Modelos de predicción avanzados para el cálculo de reservas en la industria aseguradora

• Autores: Aguirre, Alejandro
• Año de publicación: 2022
• Idioma: español castellano
• Tipo de recurso: tesis de maestría
• Colaborador/a o director/a de tesis: Urbieta, Mario Matías
• Materia: Informática; Insurance; Seguros; Reserves; Reservas; Machine Learning; Ciencia de Datos; Regresión Lineal; Linear Regression; ARIMA; LSTM; CRISP-DM; Insurtech; Inflation; Inflación
• Institución: Universidad Nacional de La Plata

La industria del seguro tiene una necesidad urgente de innovación luego del arribo del concepto de “Insurtech”, que propone un mercado más competitivo basado en la innovación y en la aplicación de tecnología al negocio (Alarcon, 2018). Pero por otro lado se trata de una actividad muy regulada por los organismos gubernamentales, que establecen un marco común de aplicación de procedimientos y técnicas que las aseguradoras deben respetar. En esa puja entre innovación y regulación, está el concepto de las Reservas, que representan la provisión económica que las empresas aseguradoras deben disponer para hacer frente al pago de los posibles siniestros que podrían ocurrir en el futuro, como consecuencia directa de las coberturas que les brindan a sus asegurados (NietoDeAlba, 1964). Si bien se trata de un tema definido por ley, representa uno de los indicadores más importantes a tener en cuenta en la toma de decisiones porque establece el límite de la libre disponibilidad de fondos que la compañía puede invertir para obtener resultados financieros (LopezBriega, 2016). No preocupa tanto si en un período un rubro o producto ofrecido por una aseguradora es deficitario si se tiene en cuenta sus resultados técnicos, porque la ganancia se puede generar a partir de los resultados financieros producto de invertir el dinero en el tiempo transcurrido entre que se cobra el seguro y se paga el siniestro. En esa actividad cuando mejor sea la predicción de las reservas, mayor será la renta financiera obtenida de las disponibilidades monetarias, mayor será el ahorro de costos directos, y se tendrían más oportunidades en la aplicación de precios personalizados que permitan capturar clientes. El objetivo general de éste trabajo es analizar el funcionamiento de diferentes modelos de predicción avanzados, basados en técnicas de Machine Learning, que puedan estimar las reservas futuras con antelación a la ejecución de los tradicionales procedimientos de cálculo usados en la industria de acuerdo a lo definido por la ley.
The insurance industry has an urgent need for innovation after the arrival of the “Insurtech” concept, which proposes a much more competitive business based on innovation and the application of technology. However, it is a business domain highly-regulated by government agencies, which establish common procedures and techniques that insurance companies must respect. In this context between innovation and regulation, exist the concept of Reserves, which represent the limit on the free availability of economic resources that the company can invest for financial results. This work analyzes the performance of different advanced prediction models, based on machine learning techniques that can estimate future reserves in advance of the execution. The estimations are compared against the calculation procedures defined by government agencies. The study case is on of the most important Argentine insurance company. We build different reserve prediction models at the level of individual policies and accumulated monthly in a time series, using different monetary bases and making a special analysis of the impact of inflationary processes. Techniques such as Linear Regression, ARIMA and LSTM Neural Network were used, and a methodological process adapted to Machine Learning based on the CRISP-DM standard. The outcome of this work includes the comparison of all models for the different branches and currencies, and on the problems of implementing this type of process in a large insurance company in Southamerica.
Magister en Ingeniería de Software
Universidad Nacional de La Plata
Facultad de Informática