Barcelona, España
La reducción de la movilidad durante la pandemia COVID19 ha supuesto una disminución de la siniestralidad en el seguro de automóviles. Las entidades necesitarán realizar escenarios de tarificación para posibles cambios en los hábitos de transporte, usando los datos del ejercicio 2020.
Mostramos cómo utilizar métodos de Machine Learning (árboles de decisión y gradient boosting) para evaluar dichos escenarios y proponemos una estrategia para corregir las circunstancias de exposición al riesgo que se han dado durante la pandemia. Se concluye que es posible utilizar la información existente durante el periodo de confinamiento siempre que se puedan identificar y corregir los cambios en las carteras, viendo si el impacto es homogéneo por grupos de riesgo.
The reduction in mobility during the COVID19 pandemic has led to a reduction in the accident claims rate in motor insurance. Insurance companies will need to calculate pricing scenarios for possible changes in transportation habits, using data from 2020. We show how some Machine Learning methods (decision trees and gradient boosting) can be used to evaluate pricing scenarios and we propose a strategy to correct the circumstances of exposure to risk that have occurred during the pandemic.
We conclude that it is possible to use the existing information during the lockdown period provided that changes in the portfolios can be identified and corrected, and assessing whether or not the impact is homogeneous by risk groups.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados