Desbloqueando el poder del aprendizaje automático automatizado en el desarrollo de pérdidas de seguros

En el mundo de los seguros, los siniestros son el motor de la industria. Predecir con precisión cómo evolucionarán las pérdidas con el tiempo es crucial, ya que influye directamente en la provisión de reservas, la selección de riesgos, la suscripción, la fijación de precios y la gestión de siniestros. Tradicionalmente, los actuarios han estimado los requisitos de reserva utilizando cálculos a nivel de portafolio, confiando en métodos como la triangulación de Escalera de Cadenas y Bornhuetter-Ferguson. Estos enfoques proporcionan una visión agregada del desarrollo de pérdidas en todo un portafolio, sirviendo a los propósitos de informes financieros y regulatorios. Si bien estos métodos ofrecen transparencia y facilidad de implementación, también conllevan ciertos riesgos y limitaciones.

El enfoque innovador del Desarrollo de Pérdidas Individuales (ILD, por sus siglas en inglés), que tiene como objetivo predecir el desarrollo de cada siniestro individual en función de sus características únicas. Este enfoque es un cambio radical, proporcionando una perspectiva más individualizada sobre el desarrollo de pérdidas.

Desafíos de los métodos tradicionales

Los métodos tradicionales son excelentes para proporcionar una visión general del desarrollo de pérdidas, pero pueden pasar por alto detalles críticos. Estimar el desarrollo de las pérdidas únicamente a través de una lente agregada puede llevar a inexactitudes en la provisión de reservas para segmentos específicos si se descuidan las características esenciales. Además, estos métodos ofrecen una visión estática, y analizar los cambios en las reservas y los patrones subyacentes puede ser lento. Además, distinguir y cuantificar diferentes tendencias superpuestas dentro de los métodos agregados puede ser desafiante.

Presentación del Desarrollo de Pérdidas Individuales (ILD)

ILD está diseñado para predecir el desarrollo de pérdidas para cada siniestro individual, teniendo en cuenta sus atributos únicos. Sin embargo, construir modelos ILD manualmente puede ser una tarea formidable, especialmente debido a la naturaleza temporal del desarrollo de siniestros y la complejidad de la ingeniería de características y la estimación de parámetros. Además, trabajar con características de texto libre, que pueden ser altamente predictivas del desarrollo futuro de los siniestros, plantea desafíos debido a la disponibilidad limitada de modelos de procesamiento del lenguaje natural.

El Aprendizaje Automático Automatizado (AutoML) como solución

El Aprendizaje Automático Automatizado (AutoML) surge como una solución a las complejidades asociadas con la modelización ILD. AutoML agiliza la ingeniería de características, la selección de variables y la construcción de modelos, reduciendo significativamente el tiempo requerido para la experimentación. AutoML también facilita la minería de texto automatizada, permitiendo la extracción rápida de información predictiva de los documentos de siniestros.

Variables predictivas para el desarrollo de pérdidas

Para construir variables predictivas para el desarrollo de pérdidas, las aseguradoras suelen considerar cinco tipos de información:

1. Detalles iniciales del siniestro

2. Información del desarrollo del siniestro

3. Detalles de la póliza

4. Detalles del cliente

5. Factores externos

Sin embargo, es crucial evitar la fuga de objetivos (target leakage), que ocurre cuando se utiliza en el entrenamiento del modelo información que no estaría disponible en el momento de la predicción. Para evitar esto, las variables se limitan a valores históricos para cada año de desarrollo, alineándose con el momento de la predicción.

Los conjuntos de características pueden variar según el propósito del modelo, con algunos centrados en la estimación temprana del desarrollo del siniestro y otros en portafolios de cola larga.

Desafíos de la preparación de datos

La modelización ILD puede generar conjuntos de datos grandes, especialmente para pasivos de cola larga. Las técnicas de submuestreo pueden ayudar a gestionar el tamaño del conjunto de datos, pero introducen un sesgo hacia los valores de corta distancia. La introducción de pesos puede ayudar a mitigar este sesgo, dependiendo del objetivo empresarial.

Configuración del modelo

Varios factores deben considerarse al configurar un modelo ILD, incluido si trabajar con siniestros abiertos y cerrados, cómo manejar los valores atípicos, en qué etapas del siniestro se realizan las predicciones y qué técnicas de postprocesamiento son necesarias.

Flujo de trabajo de modelización

AutoML permite una experimentación rápida con varias familias de modelos y enfoques de ingeniería de características. También permite la creación de características objetivo, teniendo en cuenta factores como la pérdida total y el delta de pérdida. La elección de la métrica de optimización depende del propósito previsto del modelo.

Interpretación del modelo

Los modelos ILD proporcionan información sobre las características predictivas. Las tres características más predictivas suelen incluir la pérdida inicial, la pérdida acumulada incurrida y el año de desarrollo. Las restricciones de monotonía son cruciales, asegurando que el modelo se alinee con los supuestos empresariales.

Aplicación del enfoque ILD

Se utilizó un portafolio de pérdidas de aviación simulado con 14.000 siniestros de diferentes sublíneas de negocio para aplicar el enfoque ILD. El modelo demostró una precisión prometedora, y las características más predictivas se alinearon con las expectativas. Además, los modelos ILD ofrecen explicaciones individuales para cada predicción, lo que permite a las aseguradoras comprender por qué un siniestro podría considerarse de riesgo.

Implicaciones para las aseguradoras

El enfoque ILD ofrece una perspectiva granular sobre la inflación del portafolio de siniestros, complementando los métodos tradicionales de provisión de reservas. El aprendizaje automático, particularmente AutoML, proporciona una solución a los desafíos asociados con la construcción manual de modelos ILD, ahorrando tiempo y ofreciendo información accionable. Si bien es poco probable que ILD reemplace por completo los métodos basados en triángulos, puede mejorar varios aspectos del seguro, desde la fijación de precios y la investigación de siniestros hasta la detección de fraudes y la evaluación del portafolio. Al adoptar ILD y mantenerse al día con los avances en aprendizaje automático, las aseguradoras pueden obtener una ventaja competitiva en la industria.

En el panorama siempre cambiante de los seguros, la adopción de ILD y el aprendizaje automático promete transformar la industria, permitiendo a las aseguradoras tomar decisiones más informadas y brindar mejores servicios a sus clientes.