Dimensionamiento laboral para un canal de venta de seguros basado en un modelo de predicción de la demanda empleando técnicas de aprendizaje de máquinas

Abstract

La presente tesis de investigación tiene como objetivo proponer un método para el dimensionamiento laboral, basado en un modelo de predicción de la demanda a partir de la historia de la cantidad de pólizas que llegan al proceso de emisión de seguros. El interés de la presente investigación surge de un problema de negocio en una aseguradora Colombiana, por consiguiente, para el estudio se utilizó un conjunto de datos proporcionado por esa entidad, que corresponde a la cantidad de pólizas que se han registrado para las soluciones de personas y para los diferentes movimientos que un equipo de personas expertas en seguros, ejecuta en el proceso para emitir pólizas, durante enero 2019 y junio 2022. A partir de este conjunto de datos, se genera el pre procesamiento de los datos, seguido de la predicción de la cantidad de pólizas para cada solución y tipo de operación, utilizando modelos estadísticos clásicos y de aprendizaje de máquinas. Por último, se genera una comparación entre los modelos utilizados, 5 en total para cada una de las 12 series de tiempo y se evidencia que, a partir de las métricas MSE, MAPE y RMSE, se genera un modelo ganador para cada una de las series, permitiendo sugerir a partir de estos resultados enfoque de análisis para proyección en el negocio e insumo base para dimensionamiento laboral en el proceso de estudio. (texto tomado de la fuente)

This research thesis aims to propose a method for job sizing, based on a demand prediction model. The research problem arises from a business need in a Colombian insurer, therefore, for the study a set of data provided by that entity was used, which corresponds to the number of policies that have been registered for personal solutions and for the different movements that a team of insurance experts executes in the process to issue policies, during January 2019 and June 2022. From this data set, the pre-processing of the data is generated, followed by the prediction of the number of policies for each solution and type of operation, using statistical models and machine learning. Finally, a comparison is generated between the models used for each of the 12 time series and it is evident that for each of them, the model selected as the winner based on the MSE, MAPE and RMSE metrics is not always models of machine learning