Modelización predictiva: la unión de actuaria e IA

Por Jonas Mohamed Osman Abdelghafour, actuario y experto en riesgos cuantitativos.

La tarificación de seguros es una de las aplicaciones más antiguas de la modelización predictiva en uso comercial. También es, en el espacio de una década, una de las más transformadas. El motor de tarificación de una aseguradora de ramos personales bien gestionada hoy en día es un híbrido: una estructura actuarial de GLM que aporta la interpretabilidad y la defensa regulatoria construida durante décadas, aumentada por componentes de gradient boosting o neuronales que extraen la señal que el GLM deja atrás.

Ese híbrido es donde la profesión ha aterrizado, y es el lugar correcto donde estar por ahora. Lo que importa es cómo se integran las dos mitades, cómo se gobierna el modelo resultante y cómo la empresa gestiona el escrutinio regulatorio que sigue a cualquier uso de la IA en un proceso de tarificación de cara al consumidor.

Por qué el GLM sigue siendo la columna vertebral

El modelo lineal generalizado se ganó su lugar como estándar de tarificación por razones defendibles. Produce coeficientes que pueden leerse como factores de tarificación multiplicativos. Gestiona el ajuste de exposición de forma natural a través de la estructura Poisson y Gamma con enlace logarítmico. Se integra limpiamente en los motores de tarificación, en los contratos de reaseguro y en los GLM de reservas de la misma forma. Y sobrevive a las preguntas de los reguladores porque cada factor de tarificación se remonta a un coeficiente específico con un error estándar específico.

Las críticas también son bien conocidas. Los GLM no pueden capturar interacciones no lineales a menos que se parametricen explícitamente. Pueden ser sensibles a covariables correlacionadas de formas que los métodos de aprendizaje automático gestionan con más elegancia. Y dejan capacidad predictiva sobre la mesa —habitualmente entre un cinco y un quince por ciento de mejora del Gini— que las alternativas de gradient boosting pueden extraer.

La respuesta pragmática, adoptada por la mayoría de los equipos de tarificación sofisticados, no es reemplazar el GLM sino estructurar el proceso de modelización de modo que el GLM capture el núcleo interpretable y un componente de aprendizaje automático capture el residuo.

El patrón del modelo residual

El patrón que se ha convertido en estándar en la tarificación de ramos personales es el siguiente. Ajustar un GLM sobre el objetivo ajustado por exposición: frecuencia de siniestros, gravedad o un coste de pérdida combinado. Calificar el GLM fuera de la muestra. Ajustar un modelo de gradient boosting sobre el residuo, utilizando las mismas variables más otras adicionales que la estructura del GLM no puede acomodar. Calificar el conjunto. Iterar.

Dos decisiones de diseño son importantes. Primero, el modelo residual debe estar restringido —normalmente mediante límites de profundidad de interacción y de tasa de aprendizaje— para que capture la señal que el GLM perdió en lugar de volver a ajustar la señal que el GLM ya encontró. Segundo, la contribución del modelo residual debe monitorizarse por factor de tarificación. Si el componente de gradient boosting aumenta o disminuye sistemáticamente el peso de un segmento específico, eso es un factor de tarificación que el GLM debería absorber o una preocupación de equidad que necesita atención antes del despliegue.

Para un análisis más amplio sobre dónde ayuda el aprendizaje automático en la modelización de pérdidas, véase la nota complementaria sobre provisiones modernas. El servicio de IA y modelos de riesgo cuantitativo es como estructuro este trabajo con los clientes.

Ingeniería de variables: donde siguen estando las ganancias

Los profesionales noveles en la modelización de seguros a menudo esperan que la mejora venga del algoritmo. Diez años de estudios de tarificación publicados dicen lo contrario: las mayores ganancias provienen de las variables (features), no de los métodos.

Los datos telemáticos, los datos meteorológicos y de tráfico externos, las señales adyacentes al crédito donde la jurisdicción lo permite y, cada vez más, los efectos fijos geoespaciales a nivel de código postal y adyacencia, aportan más mejora predictiva de lo que jamás lo hará la elección entre XGBoost y LightGBM. La elección metodológica se vuelve importante una vez que el conjunto de variables se ha estabilizado.

El riesgo de gobernanza correspondiente es que las nuevas variables introduzcan proxis de características protegidas sin que el equipo de modelización se dé cuenta. Cada nueva variable debería activar una auditoría de equidad —no una casilla de verificación, sino una prueba real de que el efecto marginal de la variable no tarifica desproporcionadamente a grupos cuyo precio el regulador objetaría. Aquí es donde el trabajo analítico se une al marco de gestión de riesgos corporativos y, en última instancia, al consejo de administración.

Redes neuronales: justificadas en lugares concretos

El aprendizaje profundo en la tarificación de seguros ha tardado más en llegar que en otros sectores verticales, por buenas razones. Los datos tabulares estructurados con los que trabajan los equipos de tarificación no suelen beneficiarse del poder de representación de las redes neuronales de formas que los árboles con gradient boosting no puedan igualar. Donde las redes neuronales se ganan su lugar es en los datos no estructurados.

Los tres casos de uso actuales con evidencia real son la evaluación de imágenes de daños para siniestros de automóviles (arquitecturas convolucionales ajustadas con fotografías de talleres), la extracción de texto de notas de siniestros y narrativas de peritos (modelos basados en transformers que convierten el texto libre en variables estructuradas utilizables por el GLM de tarificación) y el aprendizaje de características de series temporales telemáticas (modelos recurrentes o basados en atención que resumen las trazas de conducción en variables utilizables para la tarificación). En cada caso, el componente neuronal alimenta al modelo actuarial, no lo reemplaza.

Gobernanza que sobrevive al regulador

Cada aseguradora europea que utiliza la IA en un proceso de cara al consumidor vive ahora con tres marcos superpuestos: las expectativas de riesgo de modelo que preceden a la IA (ampliamente alineadas con la disciplina SR 11-7 de EE. UU.), la clasificación de la Ley de IA de la UE de la tarificación de seguros como de alto riesgo y, para vida y pensiones, el régimen existente de validación y cambio de modelo de Solvencia II. Estos marcos coinciden en más cosas de las que discrepan.

Inventario. Cada modelo en producción tiene un propietario, un propósito, un nivel de materialidad y una evaluación de riesgos documentada. Los componentes de aprendizaje automático dentro de una cadena de tarificación no están exentos.

Documentación. Para cada modelo: propósito, linaje de datos, metodología de entrenamiento y validación, métricas de rendimiento, calibración, plan de seguimiento y activadores de remediación. La documentación no puede generarse a posteriori cuando el modelo es cuestionado; debe formar parte del proceso de despliegue.

Seguimiento. Deriva de concepto, deriva de calibración, deriva de variables y —críticamente— deriva de equidad, todo ello medido con una cadencia definida, con umbrales de remediación preestablecidos. Véase la nota sobre el cuadro de mando de monitorización de modelos de riesgo de crédito para un patrón compatible en el lado del crédito.

Cuestionamiento independiente. La misma función de riesgo de modelo de segunda línea que revisa los GLM revisa los componentes de aprendizaje automático, utilizando el enfoque de validación independiente que utilizo con los clientes. Si el revisor no puede seguir el modelo, eso es una deficiencia de documentación, no una limitación que el revisor deba aceptar.

Explicabilidad. Para cualquier modelo que produzca una decisión de tarificación que afecte a un consumidor, debe poder recuperarse una explicación de los factores que impulsan esa decisión. SHAP y los métodos de atribución relacionados suelen ser suficientes, siempre que se calculen en el momento de la predicción y se almacenen, no que se reconstruyan a posteriori.

Dónde sigue fallando la profesión

Vale la pena señalar tres modos de fallo recurrentes.

Optimizar para la mejora predictiva, no para el valor de negocio. Un modelo con un índice de Gini más alto que renueva a una tasa de retención más baja no es un mejor modelo. Las pruebas retrospectivas de valor de negocio —ratio de siniestralidad esperado, renovación esperada, valor de vida del cliente esperado— deben figurar junto a las métricas estadísticas. Este es un punto de gobernanza tanto como de modelización, y es donde deben alinearse los incentivos del equipo de modelización y los del comité de precios.

Ignorar las dinámicas de selección adversa. Un modelo de tarificación que mejore su ratio de siniestralidad en el primer año puede estar desestabilizando el segmento en el tercer año, si los competidores están tarificando de forma diferente sobre las mismas señales. El seguimiento a nivel de cartera de la retención, el índice de tasas de la competencia y el cambio en el mix debe formar parte de la revisión continua de cada modelo de tarificación; esto conecta con la conversación más amplia sobre el diseño de escenarios ORSA.

Subestimar la inversión en el camino de transición. Sustituir una antigua estructura de tarifas por un nuevo modelo de precios es un cambio de negocio, no un despliegue técnico. El camino de transición —ejecución en paralelo, despliegue controlado por geografía o segmento, condiciones definidas del interruptor de apagado— es a menudo lo que determina si el nuevo modelo se asienta o si se revierte bajo presión comercial.

Cierre

La modelización predictiva en los seguros no es ni un problema resuelto ni una línea de frente de la exageración de la IA. Es una disciplina madura que ha absorbido dos generaciones de avances metodológicos —los GLM, luego el gradient boosting, ahora el uso selectivo de redes neuronales— y ahora está absorbiendo una tercera generación de gobernanza y regulación en torno a ese mismo conjunto técnico. Las empresas que naveguen bien esa capa de gobernanza serán las que puedan desplegar nuevas técnicas de modelización de forma rápida y defendible. Las empresas que traten la gobernanza como una tarea de cumplimiento posterior se verán rezagadas o forzadas por el regulador a revertir decisiones a posteriori.

Si está construyendo o revisando un modelo de tarificación híbrido, o preparándose para el escrutinio de la Ley de IA, consulte la línea de servicio de IA y riesgo cuantitativo o contacte conmigo.