Now showing items 1-3 of 3

Detección de fraude en afiliaciones a través de un modelo de clasificación de machine learning en una aseguradora de riesgos laborales en Colombia

Bogoya Contreras, Stephany Alejandra (Bogotá D.C : Fundación Universitaria Konrad Lorenz, 2022Escuela de Posgrados, 2022)

El presente proyecto de investigación evalúa la predicción de empresas marcadas como fraude en el sector de riesgos laborales, utilizando diferentes modelos de machine learning como lo son Random Forest, SVM, árboles de ...
Modelo análisis predictivo para el cálculo de tasa de deserción en una empresa aseguradora

Sierra Morales, Sergio Felipe (Bogotá D.C : Fundación Universitaria Konrad Lorenz, 2022Escuela de Posgrados, 2022)

La fidelización de clientes es uno de los grandes inconvenientes que tiene las empresas aseguradoras a nivel mundial, para ello buscan tener técnicas en analítica idóneas que les permitan estar a la vanguardia en el mercado. ...
Modelo de predicción para la deserción en la Fundación Universitaria Konrad Lorenz

Fandiño Benavides, Alejandro (Bogotá D.C : Fundación Universitaria Konrad Lorenz, 2022Escuela de Posgrados, 2022)

El objetivo y alcance del proyecto de investigación es utilizar modelos de Machine Learning para la predicción de deserción en los estudiantes de pregrado de la Fundación Universitaria Konrad Lorenz, a partir de la sabana ...

Envíos recientes

Detección de fraude en afiliaciones a través de un modelo de clasificación de machine learning en una aseguradora de riesgos laborales en Colombia
...
Matson Hernández, Camilo Eduardo | 2022

El presente proyecto de investigación evalúa la predicción de empresas marcadas como fraude en el sector de riesgos laborales, utilizando diferentes modelos de machine learning como lo son Random Forest, SVM, árboles de decisión y Gradient Boosting. El desarrollo del proyecto se realizó con datos reales que fueron proporcionados por una ARL Colombiana, los cuales cuentan con una muestra reducida de empresas detectadas como fraudulentas, por lo tanto, el estudio presenta una comparación de técnicas de manejo de desequilibrio de clases y los modelos de clasificación previamente mencionados. Se observa que la combinación que arrojó mejores resultados fue la técnica SMOTETOMEK con el modelo de clasificación de Random Forest con una especificidad (recall) del 0.99% la cual es la métrica de mayor interés para la aseguradora.

LEER
Modelo análisis predictivo para el cálculo de tasa de deserción en una empresa aseguradora
...
Rodríguez Pinzón, Heivar Yesid | 2022

La fidelización de clientes es uno de los grandes inconvenientes que tiene las empresas aseguradoras a nivel mundial, para ello buscan tener técnicas en analítica idóneas que les permitan estar a la vanguardia en el mercado. Por lo tanto, el objetivo del proyecto es diseñar un modelo probabilístico a partir de algoritmos de análisis que permita un acercamiento con la probabilidad de abandono de los clientes corporativos hacia la aseguradora. La empresa por analizar se desempeña en el sector asegurador colombiano con la venta de pólizas y la administración de riesgos laborales que actualmente trabaja en la reducción de la tasa de abandono con el fin de mejorar los servicios prestados por ello existe la motivación para realizar el presente trabajo colaborativo. Considerando las diferentes aplicaciones de la ciencia de datos se decide hacer uso de sus técnicas, el proyecto se desarrolla bajo la metodología CRIPS DM, durante la fase I, comprensión del negocio, se determinan las necesidades y se obtiene conocimientos de trabajos asociados ya realizados por parte de los interesados. La fase II, entendimiento de los datos, se realiza una exploración de los datos suministrados y se definen tres algoritmos para estudiar, la fase III relacionada a la preparación de los datos, las variables fuertemente correlacionadas con la variable objetivo fueron descartadas, para la fase IV y V, el modelado y la evaluación, respectivamente, con los algoritmos previamente seleccionados se realizan 33 experimentos iterando entre los hiperparámetros disponibles y técnicas de balanceamiento de clases, donde, el modelo seleccionado será un apoyo para las diferentes áreas interesadas para la elaboración de planes de acción en la retención de clientes, por lo tanto, los resultados arrojados permite dos alternativas de solución basadas en XGBoost, por la precisión de captar clientes con intenciones de desertar y la alternativa de ahorro abordando un porcentaje de estos clientes.

LEER
Modelo de predicción para la deserción en la Fundación Universitaria Konrad Lorenz
...
Camargo Mendoza, Jorge Eliecer | 2022

El objetivo y alcance del proyecto de investigación es utilizar modelos de Machine Learning para la predicción de deserción en los estudiantes de pregrado de la Fundación Universitaria Konrad Lorenz, a partir de la sabana de datos del registro académico de la universidad. Durante la investigación, se empleó la metodología CRISP-DM que consta de seis fases: comprensión del negocio, comprensión de los datos, preparación de los datos, modelado, evaluación e implantación. En la primera fase de “compresión del negocio” se determinó la necesidad de la universidad por tener un modelo predictivo que le permita conocer la probabilidad de deserción de los estudiantes. En la segunda fase de “comprensión de los datos”, se realiza la exploración y verificación de la calidad de las tablas. En la tercera fase de “preparación de los datos”, se seleccionan las tablas a trabajar, se realiza la limpieza, se integran los datos y se dispone las tablas finales que entrarán a los modelos, estas tablas quedaron separadas por cada programa de pregrado de la universidad. En la cuarta fase de “modelado” se selecciona las técnicas de modelo y se evalúan los hiperparámetros de los modelos con la validación cruzada. En la quinta fase de “evaluación”, se evalúan los resultados de los modelos a través de las métricas mencionadas, para este caso el mejor modelo resultó ser los bosques aleatorios (Random Forest), con una exactitud superior del 95% para cada programa académico. En la sexta y última fase es la de “implantación” y se propone una arquitectura en nube que tiene como propósito integrar las fuentes y generar las salidas de los modelos para visualizarlos en un reporte.

LEER

Repositorio Digital

Advanced Search

Navegar por

Browsing by Subject "Machine learning"

Detección de fraude en afiliaciones a través de un modelo de clasificación de machine learning en una aseguradora de riesgos laborales en Colombia

Modelo análisis predictivo para el cálculo de tasa de deserción en una empresa aseguradora

Modelo de predicción para la deserción en la Fundación Universitaria Konrad Lorenz

Envíos recientes

Detección de fraude en afiliaciones a través de un modelo de clasificación de machine learning en una aseguradora de riesgos laborales en Colombia

Modelo análisis predictivo para el cálculo de tasa de deserción en una empresa aseguradora

Modelo de predicción para la deserción en la Fundación Universitaria Konrad Lorenz

Browsing by Subject "Machine learning"

Detección de fraude en afiliaciones a través de un modelo de clasificación de machine learning en una aseguradora de riesgos laborales en Colombia ﻿

Modelo análisis predictivo para el cálculo de tasa de deserción en una empresa aseguradora ﻿

Modelo de predicción para la deserción en la Fundación Universitaria Konrad Lorenz ﻿

Envíos recientes

Detección de fraude en afiliaciones a través de un modelo de clasificación de machine learning en una aseguradora de riesgos laborales en Colombia

Modelo análisis predictivo para el cálculo de tasa de deserción en una empresa aseguradora

Modelo de predicción para la deserción en la Fundación Universitaria Konrad Lorenz

Detección de fraude en afiliaciones a través de un modelo de clasificación de machine learning en una aseguradora de riesgos laborales en Colombia

Modelo análisis predictivo para el cálculo de tasa de deserción en una empresa aseguradora

Modelo de predicción para la deserción en la Fundación Universitaria Konrad Lorenz