricas de desempeño para el caso particular del dataset utilizado (“dataCar” de la librería “insuranceData” del software R) no existe ventaja cuantitativa considerable entre los dos enfoques (GLMs vs ML). Sin embargo, a través del análisis gráfico (Lift-charts) se aprecian diferencias en la capacidad de los modelos para detectar selección adversa, por lo que se concluye que las dos metodologías son complementarias pues ofrecen ventajas diferentes desde el punto de vista procedimental.