(Maestría en Ciencias Actuariales)

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.