Desarrollo de un modelo de Machine Learning para la clasificación de clientes siniestrosos de seguro vehicular en la compañía aseguradora MAPFRE Perú

• Autores: Mariluz Saavedra, Julio Alejandro, Torres Ricalde, Luz Edith, Velazco Guerrero, Melissa
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad ESAN
• Repositorio: ESAN-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.esan.edu.pe:20.500.12640/3880
• Enlace del recurso: https://hdl.handle.net/20.500.12640/3880
• Nivel de acceso: acceso embargado
• Materia: Aprendizaje automático; Predicciones; Compañías de seguros; Seguro de vehículos automotores; https://purl.org/pe-repo/ocde/ford#5.02.04; https://purl.org/pe-repo/ocde/ford#2.11.04

Las últimas innovaciones tecnológicas, como Big Data o Maching Learning, están transformando la forma en cómo se desempeñan las compañías en casi todos los sectores, incluyendo el rubro asegurador. Este estudio se centra en la incorporación de técnicas de Machine Learning en MAPFRE Perú para desarrollar un modelo predictivo que permita identificar a los clientes con mayor probabilidad de sufrir un siniestro vehicular. El objetivo es optimizar el control de los gastos asociados a estos incidentes en la empresa. Para determinar el modelo más optimo se utilizaron cinco diferentes algoritmos de aprendizaje supervisado: Logistic regression, Linear Support Vector Machine, k-Nearest Neighbors, Classification and Regression Tree y Random Forest. Finalmente, para comparar los resultados de cada modelo se utilizaron las métricas del "accuracy" y el "F1-score". El modelo seleccionado fue Random Forest, con el cual se obtuvo un buen rendimiento con el conjunto de datos preprocesado “dfL4”, teniendo un “accuracy” del 82.97% y un “F1-score” del 75.67%. El potencial que implica la aplicación de Machine Learning en la industria aseguradora es considerable, por lo que es esencial continuar avanzando en investigaciones que incorporen nuevas variables, técnicas y modelos para seguir aprovechando sus beneficios.