| dc.contributor | Serna Buitrago, Daniela | |
| dc.creator | Ortega Echeverry, Ivonne | |
| dc.creator | Toro Arrieta, Diana Milena | |
| dc.date | 2021-08-27T21:35:20Z | |
| dc.date | 2021-08-27T21:35:20Z | |
| dc.date | 2021 | |
| dc.date.accessioned | 2023-08-28T20:28:21Z | |
| dc.date.available | 2023-08-28T20:28:21Z | |
| dc.identifier | http://hdl.handle.net/10495/21958 | |
| dc.identifier | https://github.com/anaidg/Seminario-Gestion_Cartera.git | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8479746 | |
| dc.description | RESUMEN : Las Administradoras de Riesgos Laborales (ARL) son entidades aseguradoras de vida y cubren riesgos de tipo laboral. Con dependencia en gran parte del recaudo de la cotizaciones que los afiliados realicen, una ARL requiere de una adecuada gestión anticipada de la cartera al predecir qué empresas afiliadas a la ARL tendrán mayor probabilidad de quedar en estado de mora durante el mes inmediatamente posterior a la consulta. Los datos empleados son anonimizados para proteger la identidad de la ARL en estudio y, se incluye información pre-pandemia y pandemia, dado que por efectos de la COVID-19, las empresas tienen comportamientos atípicos a los esperados en años anteriores. En la fase de preprocesamiento, se realiza el respectivo tratamiento sobre los datos nulos y los datos tipo fecha. En la fase de implementación y ejecución de modelos, se genera una línea base (o baseline) sin ajuste de hiperparametros o adición de técnicas de ingeniería de características; posteriormente, se programan y ejecutan varios algoritmos de Machine Learning, buscando los mejores hiperparametros del modelo que, junto con la implementación de técnicas para el tratamiento de datos desbalanceados, permitirán mejorar el desempeño del modelo obtenido como baseline. Se toma el resultado del algoritmo Easy Ensemble como baseline, dado que a pesar de que dicho modelo presenta un score de precisión bajo en esta etapa, también es el que menos se equivoca en la clasificación, según muestra su matriz de confusión. En la búsqueda de hiperparametros, se encuentra que el algoritmo Random Forest, con un score de precisión de 70%, logra clasificar mejor las muestras. Adicionalmente, se tiene que la generación de muestras sintéticas solo logran desmejorar el resultado obtenido por la mejor combinación de hiperparametros encontrados con el método grid Search, en el paso anterior. | |
| dc.description | ABSTRACT : The Labor Risk Administrators (ARL) are life insurance entities and cover occupational risks. Relying to a large extent on the collection of contributions made by affiliates, an ARL requires adequate early management of the portfolio by predicting which companies affiliated with the ARL will be more likely to be in default during the month immediately after the loan. query. The data used is anonymized to protect the identity of the ARL under study and, pre-pandemic and pandemic information is included, given that due to the effects of COVID-19, companies have atypical behaviors to those expected in previous years. In the preprocessing phase, the respective treatment is carried out on the null data and the date type data. In the model implementation and execution phase, a baseline (or baseline) is generated without hyperparameter adjustment or addition of feature engineering techniques; Subsequently, several Machine Learning algorithms are programmed and executed, looking for the best hyperparameters of the model that, together with the implementation of techniques for the treatment of unbalanced data, will allow to improve the performance of the model obtained as a baseline. The result of the Easy Ensemble algorithm is taken as the baseline, since even though this model has a low precision score at this stage, it is also the one that makes the least mistakes in the classification, as shown by its confusion matrix. In the search for hyperparameters, it is found that the Random Forest algorithm, with a precision score of 70%, manages to better classify the samples. Additionally, the generation of synthetic samples only manages to deteriorate the result obtained by the best combination of hyperparameters found with the grid Search method, in the previous step. | |
| dc.format | 30 | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Medellín | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights | http://creativecommons.org/licenses/by-nc-sa/2.5/co/ | |
| dc.rights | http://purl.org/coar/access_right/c_abf2 | |
| dc.rights | https://creativecommons.org/licenses/by-nc-sa/4.0/ | |
| dc.subject | Técnicas de predicción | |
| dc.subject | Forecasting | |
| dc.subject | Aprendizaje electrónico | |
| dc.subject | Machine learning | |
| dc.subject | Riesgos ocupacionales | |
| dc.subject | Gestión de cartera | |
| dc.subject | Administradoras de Riesgos Laborales (ARL) | |
| dc.subject | http://aims.fao.org/aos/agrovoc/c_3041 | |
| dc.subject | http://aims.fao.org/aos/agrovoc/c_49834 | |
| dc.subject | http://aims.fao.org/aos/agrovoc/c_24057 | |
| dc.title | Modelo predictivo para el apoyo a la gestión de la cartera de empresa administradora de riesgos laborales | |
| dc.type | info:eu-repo/semantics/other | |
| dc.type | info:eu-repo/semantics/draft | |
| dc.type | http://purl.org/coar/resource_type/c_46ec | |
| dc.type | http://purl.org/redcol/resource_type/COther | |
| dc.type | Tesis/Trabajo de grado - Monografía - Especialización | |
