Redes neuronales: Modelo inspirado en el funcionamiento de las neuronas y su intercomunicación. Es capaz de detectar relaciones altamente no lineales entre variables. Ejemplos: predicción de siniestralidad y severidad, optimización de retención de pólizas.
redes neuronales

Random forest: Crea una gran cantidad de árboles de decisión que después pondera a modo de aprender a identificar las características relevantes para la clasificación. Ejemplos: detección de prospectos de bajo riesgo sin historial.


Reducción de dimensión: Técnicas que permiten reducir la complejidad de los datos identificando los factores clave de su comportamiento. Ejemplos: identificación de los factores predictivos del comportamiento riesgoso.


Boosting: Permite orquestar una cantidad muy grande de modelos simples para formar un modelo más robusto y predictivo.Ejemplos: combinación de diferentes modelos de discriminación de clientes potenciales.


Modelos en grafos probabilísticos: Modela la interacción entre muchas variables aleatorias identificando sus relaciones de independencia probabilística mediante las aristas que los conectan. Ejemplos: predicción de severidad de un siniestro, predicción de póliza de la competencia basado en transacciones pasadas del cliente.


Modelos de agrupamiento jerárquico: Permiten agrupar las variables relevantes con una granularidad variable (usando una jerarquía) de modo que las propiedades relevantes se detecten a su escala más grande. Ejemplos: detección de grupos y subgrupos atractivos para campañas promocionales.

Network theory – social network

Social network analysis consiste en utilizar teoría de redes para analizar las interrelaciones sociales entre distintas entidades incluyendo personas, instituciones, empresas, URLs, etc.

La metodología de alto nivel se puede explicar en 4 etapas:

  1. Definición de networks: La primera etapa se enfoca en analizar las interacciones entre entidades con el objetivo de identificar y delimitar networks sociales
  2. Estimación de magnitud de vínculos: Una vez identificados los networks, se estudia la magnitud de los vínculos entre las distintas entidades con base en factores como la frecuencia de interacción, volumen de elementos, costos transaccionales, etc.
  3. Identificación de nodos: El analisis de vínculos sirve como input para poder determinar los nodos dominantes del network y su nivel de influencia sobre otros elementos
  4. Caracterización final: Finalmente, el network se caracteriza mediante múltiples variables (p.ej., reciprocidad, densidad, clusters, distancias) para poder asociar iniciativas puntuales que se hayan diseñado

Este análisis brinda distintas aplicaciones como el identificar y prevenir fraudes al reconocer clusters de casos fraudulentos y analizar siniestros y transacciones en tiempo real.

 

Aprovechamiento de la información no estructurada

Apothem utiliza métodos de text mining para analizar la información no estructurada (p.ej., publicaciones en redes sociales). Ejemplo de estas herramientas incluyen:

  • Técnicas de estandarización de textos
  • Reemplazo de palabras por raíces o formas más simples (stemming)
  • Eliminación de stop-words o palabras vacías
  • Análisis de fecuencias y asociaciones de términos / palabras en los textos

Geo-spatial systems

Apothem utiliza herramientas geo-espaciales basadas en Geographic Information Systems (GIS) para analizar variables predictivas a nivel micro-región.

Sus principales beneficios incluyen:

  • Aumentar la precisión de los modelos al optimizar variables de riesgo por zona geográfica al máximo nivel de granularidad
  • Optimizar la red de canales y sucursales a nivel micro-región
  • Predecir el comportamiento de clientes potenciales por región geográfica

Segmentation models

Apothem utiliza modelos avanzados de segmentación como técnicas de clasificación las cuales consideran múltiples árboles de decisión.

Esta metodología permite la inclusión de variables intererrelacionadas en modelos (p.ej., interrelacionar ubicación geográfica con hábítos de compra), aumentando la granularidad y su precisión.

Por otra parte, estos modelos ayudan a establecer campañas personalizadas de marketing por micro-segmento y canal, incrementando la tasa de éxito de venta.