Modelo de clasificación de incidentes tecnológicos desde un enfoque de aprendizaje automático en servicios de seguros

• Paola Andrea Gómez-Jaramillo ^[1] ; Favián González-Echavarría ^[1] ; Jorge Iván Pérez-Rave ^[2]
  1. [1] Universidad de Antioquia

     Universidad de Antioquia

     Colombia

     
  2. [2] IDINNOV research group, IDINNOV S.A.S, Medellín, Colombia
• Localización: DYNA: revista de la Facultad de Minas. Universidad Nacional de Colombia. Sede Medellín, ISSN 0012-7353, Vol. 89, Nº. 221, 2022, págs. 161-167
• Idioma: español
• Títulos paralelos:
  • Technological incident classification model from a machine learning approach in insurance services
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La gestión de incidentes tecnológicos en las compañías de seguros requiere una asignación correcta y oportuna de estos a los equipos de resolución de problemas. La clasificación de tales incidentes por humanos demanda tiempo y conocimiento y, con frecuencia, se ejecuta de manera errónea. Este documento aborda este problema de clasificación desde un enfoque de aprendizaje automático. Se compara el desempeño de cinco métodos de aprendizaje supervisado (regresión logística, árboles de clasificación, bosque aleatorio, análisis lineal discriminante y máquinas de vectores de apoyo) en tres escenarios de inclusión de predictores: estructurado, textos y ambos. El uso de variables no estructuradas mejora considerablemente la exactitud de los modelos (ej., Random Forest, muestra de validación: 0,709 con datos estructurados; 0,881 con datos de texto). Además, considerando las implicaciones prácticas de la tasa de clasificación humana correcta (66%) frente a la máquina (88%, Random Forest, SVM o regresión logística), la máquina favorece el ahorro de recursos en la organización. Este artículo es un caso exitoso del aprendizaje automático en la industria de seguros.

  • English

    Managing technological incidents in insurance companies requires a correct and timely assignment of these to the problem-solving teams. Classifying these incidents by humans demands time and knowledge and is frequently executed erroneously. This paper addresses this classification problem from a machine learning approach. The performance of five supervised learning methods (logistic regression, classification trees, random forest, discriminant linear analysis, support vector machines) is compared in three scenarios of inclusion of predictors: structured, texts, and both. The use of unstructured variables considerably improves the accuracy of the models (e.g., Random Forest, validation sample: 0.709 using structured data; 0.881 using text data). Moreover, considering the practical implications of the human correct classification rate (66%) vs. machine (88%, Random Forest, SVM, or linear regression), the machine favors resource-saving in the organization. This article is a successful case of machine learning in the insurance industry.