Modelización predictiva en seguros

La modelización predictiva ha rediseñado silenciosamente los seguros durante las últimas dos décadas. Lo que comenzó como modelos lineales generalizados para la tarificación de automóviles a finales de la década de 1990 se ha expandido a procesos de aprendizaje automático que tocan la tarificación, las reservas, la detección de fraudes, la retención, el triaje de siniestros y la dirección de la cartera. Los ganadores no son las aseguradoras con los algoritmos más exóticos; son las que tienen los datos más limpios, el enfoque de negocio más agudo y la gobernanza para desplegar los modelos de forma responsable.

Este artículo presenta una visión práctica de la modelización predictiva en los seguros: dónde aporta valor, qué clases de modelos se adaptan a qué problemas y cómo mantener todo el aparato explicable ante los reguladores, los auditores y su propio consejo de administración.

Planteamiento de la pregunta de negocio

El fallo más común de los proyectos de modelización predictiva no tiene nada que ver con el modelo. Es una pregunta mal planteada. "Mejorar la tarificación" no es una pregunta; "reducir el ratio de siniestralidad en el nuevo negocio del Segmento X identificando los factores de riesgo del decil superior que no están actualmente en la tarifa" sí lo es. Un buen planteamiento obliga a tener claridad sobre:

• La decisión que el modelo respaldará.
• La población a la que se aplicará.
• La variable objetivo (frecuencia, gravedad, prima pura, probabilidad de retención, indicador de fraude).
• La métrica de éxito: lift, Gini, error de calibración o un KPI directo del negocio.
• Las restricciones: regulatorias, éticas, computacionales y legales.

Un problema bien planteado suele admitir un modelo más sencillo. Uno mal planteado invita a una complejidad algorítmica que oculta el hecho de que no cambiará ninguna decisión.

El caballo de batalla: Modelos Lineales Generalizados (GLM)

Los GLM siguen siendo la columna vertebral de la tarificación de seguros por una buena razón. Proporcionan efectos marginales no sesgados, coeficientes transparentes y un ajuste natural para las distribuciones de la familia exponencial que describen la frecuencia de los siniestros (Poisson) y la gravedad (Gamma o Lognormal). Los reguladores los entienden. Los auditores pueden reproducirlos. Los suscriptores pueden discutirlos.

Un proceso de tarificación con GLM maduro suele incluir:

• Análisis univariante y bivariante cuidadosos para identificar la señal.
• Tratamiento de los factores de tarificación: agrupación, suavizado y diseño de interacciones.
• Estructuras de ajuste (offset) para la exposición y los efectos conocidos.
• Validación cruzada en muestras fuera de tiempo (out-of-time), no solo en pliegues aleatorios.
• Comprobaciones de consistencia frente a la tarifa actual.

Las limitaciones de los GLM —estructura aditiva, sensibilidad a la ingeniería de variables (feature engineering), dificultad para capturar interacciones de alto orden— son bien conocidas. También suelen exagerarse: un GLM bien diseñado con interacciones creíbles se queda frecuentemente a unos pocos puntos porcentuales de un modelo de árboles con boosting en carteras reales, con una fracción del riesgo operativo.

El gradient boosting y su función

Las máquinas de gradient boosting (XGBoost, LightGBM, CatBoost) se han convertido en el modelo desafiante por defecto en la modelización de seguros. Gestionan las no linealidades e interacciones de forma automática, toleran datos desordenados y suelen ofrecer una mejora significativa sobre un GLM en problemas de frecuencia y retención.

La pregunta correcta rara vez es "¿GLM o GBM?", sino "¿cómo usamos ambos?". Patrones comunes:

• GBM como desafiante. Se ajusta un GBM junto al GLM, se utilizan los valores SHAP para identificar la estructura que el GLM está perdiendo y se reincorporan esas interacciones al GLM.
• GBM en producción para decisiones no tarifarias. La puntuación de retención, la propensión a la venta cruzada, el triaje de fraudes y el enrutamiento de siniestros son áreas donde los requisitos de interpretabilidad son menores y los GBM pueden desplegarse directamente.
• Tarifas híbridas. En algunas jurisdicciones, los factores residuales derivados de un GBM se superponen a una tarifa base de GLM, sujetos a topes y restricciones de monotonicidad.

Más allá de los árboles con boosting, tienen su nicho las regresiones penalizadas (elastic net), los modelos aditivos generalizados y, más recientemente, los modelos tabulares basados en transformers. Ninguno ha desplazado al binomio GLM/GBM en la tarificación convencional.

Los datos son el verdadero proyecto

Todo modelador experimentado tiene la misma observación: el modelo es el 10% del trabajo. El otro 90% son los datos: obtenerlos, limpiarlos, unirlos y entender qué significa realmente cada campo.

Los retos específicos de los datos en seguros son inusuales:

• Desarrollo prolongado. El objetivo (pérdida final) puede no conocerse hasta años después, lo que obliga a utilizar valores finales desarrollados o estimados como objetivos de entrenamiento, con todo el ruido que eso implica.
• Eventos raros. Los grandes siniestros y las catástrofes están, por definición, infra-representados en cualquier muestra de entrenamiento.
• Deriva de la cartera. Los cambios en la suscripción, la tarificación y los productos hacen que los datos históricos no sean estacionarios.
• Datos externos. Los datos telemáticos, geoespaciales, crediticios y de comportamiento pueden aportar una mejora real, pero traen consigo sus propias cargas regulatorias y éticas.

El linaje de los datos —saber exactamente de dónde procede cada variable, cómo se transformó y si puede utilizarse legalmente— es ahora un entregable tan importante como el propio modelo.

Validación con sentido

La validación estadística en la modelización de seguros tiene que responder a algo más que "¿predice bien el modelo en la muestra de reserva?". Una validación defendible cubre:

• Discriminación. Gini, AUC, curvas de lift por decil.
• Calibración. Real frente a esperado en todos los segmentos, no solo a nivel global.
• Estabilidad. Rendimiento a lo largo de periodos de tiempo, geografías y canales de distribución.
• Tensión (stress). Comportamiento ante cambios en la distribución: inflación, cambio en el mix, aumentos repentinos de nuevo negocio.
• Equidad (fairness). Análisis de impacto dispar en características protegidas, se utilicen o no dichas características como entradas.
• Impacto en el negocio. Efecto simulado en la cartera: ratio de siniestralidad, retención, volumen y mix bajo el nuevo modelo.

Los reguladores esperan cada vez más esta batería completa, no solo una cifra de AUC.

Explicabilidad y riesgo de modelo

La interpretabilidad no es opcional. Según las clasificaciones de la Ley de IA de la UE, las decisiones de suscripción y tarificación de seguros son usos de alto riesgo; según Solvencia II, los modelos internos están sujetos a la política de cambio de modelos y a la Evaluación Interna de Riesgos y Solvencia. Incluso fuera de esos regímenes, un modelo inexplicable es un modelo inmanejable.

Las herramientas prácticas de explicabilidad incluyen:

• Valores SHAP para la importancia de las variables global y local en modelos basados en árboles.
• Gráficos de dependencia parcial y efectos locales acumulados para visualizar los efectos marginales.
• Modelos subrogados —un GLM sencillo ajustado a las predicciones de un modelo complejo— como capa de comunicación.
• Restricciones de monotonicidad e interacción para codificar directamente en el modelo las expectativas del dominio.

La gestión del riesgo de modelo envuelve esto con documentación, validación independiente, control de cambios y revalidación periódica. Un modelo sin un propietario, un validador y un plan de retirada es una carga.

Producción y seguimiento

Un modelo que no se monitoriza es un modelo que decaerá silenciosamente. El seguimiento en producción debe cubrir:

• Deriva de las entradas —¿están las variables en producción distribuidas como los datos de entrenamiento?
• Deriva de las salidas —¿se mueven las predicciones de forma inesperada?
• Decaimiento del rendimiento —a medida que surgen los datos reales, ¿cómo los sigue el modelo?
• Salud de los segmentos —¿se desvía alguna sub-cartera más rápido que el conjunto?

Las alertas deben estar vinculadas a umbrales acordados previamente y a un plan de respuesta documentado: recalibrar, reentrenar, restringir o retirar. El peor resultado es descubrir, al cierre del año, que un modelo ha estado tarificando mal un segmento durante seis meses.

Hacia dónde va el sector

Tres cambios están configurando los próximos años de la modelización predictiva en seguros:

• De las estimaciones puntuales a las distribuciones. Los enfoques bayesianos y basados en cuantiles están ganando terreno, especialmente para las reservas y la modelización del capital, porque se alinean mejor con las decisiones basadas en el riesgo.
• De las variables a las representaciones. Las representaciones (embeddings) de texto (notas de siniestros, narrativas de peritos), imágenes (propiedades, daños en vehículos) y trazas telemáticas están entrando en los procesos convencionales.
• De los modelos a los sistemas. La disciplina MLOps —versionado, reproducibilidad, pruebas automatizadas, seguimiento— se está convirtiendo finalmente en un estándar en los seguros, poniéndose al día con otras industrias.

Reflexión final

La modelización predictiva en los seguros no es una carrera por el algoritmo más sofisticado. Es una disciplina que consiste en plantear la pregunta adecuada, basarse en datos fiables, elegir el modelo más sencillo que resuelva el problema, validarlo frente a la realidad y monitorizarlo en producción. Las aseguradoras que tratan la modelización como una capacidad integrada —y no como una serie de proyectos aislados— acaban teniendo mejores precios, carteras más limpias y modelos que sobreviven a su próxima revisión regulatoria.