(Magíster en Ciencias Actuariales )

El presente trabajo tiene como objetivo determinar el efecto que supone el incluir variables
telemáticas provenientes de dispositivos IoT en la construcción de modelos de prima pura
de riesgo. Debido a la inexistencia de bases de datos reales con variables telemáticas en
Colombia, se utilizó una base de datos sintética generada a partir del artículo “Synthetic
Dataset Generation of Driver Telematics” (So, Boucher, & Valdez, 2021).
Para cumplir con el objetivo, se construyó un modelo de tarifación con variables
tradicionales (género, edad, estado civil, entre otras) como punto de referencia para
comparar los demás modelos construidos. Luego, se crearon diferentes modelos de
tarifación utilizando modelos GLM con diferentes combinaciones de variables tradicionales
y telemáticas. La comparación de los modelos se realizó a partir del estadístico AIC, que
permite seleccionar el modelo con mejor ajuste a los datos. (Goldburd, Khare, Tevet, &
Guller, 2020)
Los resultados mostraron que la inclusión de variables telemáticas en los modelos de
frecuencia mejora el AIC, aunque no significativamente. En particular, las variables
telemáticas de aceleración y frenado resultaron ser las más importantes al ser
estadísticamente significativas en la mayoría de los diferentes modelos construidos. En
contraste, los modelos de severidad y de prima pura (Tweedie) no lograron ajustar con la
misma eficiencia que los modelos de frecuencia.
Entre las limitaciones del estudio se encontró la falta de datos reales con variables
telemáticas en Colombia, lo que limitó la capacidad de generalización de los resultados.
Además, se utilizaron modelos GLM tradicionales para la construcción de los modelos de
frecuencia, severidad y prima pura en lugar de metodologías modernas de modelación
como RF o XGBoost.
En conclusión, los resultados sugieren que el uso de datos telemáticos provenientes de
dispositivos IoT puede mejorar la capacidad predictiva de los modelos de tarifación de
pólizas de autos individuales en Colombia principalmente para explicar el componente de
frecuencia de los reclamos, aunque estos resultados se deben revisar muy bien antes de
hacer generalizaciones y, en lo posible, replicar los resultados con datos no simulados que
permitan la construcción de modelos base y así cómo de modelos con variables telemáticas
más robustos y que proporcionen resultados más confiables