Estimación del valor del cliente a lo largo del ciclo de vida en seguros de automotor

Abstract

Esta tesis aborda la estimación del Customer Lifetime Value en el negocio de seguros de automóviles, aplicando técnicas de aprendizaje automático y análisis de supervivencia sobre bases de datos históricas de clientes y pólizas. La alta disponibilidad actual de datos transaccionales en el sector permite construir modelos que integran la duración esperada de las pólizas y la propensión futura a la ocurrencia de siniestros, dos dimensiones clave para estimar el valor económico futuro de cada cliente. Desde el punto de vista técnico, se llevó a cabo un extenso proceso de preparación y limpieza de datos, que incluyó la integración de múltiples fuentes históricas, el tratamiento de registros inconsistentes, el análisis y manejo de valores nulos, el control de multicolinealidad, la generación de variables polinómicas y ratios, y la codificación de variables categóricas. La modelización se desarrolló en dos etapas: primero, se construyeron curvas de supervivencia mediante el estimador de Kaplan-Meier para modelar la duración esperada de las pólizas; en segundo lugar, se entrenaron modelos supervisados de clasificación binaria para predecir la propensión de cada cliente a realizar reclamos en el siguiente año. Adicionalmente, se exploraron técnicas de aprendizaje no supervisado para caracterizar perfiles de riesgo, incorporando estas segmentaciones como variables predictoras. Con el fin de facilitar la interpretabilidad de los modelos y su adopción por parte del negocio, se implementó un análisis basado en SHAP values, que permitió descomponer las predicciones en contribuciones individuales de cada variable, aportando transparencia al proceso y fortaleciendo su utilidad en la toma de decisiones estratégicas. Los resultados obtenidos demuestran que la combinación de técnicas empleadas permite segmentar a los clientes en términos de su valor futuro esperado, proporcionando a la empresa una herramienta concreta para optimizar estrategias comerciales y políticas de retención. Se identifican, además, oportunidades para incorporar nuevas fuentes de datos que podrían fortalecer desarrollos futuros en esta línea de investigación.

This thesis addresses the estimation of Customer Lifetime Value (CLTV) in the auto insurance industry, applying machine learning techniques and survival analysis to historical datasets of customers and policies. The current high availability of transactional data in the sector allows for the development of models that integrate expected policy duration and future claim propensity — two key dimensions for estimating each customer’s future economic value. From a technical standpoint, an extensive process of data preparation and cleaning was carried out, including the integration of multiple historical data sources, handling of inconsistent records, analysis and treatment of missing values, multicollinearity control, generation of polynomial and ratio-based features, and categorical variable encoding. The modeling process was developed in two stages. First, survival curves were estimated using the Kaplan-Meier estimator to model expected policy duration. Second, supervised binary classification models were trained to predict each customer’s propensity to file a claim in the following year. Additionally, unsupervised learning techniques were explored to identify risk profiles, incorporating these segmentations as predictive variables. To facilitate model interpretability and adoption by the business, an analysis based on SHAP values was implemented, enabling the decomposition of predictions into individual variable contributions, thereby providing transparency and enhancing their usefulness in strategic decision-making. The results demonstrate that the combination of techniques employed enables the segmentation of customers in terms of their expected future value, providing the company with a concrete tool to optimize commercial strategies and retention policies. Furthermore, opportunities were identified to incorporate new data sources that could strengthen future developments in this line of research.