advanced analytics for p-chain optimizing the value … · 2019. 6. 26. · advanced analytics for...
TRANSCRIPT
ADVANCED ANALYTICS FOR
INSURANCE ENTERPRISES
Ing. Jesús Velásquez-Bermúdez, Dr. Eng.
Chief Scientist DecisionWare - DO Analytics [email protected]
Bogotá, Junio 2019
P-CHAINOPTIMIZING THE VALUE CHAIN
ADVANCED ANALYTICS FOR INSURANCES ENTERPRISES
2
“The revolutionary idea that defines the boundary between modern times and the past is the mastery of risk: the notion that the future is more than a whim of the gods and that men and
women are not passive before nature.
The essence of risk management lies in maximizing the areas where we have some
control over the outcome while minimizing the areas where we have absolutely no control over
the outcome and the linkage between effect and cause is hidden from us”.
Peter L. BernsteinAgainst the Gods: The Remarkable Story of Risk
Chapter 12, “The Measure of Our Ignorance”
ÍNDICE
1. ADVANCED ANALYTICS
1.1. ADVANCED ANALYTICS FRAMEWORK 1.2. STOCHASTIC ADVANCED ANALYTICS MODELLING
1.3. OPCHAIN-SAAM – A COGNITIVE ROBOT
1.4. OPTIMIZACIÓN FINANCIERA
2. GESTIÓN DEL RIESGO CORPORATIVO 2.1. OPTIMIZACIÓN ESTOCÁSTICA Y GESTION DEL RIESGO
2.2. ERM: ENTERPRISE RISK MANAGEMENT
2.3. ALM: ASSETS LIABILITIES MANAGEMENT 2.4. CONCENTRACIÓN DE ACTIVIDADES Y RIESGO FINANCIERO
2.5. BIO-RISK OPTIMIZATION
3. ANÁLISIS DE LA SINIESTRALIDAD
3.1. IMPACTO DE LA SINIESTRALIDAD 3.2. MODELAMIENTO DEL CLIENTE
ADVANCED ANALYTICS FOR INSURANCES ENTERPRISES
3
ADVANCED ANALYTICS FOR INSURANCE ENTERPRISES
1. ADVANCED ANALYTICS
1.1. ADVANCED ANALYTICS FRAMEWORK
Desde la publicación del libro "Compitiendo en Analytics", escrito por Tomas Davenport, las aplicaciones relacionadas con la Investigación de Operaciones, Minería de Datos, Inteligencia Artificial y el Modelaje
Probabilístico se han integrado bajo un nuevo nombre: Advanced Analytics (AA), que considera tres tipos de análisis: descriptivos, predictivos y prescriptivos. En la siguiente imagen presenta el concepto
dado por IBM para los tipos de aplicaciones de AA, en ella se puede notar que todas las aplicaciones relacionadas con la analítica avanzada están relacionadas con lo que anteriormente se denominaba
Investigacion de Operaciones (Operations Research).
1.2. STOCHASTIC ADVANCED ANALYTICS MODELLING
OPCHAIN-SAAM (Stochastic Advanced Analytics Modelling) es un conjunto de modelos (“suite”)
desarrollados DW para soportar aplicaciones de “Predictive Advanced Analytics” en:
i) Empresas de consultoría y de producción de software científico,
ii) Departamentos de Analítica y Big Data en las grandes empresas iii) Aplicaciones de Analítica Avanzada Predictiva en PYMEs en la nube.
ADVANCED ANALYTICS FOR INSURANCES ENTERPRISES
4
OPCHAIN-SAAM complementa los servicios ofrecidos por OPTEX Expert Optimization System
(OPTEX) para desarrollar modelos de Analítica Avanzada Prescriptiva integrándolos con modelos genéricos de Analítica Avanzada Predictiva.
1.3. OPCHAIN-SAAM – A COGNITIVE ROBOT
Como robot cognitivo OPCHAIN-SAAM: ▪ Tiene una base de datos de modelos de análisis prescriptivo avanzado
▪ Facilita al profesional de Advanced Analytics para incluir nuevos modelos ▪ Carga la base de datos de nuevos modelo de las plantillas de MS Word, MS-Excel y/o CSV archivos
▪ Integra los nuevos modelos con los viejos modelos por medio de una base de datos ▪ Escribe los algoritmos en múltiples lenguajes de computación
▪ Escribe algoritmos utilizando múltiples metodologías matemáticas
▪ Integra modelos en un nuevo algoritmo en un programa de computadora ▪ Genera el modelo de metadatos del sistema de información
▪ Genera automáticamente la interfaz de usuario para consultar los datos del usuario final ▪ Integra múltiples algoritmos para un proceso de análisis avanzado
▪ Genera la conectividad SQL automática a las bases de datos del usuario
Adicionalmente permite generar modelos de optimización matemáticas específicos para el cliente
usuario de SAAM.
1.4. OPTIMIZACIÓN FINANCIERA
Las posibilidades de optimización son muchas, algunas de ellas se presentan en el presente documento.
ADMINISTRACIÓN DEL RIESGO SERVICIO AL CLIENTEEFICIENCIA OPERACIONAL
OPTIMIZACIÓN EN EL SECTOR FINANCIERO
Trade Netting
Reduce el ciclo de liquidación y participantesReduce capital/colateral requerido para los participantes del mercado
Simplifica el proceso de liquidación
Collateral Optimization
Limita el financiamiento sin garantía/tesorería
Reduce los costos de financiamientoPermite a los clientes ejecutar más operaciones con las mismas garantías
Portfolio Optimization
Reduce el riesgo global/corporativoAsegura que el portfolio está en la frontera eficiente de riesgo vs. rendimiento
Proporciona los mejores rendimientos después de impuestos por su riesgo
Trade Crossing
Reduce riesgo a través de la reducción de las interacciones fuera de la organización
Reduce las tasas de cambioProporciona un mejor precio para las órdenes al ofrecer precios iguales o mejores que el spread
Portfolio Rebalancing
Reduce el riesgo del portafolio moviéndolo a la asignación deseada
Reduce costo de “rebalancing” y mejora velocidad de ajuste
Asegura que el cliente está en el sitio requerido
ALM: Assets and Liabilities
Management
Optimización del riesgo corporativo Reduce NPV de los pasivos
Reduce decisiones ciegas que conducen a necesidades de tesorería costosas
Asignación óptima de activos para atender el presupuesto del cliente
ATM Cash Management
Reduce el riesgo de quedarse sin dinero en efectivo
Reduce los costos de las entregas y de los costos de interés
Permite un mejor nivel de servicio a un menor costo
International Liquidity
Reduce el riesgo de sobregiros.Asegura que el dinero está donde se maximiza su valor
Servicio más barato para los clientes
Balance Sheet Optimization
Mejor cumplimiento de los requerimientos regulatorios
Maximiza el ROI a través de la composición del balance
ROI se divide entre los accionistas, la autofinanciación y los clientes
Derivatives Pricing
Proporciona mejores coberturas para un contrato de derivados y determina la porción no cubierta
Determina costos basado en los costes de fondeo y el riesgo inherente
Permite una mejor fijación de precios y cobertura de los contratos de derivados
Targeted Marketing
Reduce el riesgo de crédito (default) al distribuir el riesgo sobre las regiones
Maximiza el ROI para los contactos con los clientes
Mejora la satisfacción del cliente
Tax Planning
Reduce el riesgo de los activos “outliving”Navega tramos impositivos de manera eficiente
Incrementa la riqueza personal “wealth” y la seguridad de los ingresos
CVaROptimization
Incorpora el efecto de “cisnes negros” y a los eventos extremos en las decisiones de inversión
Determinar las coberturas más eficientes, aun en condiciones adversas.
Minimizar las pérdidas en situaciones extremas.
OPCHAIN-BANK corresponde a un conjunto de modelos matemáticos orientados a soportar las
decisiones de los diferentes agentes que participan en la cadena de abastecimiento de servicios
financieros.
2. GESTIÓN DEL RIESGO CORPORATIVO
La gestión del riesgo financiero está en el corazón de las aplicaciones de la ingeniería financiera
moderna.
2.1. OPTIMIZACIÓN ESTOCÁSTICA Y GESTION DEL RIESGO
ADVANCED ANALYTICS FOR INSURANCES ENTERPRISES
5
Al lector interesado en este tema se le sugiere que lea:
▪ Stochastic Programming & Risk Management: Fundamentals
https://www.linkedin.com/pulse/stochastic-programming-fundamentals-jesus-velasquez/
STOCHASTIC OPTIMIZATION ENVIRONMENT
DETERMINISTIC MODEL
CORE
Scenario H
Scenario 1
Scenario 2
ARBOL DE DECISIONES DE MULTIPLES ETAPAS
t = 1 t = 2 t = 3 t = 4
..
..
.
DECISION PROCESSSTOCHASTIC PROCESS
RISK MANAGEMENTSOLUTION STRATEGY
STOCHASTIC MODEL
2.2. ERM: ENTERPRISE RISK MANAGEMENT
Enterprise Risk Management (ERM) es un enfoque riguroso para cuantificar y administrar los riegos, de todas las fuentes, que amenazan el logro de los objetivos estratégicos de una organización; ERM
identifica aquellos riesgos que corresponden a oportunidades que permiten explotar ventajas
competitivas” (Enterprise Risk Management, Tillinghast - Towers Perrins).
Existen varios tipos de riesgos que deben enfrentar las organizaciones; a continuación, la clasificación dada por Green and Figlewski (1999): i) Market Risk, ii) Credit Risk, iii) Liquidity Risk, iv) Operational
Risk, v) Legal Risk and vi) Regulatory Risk
Las razones para considerar ERM:
▪ Externas: Aspectos regulatorios y/o reglamentarios orientados a proteger a los inversionistas y en general a la sociedad
▪ Internas: Competitividad (es un buen negocio)
El ambiente en que se da ERM implica: regulaciones cambiantes, globalización de los mercados,
incremento de la competencia, volatilidad de precios y nuevos instrumentos financieros.
2.3. ALM: ASSETS LIABILITIES MANAGEMENT
2.3.1. MARCO DE REFERENCIA
La Gestión de Activos y Pasivos (GAP), en inglés, Asset Liability Management (ALM), ha evolucionado
desde poco antes de los inicios de la década de los ochenta y es en 1984, con el trabajo de Rene Stulz (1984), que la literatura financiera recibe la primera teoría acerca de ALM y la amplia área que cubre.
ALM ha recibido tantas definiciones como significados tiene para diferentes personas. Para un
administrador, ALM es simplemente un protocolo de negocios; es un sistema donde las inversiones y
los pasivos se manejan de forma tal, que ayuden a la organización a cumplir con sus objetivos de solvencia. Para un estadístico, ALM significa técnicas estocásticas complejas que incluyen variables
aleatorias y simulaciones computacionales convirtiéndose en un área altamente interesante de investigación. Sin embargo, aunque existan diferentes definiciones de ALM hay un aspecto que
ADVANCED ANALYTICS FOR INSURANCES ENTERPRISES
6
prevalece en todas y es la noción de analizar simultáneamente los activos y los pasivos, y la relación
que existe entre ellos, de forma tal que los riesgos asociados no se traten de manera separada (independiente).
Ahora bien, ALM se puede definir como el conjunto de técnicas utilizadas para analizar la relación existente entre los activos y los pasivos de la compañía, en aras de ayudarlas a mitigar los riesgos del
negocio. Por otro lado, ALM se define como la administración de activos y de pasivos soportada en técnicas de optimización estocástica con la finalidad de obtener un retorno adecuado mientras se logra
mantener un adecuado “surplus” de los activos más allá de los pasivos. ALM permite alinear los riesgos
del ambiente que se reflejan en el balance y el estado de pérdidas y ganancias, tanto del lado de los activos, como de los pasivos. En ALM, todos los riesgos de una organización se correlacionan entre sí,
de manera tal que la exposición total al riesgo que enfrenta la organización no se ve reducida, como ocurre cuando se ignora las estructuras de correlación de los riesgos. Esto se logra al estructurar
procesos de generación sintética de escenarios probabilísticos que son tenidos en cuenta en los
procedimientos algorítmicos propios de la optimización estocástica multi-etapa.
Para representar los procesos en los modelos ALM se tienen dos tipos de variables: inventarios y flujos financieros. Las variables de inventario, o de balance, son análogas a las cuentas de balance contable,
y representan el estado de la cuenta después de las transacciones en un período, por su parte las variables de flujo son análogas a las cuentas de ingresos y egresos, y representan flujos netos ocurridos
entre dos fechas, el comienzo y el fin de un período del horizonte de planificación. Se consideran tres
tipos de ecuaciones básicas para el modelaje de planificación de cuentas financieras: i) balance de activos, ii) balance de pasivos, y iii) flujo de caja.
A las anteriores restricciones se adicionan ecuaciones para modelar diferentes aspectos del proceso de
toma de decisiones como:
▪ Reglamentación ▪ Límites en inversión
▪ Formas de negociación ▪ Formas de los instrumentos financieros
▪ Benchmarks ▪ Valor en libros versus valor en mercado
Las metas del sistema se dirigen a desempeñar tareas tales como: simulación de balances y estados de pérdidas y ganancias, análisis de sensibilidad, evaluación actual y futura, y modelaje dinámico de
los estados financieros. Éstas funciones proveen los datos necesarios para que la administración pueda alinear el lado de activos del balance con la distribución de pasivos y de capital; dicha alineación se
alcanza una vez la posición de riesgo se ha controlado.
ALMAssets & Liabilities
Management
ESTADO RESULTADOS BALANCE ACTIVOS Y PASIVOS FLUJO DE EFECTIVO
JUNTA DIRECTIVA
DECISIONES FINANCIERAS
ADVANCED ANALYTICS FOR INSURANCES ENTERPRISES
7
Zenios (2002) afirma que “la administración de los estados financieros de las empresas está en el
corazón de Enterprise Risk Management (ERM) para lo que ALM proporciona instrumentos fundamentales en la administración y la medición de riesgos, los cuales son aplicables a ERM”. Es claro
que, para las instituciones financieras, la administración de los balances de una organización es parte
fundamental de ERM ya que ellos reflejan el riesgo del ambiente, por el lado de los activos, y la mayoría de los riesgos del negocio, por el lado de los pasivos. Alinear estos riesgos es la meta fundamental de
un sistema ALM, así que, éste absorbe parte de los problemas de ERM. En la actualidad, las herramientas para ALM están mejor desarrolladas que para ERM y además ALM tiene una visión más
enfocada de los riesgos que ERM. ALM se centra, en el lado de los activos, en los riesgos de mercado,
de crédito y de liquidez, y por el lado de los pasivos, en las volatilidades de los márgenes y de los costos”. En resumen:
▪ ALM alinea los riesgos del ambiente que se reflejan en el balance y el estado de pérdidas y ganancias, tanto del lado de los activos, como de los pasivos.
▪ ALM correlaciona todos los riesgos de una organización de manera tal que la exposición total al
riesgo que enfrenta la organización no se ve reducida, o aumentada, como ocurre cuando se ignora las estructuras de correlación de los riesgos
▪ ALM se define como la administración de activos y de pasivos soportada en técnicas de optimización estocástica con la finalidad de obtener un retorno adecuado. Esto se logra al
estructurar procesos de generación sintética de escenarios probabilísticos que son tenidos en cuenta en los procedimientos algorítmicos propios de la Optimización Estocástica Multi-Etapa
2.3.2. CASO DE ÉXITO: YASUDA FIRE AND MARINE INSURANCE CO.
La metodología matemática “estándar” para ALM es la programación estocástica con base en escenarios. Ejemplos de empresas usuarias, desde hace varias décadas, de ALM son:
▪ Tillinghast - Towers Perrins (14 países)
▪ American Re-Insurance ▪ Frank Rusell Co.
▪ Falcon Asset Management ▪ Yasuda Fire and Marine Insurance Co.
▪ USF&G ▪ Vancouver City Savings Credit Unión
▪ Pacific Financial Asset Management Company
▪ Tel Aviv´s Bank Hapolim ▪ Unilever
El caso de Yasuda Fire and Marine Insurance Co. es quizás el más conocido en la comunidad
financiera que utiliza modelos de programación matemática para gestionar los riesgos corporativos.
Yasuda Fire and Marine Insurance Co. es una compañía de seguros japonesa creada en 1888. En 1991 contaba con 685 oficinas en Japón y 22 oficinas en el resto del mundo, y manejaba un total de
activos de 26.2 billones de dólares americanos. En 1991 era la segunda compañía japonesa de seguros y la quinta a nivel mundial. En 1988 contrató a la compañía australiana Frank Rusell Co. para que le
diseñará e implementará un modelo de planificación financiera que entró en operación en abril de 1991.
El objetivo del modelo fue Maximizar utilidades financieras esperadas en un horizonte de cinco años.
Las restricciones incorporadas son: ▪ Limitaciones en Asignación de Activos
▪ Políticas Internas de Manejo de Deuda ▪ Regulaciones Tributarias
▪ Políticas de Manejo de Riesgo
▪ Regulación Externa ▪ Otras Restricciones
En los dos primeros años el modelo matemático produjo ganancias del orden de USD 79’000.000.
INTERFACES 24:1 (1994). Por ejemplo, el modelo sugirió una mayor inversión en bonos y otros activos
de renta fija y menos en stocks en activos de renta variable durante el período 1990 a 1992 en el que ocurrió una desaceleración de alrededor del 63% en la bolsa japonesa. Mr. Kunihiko Sasamoto. Director
ADVANCED ANALYTICS FOR INSURANCES ENTERPRISES
8
and Deputy President of Yasuda Kasai en 1994 afirmó: “The Rusell-Yasuda-Kasai model is at the core
of all asset-liability work for the firm because the traditional models such as Markowitz mean-variance cannot cope with the complexities of the business ... ”
Una ejemplo académico detallado de un modelo de planificación financiera ALM, desarrollado por DW, para una empresa del sector seguros, se presenta en el documento
▪ Control de Riesgos Financieros Corporativos mediante Asset Liability Management (ALM). Caso: la Industria de Seguros
http://www.doanalytics.net/Documents/DW-DT-035-ALM-Fundamentos-Caso-Seguros.pdf
2.4. CONCENTRACIÓN DE ACTIVIDADES Y RIESGO FINANCIERO
El riesgo financiero corporativo se deriva de la concentración de los portafolios en las diferentes líneas
de negocios y no de los riesgos individuales de cada en cada línea de negocio.
La concentración de un portafolio de negocios, o inversiones, en un segmento del mercado ha sido
identificada como una fuente importante de riesgo para las organizaciones de cualquier tipo. Los acercamientos basados en la teoría de portafolios se han enfocado principalmente a la diversificación
óptima de portafolios de instrumentos de financieros, para los cuales se puede obtener información
compatible con los modelos de Markowitz (1959). Tradicionalmente, los estudios basados en la teoría clásica de portafolio tratan el problema de concentración indirectamente, ya que su principal
preocupación es la diversificación de los activos a través del conocido esquema “mean-variance”, pero sin proporcionar una medida de concentración clara, ni una relación explícita con el riesgo del portafolio.
En el caso de riesgo de crédito, típicamente, los agentes aplican técnicas de calificación basadas en la opinión de expertos sobre el grado de concentración en diferentes segmentos para obtener un indicador
de la concentración de crédito. El número obtenido vale en términos cardinales y jerárquicos, pero no
corresponde a una medida directa del riesgo que pueda ser traducida en pérdidas potenciales o en "Value-at-Risk" (VaR) (Márquez Diez-Canedo J., 2002). El documento describe dos tipos de
modelamiento mediante la formulación de: 1. Medidas de concentración basadas en el indicador Herfindahl-Hirschman (Tirol 1995, Shy 1995);
2. Modelos de optimización que permitan determinar la mejor distribución del portafolio en términos
de la concentración de riesgos.
Cualquier portafolio, independiente del tamaño de los riesgos, pueden mostrar excesiva concentración en cualquier dimensión, si las probabilidades de pérdidas están altamente correlacionadas, o si se
correlacionan significativamente en circunstancias técnico-socio-económicas adversas; por lo tanto, la obtención de una buena medida ex-ante de concentración es difícil por varias razones:
1. Se debe identificar los segmentos (dimensiones, clases o tipos de concentración) que son
relevantes en una situación en particular (por ejemplo: sectores económicos, regiones geográficas, sexo, edades, profesiones, divisas, acciones, productos agrícolas, líneas de negocio, … , etc.);
2. Se debe definir la correlación de los riesgos financieros entre los diferentes segmentos
ADVANCED ANALYTICS FOR INSURANCES ENTERPRISES
9
3. Es necesario decidir la jerarquía entre las dimensiones: por ejemplo, qué es más importante: ¿el
nivel o la ubicación del riesgo, o ambos son igualmente importantes ?
El análisis matemático demuestra lo que ya sabe la racionalidad humana: “no se ponen todos los
huevos en una sola canasta”, o sea a mayor concentración mayores riesgos corporativos. Para revisar el análisis matemático, se sugiere revisar el paper:
▪ “Enterprise Risk Management: Suficiencia de Reservas de Capital y Concentración y Optimización del Riesgo Corporativo en Portafolios de Seguros” (Velásquez 2003),
http://www.doanalytics.net/Documents/DW-DT-006-03-VaR-Concentracion.pdf.
2.5. BIO-RISK OPTIMIZATION
Uno de los riesgos importantes en los que se involucran las empresas financieras está asociado con los
préstamos para procesos productivos del sector bio-industrial, los cuales se ven seriamente afectados
por las condiciones hidro-climáticas cuya volatilidad esta aumentado como consecuencia del calentamiento global que está ocurriendo en nuestro planeta. Esta situación conlleva que se deban
evaluar y gestionar los riesgos asociados a este tipo de industrias, cuyos estados financieros dependen en buena parte del clima.
Estados FinancierosSimulados:
BalanceP Y G
Flujo CajaVaR
ENOSProyección
Variables Hidro-ClimáticasEventos Extremos
POPOptimización de la Siembra
ALMAssets & Liabilities
Management
DEM/MKTProyección
Variables FinancierasVariables de Mercado
Producción Esperada:
Plan de la SiembraPlan de Cosecha
ÁRBOL DE DECISIONES
DE DOS ETAPAS
Decisiones
AQUÍ Y AHORA
Decisiones
Operación Simulada
PLANNING OF SOWING- RISK MANAGEMENT
La metodologías para resolver este problema ya son bien conocidas y están relacionadas con:
▪ Decisiones Industriales: modelos de optimización estocástica por escenarios que determinan la
planificación de la siembra y de la cosecha. Es un modelo típico de producción acoplado a un modelo ALM del productor.
▪ Decisiones Entidad Financiera: modelos para análisis de concentración de riesgo que controlen los niveles asociados a la suma del portafolio de préstamos que realiza la entidad financiera en los
diferentes segmentos: zonas, productos, ….
3. ANÁLISIS DE LA SINIESTRALIDAD
Este proceso es propio de la Analítica Avanzada Predictiva, soportada en las siguientes
metodologías matemáticas: Machine Learning, Artificial Neural Nets y Advanced Probabilistic Models.
Este proceso se lleva a cabo con el robot de analítica avanzada predictiva OPCHAIN-SAAM, el cual integra varios algoritmos orientados a soportar el proceso de capitalizar la información que se encuentra
en las bases de datos a las que puede acceder la organización.
El proceso no se puede reducir a un solo modelo que se ejecuta y directamente produce los resultados;
por lo tanto, el proceso integra múltiples pasos, que si bien se pueden sistemáticas, dependen de cada tipo de negocio.
ADVANCED ANALYTICS FOR INSURANCES ENTERPRISES
10
Para información acerca de los algoritmos que integran OPCHAIN-SAAM se invita al lector a consultar: ▪ Stochastic Advanced Analytics Modeling - OPCHAIN-SAAM
https://www.linkedin.com/pulse/stochastic-advanced-analytics-modeling-opchain-saam-jesus-
velasquez/
3.1. IMPACTO DE LA SINIESTRALIDAD
El objetivo de la metodología es responder las siguientes preguntas:
▪ Cuáles son patrones de comportamiento de las personas/empresas que reflejan características que las definan como propensas a la siniestralidad (en 1 año, en 6 meses, … ).
▪ Cuál es la probabilidad de que un asegurado tenga un siniestro de una determinada magnitud (costo) de acuerdo con las variables que sean identificadas como que caracterizan el contexto
histórico y la situación actual de las personas/empresas.
Las actividades asociadas al proceso son:
1. Obtención y Análisis de las Bases de Datos
2. Diseño del Modelo de Metadatos
3. Carga Bases de Datos i) Base Datos Relacional
ii) Tablas de Trabajo Tipo Panel
4. Caracterización de Clientes
i) Análisis de Anomalías (Anomaly Detection) ii) Análisis de Eficiencia Operacional (Data Envelopment Analysis, DEA)
iii) Segmentación (Clustering) iv) Identificación (Machine Learning, ML)
▪ Support Vector Regression, SVR, ▪ Advanced Probabilistic Models, APM
v) Clasificación
5. Modelamiento de clientes
i) Modelamiento Markoviano Dinámico ii) Modelo Markoviano de Procesos de Decisión
El diagrama presenta el flujo de datos y de modelos en los cuatro primeros pasos, cuyo resultado final es evaluar el impacto (siniestralidad: probabilidad del siniestro y monto del siniestro).
ADVANCED ANALYTICS FOR INSURANCES ENTERPRISES
11
SyndicatedDatabases
ENTERPRISEDatabase
OthersDatabases
Meta-Data Model Design
LoadingInformation System
Operational EfficiencyData Envelopment
Analysis
ClusteringSegmentation
Anomaly Detection
Market CharacterizationClients – Competitors
by Segment
Historical DataSegment
Classification
Model IdentificationSegment of New Data
New Data Base
ClassificationNew Clients
Bottom-Up ForecastingMarket Variables
Multi-Product by Segment
Segments
Clean/Work Data Base
Original Data Base
SegmentsHistorical Clients
Identification Math Model
SegmentsNew Clients
ImpactMath Model
ImpactNew Clients
ML
DEA
MP
ML: Machine LearningPM: Probabilistic Models
DEA: Data Envelopment AnalysisMP: Mathematical Programing
MLPM
MLPM
ML
3.2. MODELAMIENTO DEL CLIENTE
Si aplica, posteriormente a la caracterización de los clientes, se puede definir políticas de manejo del cliente con la finalidad de “optimizar” la relación empresa-cliente, la cual puede enfrentarse desde dos
puntos de vista: ▪ Maximizar el valor del cliente para la organización.
▪ Maximizar un indicador de la experiencia del cliente con la organización.
Es posible que los dos anteriores criterios no marchen en la misma dirección.
El modelamiento apropiado para este caso es basado en el modelamiento de Cadenas de Márkov y de Procesos Markovianos de decisión.
STATE TRANSITION DIAGRAM FOR A MARKOV CHAIN MODEL
STATE TRANSITION MATRIX
DEFAULT
CHURN
La metodología se centra en el modelamiento Markoviano del sistema, para ello se identifican los
potenciales estados en que se puede encontrar un cliente en un periodo t y las probabilidades de las transiciones que puede realizar en el periodo t+1. Por ejemplo, en el diagrama siguiente se pueden
definir dos estados de salida del sistema: 7 entra en default definitivo y 8 no entra en default y se va del banco. La definición de los estados es un proceso importante ya que está vinculado en los diferente
tipos de clientes y en su manejo.
ADVANCED ANALYTICS FOR INSURANCES ENTERPRISES
12
El anterior modelo corresponde a un modelo estático en el cual la entidad financiera no puede realizar
acciones para cambiar las probabilidades, al incorporar las decisiones de la entidad, se puede complementar la metodología definiendo un Markov Chain Decision Process (MCDP), hoy en día
también conocidos como Reinforcement Learning, que permite incluir la dinámica del proceso de
para influir en las decisiones del cliente.
El siguiente diagrama describe un MCDP en el que se tienen: 1. Tres estados para un cliente: S1 (first time), S2 (repeated purchase) y S3 (loyal customer).
2. Para cada estado se definen las acciones de control del decisor, así para cada estado:
▪ S1: special offer or nothing ▪ S2: club membership or nothing
▪ S3: nothing 3. Para cada decisión se tienen probabilidades de transición y remuneraciones diferentes.
El objetivo del modelamiento es implementar un modelo que maximiza a corto/largo plazo las ganancias del decisor.
MARKOV CHAIN DECISION PROCESS
(REINFORCEMENT LEARNING)