Percorrer por autor "Souza, Andreza Katiuska Gomes Madeira de"
A mostrar 1 - 1 de 1
Resultados por página
Opções de ordenação
- Do GLM ao LightGBM: inovação na previsão de anulação de apólices automóvelPublication . Souza, Andreza Katiuska Gomes Madeira de; Mendes, Ana; Barbosa, VítorNum contexto empresarial de elevada competitividade, a retenção de clientes constitui um fator estratégico essencial para a sustentabilidade das seguradoras. Este estudo, desenvolvido em parceria com a Allianz Portugal, tem como objetivo construir um modelo de previsão de anulação de apólices de seguro automóvel com recurso a técnicas de Machine Learning. A investigação procura aperfeiçoar os modelos preditivos existentes, explorando alternativas ao tradicional Generalized Linear Model (GLM), amplamente utilizado no setor segurador pela sua robustez e interpretabilidade. A metodologia baseia-se na comparação entre dois modelos: o GLM, desenvolvido no software Emblem, e o modelo baseado em árvores de decisão com boosting, implementado através do algoritmo LightGBM, em Python. O foco recai na antecipação de padrões de risco de anulação, cuja previsão precisa impacta a eficiência operacional e a retenção de clientes. O estudo utilizou uma amostra de dados históricos da companhia, submetida a análise exploratória, limpeza de inconsistências e redução da multicolinearidade, garantindo a qualidade dos dados. A modelação recorreu à otimização automática de hiperparâmetros com a biblioteca Optuna e a validação cruzada, assegurando robustez e generalização dos resultados. A métrica de avaliação adotada foi a Area Under the Curve (AUC), adequada a problemas de classificação binária. Os resultados indicam que o LightGBM supera o GLM em capacidade discriminativa, evidenciando ganhos consistentes na previsão de anulações. Esta investigação reforça o papel da ciência de dados na modernização analítica do setor segurador e destaca o potencial das técnicas avançadas de machine learning em contextos empresariais reais.