Dissertação
Predicting Frequency and Claims of Health Insurance with Machine Learning techniques EVALUATED
No setor segurador de saúde, as apólices são normalmente contratos de um ano que sofrem uma renovação após esse período. Na Multicare, essa renovação começa a ser negociada ao final dos primeiros nove meses da anuidade atual. Neste ponto, é necessário fazer uma previsão de como a anuidade atual irá terminar, ou seja, há a necessidade de se projetar a sinistralidade dos últimos três meses da anuidade, considerando a sinistralidade dos primeiros nove. Este problema é atualmente tratado, usando algoritmos de séries temporais, ARIMA, que prevê a sinistrlaidade futura, considerando apenas a sinsitralidade passada e, ignorando todas as outras informações externas que também podem ser úteis na previsão do comportamento da população segurada, tanto em termos de frequência de uso do seguro, como em termos de custo dos atos médicos. Este estudo incorpora uma grande variedade de variáveis externas provenientes de diferentes fontes nos datasets tradicionais da Multicare e realiza uma comparação entre vários tipos de modelos de aprendizagem automática baseados em árvores, com o objetivo de encontrar aqueles que levam a melhores desempenhos na previsão de sinistros e custos da população segurada. A principal contribuição deste trabalho é a proposta de um novo modelo de previsão dos sinistros e custos da população segurada e sua inevitável comparação com o modelo atualmente em produção na Multicare, baseado em séries temporais ARIMA.
maio 14, 2021, 14:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Arlindo Manuel Limede de Oliveira
Departamento de Engenharia Informática (DEI)
Professor Catedrático
ORIENTADOR
Luís Miguel Veiga Vaz Caldas de Oliveira
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar