Tarifação Automóvel com recurso a dados de Telemática

Abstract

O desenvolvimento de produtos e técnicas de tarifação automóvel são tarefas importantes da modelação Atuarial no âmbito do Seguro Automóvel. Muitas estruturas tarifárias têm em comum o facto de se basearem exclusivamente em informações clássicas sobre o tomador de seguro recolhidas no momento da celebração do contrato. A tecnologia telemática envolve a recolha, transmissão e análise de dados através de um dispositivo instalado no veículo no momento da celebração do contrato. Essas informações de condução, baseadas no uso, podem surgir como diferenciadoras na definição e construção de uma tarifa automóvel. Nesta dissertação, apresenta-se a elaboração de um Modelo de Risco e Tarifa para a cobertura de Responsabilidade Civil com recurso a algoritmos de Machine Learning, especificamente utilizando um algoritmo de XGBoost, juntando às variáveis tradicionais, as de Telemática, de forma a avaliar o potencial destas variáveis na identificação e seleção de risco. Para efeitos de comparação, foi também usada uma abordagem mais clássica utilizando Modelos Lineares Generalizados. A incorporação das variáveis de Telemática na modelação de Frequência de Sinistralidade permitiu observar o seu impacto na sinistralidade, verificando-se que os segurados com dispositivos de Telemática têm uma Frequência de Sinistralidade menor que a dos restantes condutores, e que dentro destes, os com maior utilização dos veículos e que conduzem frequentemente em excesso de velocidade tem uma Frequência de Sinistralidade mais elevada. A comparação entre as duas abordagens de modelação permitiu observar que os Modelos Lineares Generalizados são capazes de diferenciar melhor o risco da carteira.

Product development and automobile pricing techniques are important Actuarial modelling tasks in the field of Automobile Insurance. Many pricing structures have in common the fact that they are based exclusively on traditional information about the policyholder collected at the time the contract is signed. Telematics technology involves collecting, transmitting and analysing data via a device installed in the vehicle at the time the contract is celebrated. This usage-based driving information can be used as a differentiator when defining and constructing a automobile pricing structure. This dissertation presents the development of a Risk Model and Pricing Structure for Third Party Liability cover using Machine Learning algorithms, specifically using an XGBoost algorithm, adding Telematics variables to the traditional ones, in order to assess the potential of these variables in risk identification and selection. For comparison purposes, a more classical approach using Generalized Linear Models was also used. The incorporation of Telematics variables into the modelling of Claim Frequency made it possible to observe their impact on claims, showing that insured people with telematics devices have a lower Claim Frequency than other drivers, and that among these, those who use their vehicles more and frequently exceed the speed limit have a higher Claim Frequency. The comparison between the two modelling approaches showed that Generalized Linear Models are capable of better differentiating portfolio risk.