Modelado predictivo de fuga de clientes en el sector asegurador chileno mediante modelos econométricos y técnicas de Machine Learning

Abstract

El presente trabajo aborda la predicción de fuga de clientes en el sector asegurador chileno mediante la aplicación de modelos econométricos (logit y probit) y técnicas de aprendizaje automático (redes neuronales multicapa). Utilizando una base de datos anonimizada de una aseguradora local, se buscó identificar los factores determinantes de la cancelación de pólizas y comparar el desempeño de ambos enfoques en términos de capacidad predictiva e interpretabilidad. Los resultados indican que el modelo logit, aunque más limitado en desempeño predictivo, aporta un valor significativo al permitir identificar y cuantificar las variables que influyen en la fuga, como la antigüedad del asegurado, la existencia de documentos impagos y el monto de la prima básica. En cambio, las redes neuronales presentan mejores métricas de evaluación que los modelos econométricos tradicionales en indicadores como recall, F1 y AUC, consolidándose como una herramienta eficaz para anticipar clientes en riesgo y habilitar sistemas de alerta temprana. Se concluye que ambos enfoques no son excluyentes, sino complementarios: el modelo logit aporta capacidad explicativa para la toma de decisiones estratégicas, mientras que la red neuronal mejora la detección de clientes con mayor probabilidad de fuga(...).

This study examines customer churn prediction in the Chilean insurance sector through the application of econometric models (logit and probit) and machine learning techniques (multilayer neural networks). Using an anonymized database from a local insurer, the study aims to identify the key determinants f policy cancellations and to compare the performance of both approaches in terms of predictive power and interpretability. The results indicate that the logit model, although more limited in predictive performance, provides significant value by identifying and quantifying the variables that influence churn, such as policyholder tenure, outstanding payments, and premium amount. In contrast, neural networks show better evaluation metrics than econometric models in indicators such as recall, F1, and AUC, establishing themselves as an effective tool for anticipating at-risk customers and enabling earlywarning systems. It is concluded that both approaches are not mutually exclusive but rather complementary: while the logit model offers explanatory insights for strategic decision-making, the neural network improves theidentification of customers with a higher probability of churn(...).