Presentar detalladamente los conceptos fundamentales de la analítica de datos y su relación los procesos de tarifación de seguros, así como analizar y detallar los métodos actuariales de tarifación con modelos lineales generalizados y las metodologías de machine learning que han venido siendo utilizadas en la literatura actuarial.

Al finalizar el curso, los estudiantes estarán en capacidad de:

1. · Tener claridad sobre los conceptos relevantes de Analítica en la tarifación de seguros.

· Reconocer la importancia del análisis de datos y los algoritmos empleados en la tarifación de seguros

· Conocer los desarrollos recientes de la literatura especializada sobre tarifación de seguros generales.

MÓDULO I: MÉTODOS DE TARIFACIÓN EN SEGUROS GENERALES

· Conceptos Básicos: frecuencia, severidad y prima pura

· Modelos Estadísticos de Frecuencia y de Severidad. Ajuste de Distribuciones

· Modelo de Pérdidas Agregadas

· Tarifación por Modelos Lineales Generalizados GLM

· Medidas de Bondad de Ajuste

· Aplicación en Seguros de Automóviles

· Tarifación por Modelos Aditivos Generalizados GAM

· Credibilidad en modelos lineales generalizados

MÓDULO II: MACHINE LEARNING EN TARIFACIÓN DE SEGUROS

· Exploración de Datos

· Técnicas de reducción de dimensionalidad

· Métodos de Aprendizaje No Supervisado: Clustering

· Métodos de Aprendizaje Supervisado

o Redes Neuronales

o Arboles de Clasificación y de Regresión

o Métodos “ensemble learning”: Random Forest, Bagging y Boosting

· Tarifación de Seguros de Automóviles revisada

· Telemática y tarifación de seguros por uso

REFERENCIAS BIBLIOGRÁFICAS:

[1] Wutrich, M et al (201) Data Analytics for Non-Life Insurance Pricing. Lecture Notes.

[2] Castillo, S (2018) Comparing Machine Learning Models for Insurance

Ratemaking. Working Paper.

[3] Denuit, M et al (2019) Effective Statistical Learning Methods for Actuaries I: GLMs and Extensions. Springer.

[4] Denuit, M et al (2019) Effective Statistical Learning Methods for Actuaries III: Neural Networks and Extensions. Springer.

[5] Grize et al (2020) Machine learning applications in nonlife insurance. Appl Stochastic Models Bus Ind. 2020;1–15.

[6] SOA (2019) Literature Review: Artificial Intelligence and Its Use in Actuarial Work. Working Paper.

[7] SOA (2019a) Machine-Learning Methods for Insurance Applications

A Survey. Working Paper.

[8] SOA (2019b) Emerging Data Analytics Techniques with Actuarial Applications. Working Paper

Directivos, jefes, gerentes o profesionales de suscripción, indemnizaciones y actuaría que deseen conocer el impacto de las herramientas de analítica de datos la tarifación de seguros generales.

CAMILO ANDRES MOLANO MENDOZA

Matemático con maestría en Actuaría y Finanzas egresado de la Universidad Nacional de Colombia con experiencia en el proceso de reservas matemáticas y técnicas para los ramos de riesgos laborales, vida individual y vida grupo; pricing; creación de tablas de mortalidad para rentistas válidos e inválidos. Cuenta con experiencia en la realización de estudios de mercado, y en la elaboración y presentación de informes e indicadores de gestión. También cuenta con conocimientos en la normativa IRFS 17 y solvencia II. Tiene experiencia apoyando procesos de contratación principalmente en la adquisición de licencias de software actuarial como ResQ y Risk Agility de WTW. Cuenta con conocimientos avanzados de las herramientas y los lenguajes de programación R, SQL, SAS, VBA, LATEX, MATLAB y ofimática; con pensamiento analítico, Autonomía, Iniciativa, Liderazgo, Recursividad y Toma de decisiones