Académique Documents
Professionnel Documents
Culture Documents
Revista de la Facultad de Ingeniera Industrial Eduardo Arce Chncaro / Miguel Meja Puente
14(2): 59-66 (2011) UNMSM
ISSN: 1560-9146 (Impreso) / ISSN: 1810-9993 (Electrnico)
RESUMEN
1. INTRODUCCIN
La presente investigacin analiza una compaa En la actualidad, la necesidad de la poblacin para contar
del sector Seguros, subsector Vida Institucional, con un seguro se refleja a travs de los grandes montos
que desea reducir su riesgo crediticio. Para ello, se de dinero que alcanzan las primas de seguros de vida. En
debe minimizar la cantidad de plizas canceladas
luego de su emisin. Se desarrolla un modelo de
los ltimos aos, el mercado de seguros peruano ha creci-
evaluacin crediticia que permita describir y prede- do a una tasa ligeramente superior al crecimiento del Pro-
cir con adecuada precisin, la probabilidad de que ducto Bruto Interno (10%). Uno de los cuatro sectores que
la emisin de una pliza determinada sea rentable componen el mercado de seguros es Vida Individual, este
para la compaa aseguradora. Se emplea un por-
tafolio de plizas valorizado en 10 millones de dla-
sector se ha incrementado en 100%. En los ltimos aos,
res americanos con retencin de plizas al 68,2%. el mercado de seguros de Vida Individual se concentra
Con el modelo se logra un aumento en el valor del en cuatro compaas. Esta investigacin se desarrolla en
portafolio de 4,7% y un aumento en la retencin de una de estas compaas.
plizas de 2,9%.
Palabras clave: seguros, riesgo crediticio, plizas
El modelo de negocios de la compaa aseguradora en
estudio se representa por la siguiente relacin: (ingresos
por primas devengadas e inversiones) (egresos por si-
Application of a credit niestros y gastos de emisin). Es decir, la aseguradora
evaluation model in order to aumenta sus ingresos mediante dos alternativas:
reduce the risk of the clients a) Aumento de la prima devengada, que se puede lograr
portfolio of insurance company a travs del aumento de plizas subscritas o mejora de
la cartera (ms porcentaje de retencin o ms plizas
vendidas).
ABSTRACT
This research analyzes a company that belongs
b) Manejo ptimo del portafolio de clientes, a travs de
to the institutional life subsector of the insurance decisiones de inversin que generen el mayor retorno
sector that wants to reduce its credit risks. To do posible.
this, the number of policies cancelled after their
emission should be minimized. A credit evaluation Asimismo, la aseguradora disminuye sus egresos me-
model has been developed in order to describe and diante dos alternativas:
predict accurately the probability that an emission
of a policy is profitable for the insurance company. a) Optimizacin de los clculos de reservas para cubrir
A policy portfolio valued in US$ 10 million with los siniestros.
68,2% of policies retention was used. Using the
model an increase of 4,7% in the portfolio value b) Disminucin de los gastos de emisin, reduciendo gas-
and an increase of 2,9% in the policy retention tos como comisiones y exmenes mdicos, y tambin
were gained.
las plizas que se cancelan.
Keywords: insurance, credit risk, policy
As, se tiene la gestin del portafolio y la gestin de reser-
vas que se relacionan con finanzas de inversin y ciencia
actuarial, respectivamente. El estudio se centra en cmo
seleccionar clientes que no cancelen sus plizas y cmo
Aplicacin de un modelo de evaluacin crediticia para reducir el riesgo en la cartera de clientes de una compaa aseguradora
no seleccionar clientes que tengan alta probabili- de la ponderacin de estos puntajes, asigna una
dad de cancelar sus plizas. calificacin que es la referencia para decidir si el
cliente ser considerado como un buen prospecto.
Chiappori y Gollier [2] afirman que para una cartera
Los clientes que tengan un puntaje por debajo del
de plizas, los gastos de emisin suelen superar a
mnimo deseado, sern rechazados por considerar-
la prima cobrada el primer ao. Es decir, que si una
se clientes riesgosos.
pliza deja de ser pagada dentro de su primer ao,
genera prdidas para el asegurador; es por esta ra- Para realizar el proceso de toma de decisiones, los
zn que un problema esencial en este rubro es de- modelos consideran entre sus premisas que el ries-
terminar el mejor procedimiento para la evaluacin go de crdito puede dividirse en dos categoras. La
y decisin de emisin de las plizas. Para desarro- primera est asociada a riesgos que no son cuanti-
llar una solucin que tome en cuenta lo indicado, se ficables, y la segunda est asociada a riesgos que
utiliza la experiencia de la compaa aseguradora. s son cuantificables. El modelo a desarrollar per-
La antigedad de la empresa en el rubro de segu- tenece a la segunda categora, y permite tener un
ros, hace posible que tenga informacin histrica mayor control sobre las variables que componen el
de su cartera de clientes, la cual servir para que riesgo de crdito.
se determinen las caractersticas que son comu-
Segn Mays [3], el 80% de los casos de riesgos
nes a los clientes rentables. Consecuentemente,
cuantificables pueden emplearse en los procesos
es posible predecir los ingresos para la compaa
de toma de decisin de la empresa para asegurar
aseguradora.
un mejor rendimiento.
El objetivo de la investigacin es desarrollar un mo-
Cabe sealar que una vez que una pliza es aproba-
delo de evaluacin crediticia que permita describir
da, el servicio de mantenimiento de cartera ofrecido
y predecir con adecuada precisin, la probabilidad
por los asesores de seguros, slo podr asegurar la
de que la emisin de una pliza determinada sea
retencin del cliente por un tiempo determinado. En
rentable para la compaa aseguradora. Tambin
nuestro caso de estudio es por doce meses desde
permitir reducir el riesgo de la cartera de clientes,
la emisin de la pliza, posteriormente depender
a travs de la minimizacin de plizas de seguro
de haberse elegido adecuadamente al cliente.
canceladas luego de su emisin, para reducir las
prdidas operativas en este tipo de plizas-. Mays sostiene que existen tres tipos de tcnicas
principalmente utilizadas en el desarrollo de un
modelo de evaluacin crediticia, estos son la regre-
2. MODELOS DE Evaluacin CREDITICIA sin mltiple, el anlisis discriminante y la regresin
Los modelos de evaluacin crediticia son utilizados logstica. La regresin logstica y el anlisis discri-
para medir el riesgo crediticio asociado a la selec- minante usan variables no mtricas (categricas),
cin de clientes individuales. Los principios en los requisito necesario debido al tipo de datos que se
que se basa el anlisis son los siguientes: informa- utilizar. Adicionalmente, la regresin logstica no
cin histrica sobre los clientes y caractersticas tiene restricciones en los supuestos, algo que pre-
que definen a los clientes como deseables o no. senta el anlisis discriminante, y provee resultados
que son ms fciles de interpretar. Por estos moti-
Es importante mencionar que los modelos de eva- vos, se utiliza la regresin logstica para desarrollar
luacin crediticia son utilizados en mercados donde el modelo [3].
la dispersin de tipos de clientes es amplia, y donde
cada cliente tiene poca influencia en el mercado. La regresin logstica permite predecir una variable
Estos factores contribuyen a la realizacin de un dicotmica (variable dependiente, asociada a la fac-
anlisis estadstico que necesita una gran cantidad tibilidad de un evento) en funcin de los resultados
de transacciones para poder determinar las catego- observados en ciertas variables independientes. En
ras de clientes. el caso estudiado, la caracterstica a predecir est
representada por la siguiente razn dicotmica: se
Este tipo de modelos, define los factores que deter- mantuvo vigente ms de doce meses / se mantuvo
minan el xito o fracaso de cada solicitud de pliza, vigente hasta doce meses.
y reconoce cules son las caractersticas relevan-
tes para determinar con mayor exactitud el tipo de Dado que se busca predecir una variable dicotmica,
cliente que le conviene a la compaa aseguradora. se defini como p el valor de la probabilidad de
que un caso sea exitoso, e Wi a los predictores.
En la presente investigacin, el modelo identifica y Segn Catena [1], existe una relacin lineal entre
otorga coeficientes a las diferentes variables cuan- el cociente de probabilidades o razn de xito y
tificables del asegurado; de esta forma, a travs fracaso, que se representa como:
Ln [p / (1 p)] = a + b1W1 + b2W2 + bnWn depurar los datos e identificar los predictores; b)
desarrollar el modelo; c) estimar los resultados de
Donde a es una constante, y los bi son coeficientes retencin; d) validar las variables y los niveles de
de los predictores Wi. retencin.
Para determinar la bondad de los parmetros pre-
dictores se emplea el criterio de mxima verosimili- Depuracin de los datos e identificacin de los
tud, debido a que el objetivo es optimizar la cartera predictores
de clientes en funcin de la data histrica obtenida. Se realiza el anlisis de los datos y la modelacin
El proceso es iterativo y se realiza de dos formas: de una base de datos. Esta base de datos contiene
iteraciones hacia adelante, agregando una variable data de tres aos y consiste de 14 229 registros
en cada iteracin hasta tener el nmero ptimo de de plizas de vida individual de la compaa
predictores; e iteraciones hacia atrs, donde se eli- aseguradora, con una retencin del 68,6%. Adems,
mina una variable en cada iteracin hasta tener el se incluye informacin de la pliza y demogrfica de
nmero ptimo de predictores. los contratantes y de los asegurados. Se eliminaron
una serie de variables que presentaban colinealidad
3. METODOLOGA o eran irrelevantes para el estudio.
La metodologa que se utiliza para desarrollar el En la Tabla 1, se observa todas las categoras que
modelo de evaluacin crediticia es la siguiente: a) se consideran como variables ordinales.
Aplicacin de un modelo de evaluacin crediticia para reducir el riesgo en la cartera de clientes de una compaa aseguradora
A continuacin se procede a la revisin y evalua- solicitudes que son 0 como 0 (70,9% de error tipo I).
cin de las categoras a travs de la aplicacin de El valor de AUROC es 72,0% (porcentaje de veces
un modelo de regresin logstica. que el modelo predice correctamente).
Esta regresin es iterativa en su proceso de selec-
Primer modelo con aproximaciones hacia atrs
cin de categoras vlidas. Para obtener el mode-
lo adecuado, se hacen dos corridas: la primera de Se analizan 6 091 registros de la base de datos,
ellas, es por iteraciones hacia adelante, donde en lo dems tenan data incompleta. El porcentaje de
la primera iteracin no se considera ninguna de las retencin de esta data es 68,2%.
variables, y en las siguientes se agregan variables
Despus de cuatro iteraciones se consigue, me-
(una por una) hasta no conseguir ninguna mejora
diante pruebas de verosimilitud, resultados esta-
considerable en el modelo; la segunda es por itera-
dsticamente significativos (< 0,05). En la primera
ciones hacia atrs, donde la corrida inicial contiene
iteracin se consideran todas las variables que
todas las variables y en las iteraciones sucesivas se
aparecen en la Tabla 1. Las variables eliminadas a
irn quitando variables (una por una) hasta no con-
partir de la segunda iteracin fueron: Edad, EsDel-
seguir ninguna mejora considerable en el modelo.
Programa y EstadoCivil.
El modelo tendr dos indicadores de validacin
que se denominan: calibracin y discriminacin. En la cuarta iteracin, se hace un corte al 0,5, lo-
La calibracin es por pruebas chi-Wald, para medir grndose clasificar con 90,6% las solicitudes que
el grado en que la probabilidad estimada coincide son 1 como 1 (9,4% de error tipo II) y con 28,7% la
con los resultados observados y la discriminacin, solicitudes que son 0 como 0 (71,3% de error tipo I).
para medir grado en el que el modelo diferencia los El valor de AUROC es 72,1%. No hay una diferencia
eventos que ocurren de los que no. significativa entre los valores AUROC obtenidos.
Las pruebas chi-Wald evalan el nivel de significan- Debido a que los modelos anteriores consideran
cia de cada iteracin del modelo y del modelo en casi las mismas variables a excepcin de una, Ti-
conjunto. Se trabaja con niveles de significancia del poProducto. En la siguiente evaluacin se usan
95% (p-value < 0.05). Las pruebas AUROC compa- las variables comunes, estas son: Prima, Anti-
ran la discriminacin entre modelos optimales. guedadAsesor; TienePolizaVigente, FormaPago,
PrimaExcedente, FrecuenciaPago, TieneHijos y
Un modelo optimal es uno en el cual las variables IngresoAnual.
de las iteraciones hacia adelante y hacia atrs con
la misma base de datos son iguales. Entre varios Segundo modelo con aproximaciones hacia
optimales, se decide mejorar el modelo a travs de adelante
la disminucin y/o aumento de variables que tengan
mayor influencia en la determinacin de las clases. Se analizan 6 143 registros de la base de datos,
Las mejoras considerables son aquellas que mejo- los dems tenan data incompleta. El porcentaje de
ren el AUCROC, con una variacin superior al 5% retencin de esta data es 68,3%.
entre el resultado del modelo y el mejor resultado Despus de ocho iteraciones se consigue, me-
del modelo anterior. diante pruebas de verosimilitud, resultados esta-
dsticamente significativos (< 0,05). Las variables
Primer modelo con aproximaciones hacia ade- introducidas en cada iteracin fueron: Prima, An-
lante tiguedadAsesor, TienePolizaVigente, FormaPago,
Se analizan 6 091 registros de la base de datos, PrimaExcedente, FrecuenciaPago, TieneHijos e
los dems tenan data incompleta. El porcentaje de IngresoAnual.
retencin de esta data es 68,2%. En la octava iteracin, se hace un corte al 0,5, lo-
Despus de ocho iteraciones se consigue, me- grndose clasificar con 90,5% las solicitudes que
diante pruebas de verosimilitud, resultados esta- son 1 como 1 (9,5% de error tipo II) y con 29,0% la
dsticamente significativos (< 0,05). Las variables solicitudes que son 0 como 0 (71,0% de error tipo I).
introducidas en cada iteracin fueron: Prima, An- El valor de AUROC es 72,0%.
tiguedadAsesor; TienePolizaVigente, FormaPago,
PrimaExcedente, FrecuenciaPago, TieneHijos e Segundo modelo con aproximaciones hacia
IngresoAnual. atrs
En la octava iteracin, se hace un corte al 0,5; lo- Se analizan 6 143 registros de la base de datos,
grndose clasificar con 90,5% las solicitudes que los dems tenan data incompleta. El porcentaje de
son 1 como 1 (9,5% de error tipo II) y con 29,1% las retencin de esta data es 68,3%.
Despus de una iteracin se consigue, mediante Modelo final con corte al 0,5 (50%)
pruebas de verosimilitud, resultados estadstica-
En la Tabla 2 se muestran los resultados obtenidos
mente significativos (< 0,05). En la primera iteracin
con SPSS, para cada variable del modelo final.
se consideran las ocho variables que usadas en el
modelo anterior. En la Tabla 3 se muestran los coeficientes obtenidos
por la aproximacin hacia delante usando SPSS,
En la primera iteracin, se hace un corte al 0,5; lo-
del modelo final para el proceso de evaluacin de
grndose clasificar con 90,5% las solicitudes que
plizas.
son 1 como 1 (9,5% de error tipo II) y con 29,0% la
solicitudes que son 0 como 0 (71,0% de error tipo I). La ecuacin obtenida para el valor de corte K = 0,5
El valor de AUROC es 72,0%. Los valores AUROC es la siguiente:
obtenidos son iguales.
Aplicacin de un modelo de evaluacin crediticia para reducir el riesgo en la cartera de clientes de una compaa aseguradora
Puntajes
Variable Valor
B Exp(B)
1 -1,153 0,316
2 -0,834 0,434
Prima anualizada (Prima)
3 -0,448 0,639
4 0 1
0 -0,222 0,801
Hijos? (TieneHijos)
1 0 1
1 -0,423 0,655
2 -0,283 0,753
Ingresos anuales (IngresoAnual) 3 -0,119 0,888
4 -0,105 0,9
5 0 1
1 -1,011 0,364
Prima excedente como % de prima anualizada 2 -0,637 0,529
(PrimaExcedente) 3 -0,192 0,825
4 0 1
1 -2,228 0,108
Frecuencia de pago (FrecuenciaPago) 6 -2,159 0,115
12 0 1
0 -1,035 0,355
Pliza vigente previa? (TienePolizaVigente)
1 0 1
1 -0,865 0,421
Antigedad del asesor (AntiguedadAsesor) 2 -0,662 0,516
3 0 1
1 -1,406 0,245
2 -1,022 0,36
Forma de pago (FormaPago)
3 -0,611 0,543
4 0 1
Constante - 6,711 821,502
Valor actual
D ND
Falso positivo (FP)
Verdadero positivo (VP)
D -0,25b=-20,33%
75%
Error tipo I
Resultado del
modelo Falso negativo (FN)
Verdadero negativo (VN)
ND c=-36,92%
b=81,31%
Error tipo II
Aplicacin de un modelo de evaluacin crediticia para reducir el riesgo en la cartera de clientes de una compaa aseguradora