Propósito de la clase

En Actuaría, trabajar con datos no consiste únicamente en calcular indicadores o ajustar modelos. Antes de utilizar herramientas avanzadas es necesario comprender qué tipo de pregunta se está intentando responder.

En esta clase estudiaremos cuatro etapas del análisis:

Etapa Pregunta principal Idea central
Descriptiva ¿Qué ocurrió? Resume y organiza la información observada
Predictiva ¿Qué podría ocurrir? Estima resultados futuros o no observados
Prescriptiva ¿Qué deberíamos hacer? Compara alternativas y apoya una decisión
Prospectiva ¿Qué podría pasar bajo distintos futuros? Explora escenarios y vulnerabilidades

Objetivo de hoy: aprender a reconocer para qué sirve cada etapa, qué información utiliza, qué tipo de resultado produce y cómo se conecta con una decisión actuarial.

En esta sesión no construiremos todavía modelos predictivos. Más adelante estudiaremos con calma cómo se construyen, evalúan e interpretan.

1. Una misma cartera, cuatro preguntas diferentes

Trabajaremos con una cartera simulada de seguros de automóviles.

La aseguradora quiere entender su situación y tomar decisiones para el próximo año.

Crearemos una base sencilla con:

  • zona;
  • tipo de uso;
  • edad del conductor;
  • antigüedad del vehículo;
  • exposición;
  • número de siniestros;
  • costo de los siniestros;
  • prima cobrada.
n <- 2500

cartera <- tibble(
  id_poliza = 1:n,
  zona = sample(
    c("Centro", "Norte", "Sur"),
    n,
    replace = TRUE,
    prob = c(0.45, 0.30, 0.25)
  ),
  uso = sample(
    c("Particular", "Comercial"),
    n,
    replace = TRUE,
    prob = c(0.82, 0.18)
  ),
  edad_conductor = pmin(
    pmax(round(rnorm(n, 42, 12)), 18),
    80
  ),
  antiguedad_vehiculo = pmin(
    pmax(round(rgamma(n, shape = 2.5, scale = 2)), 0),
    20
  ),
  exposicion = runif(n, 0.25, 1)
) |>
  mutate(
    frecuencia_teorica =
      0.11 *
      if_else(zona == "Sur", 1.30,
        if_else(zona == "Norte", 1.15, 1)
      ) *
      if_else(uso == "Comercial", 1.35, 1) *
      if_else(edad_conductor < 25, 1.35, 1) *
      (1 + 0.02 * antiguedad_vehiculo),

    n_siniestros =
      rpois(
        n(),
        lambda = frecuencia_teorica * exposicion
      ),

    severidad_teorica =
      2800000 *
      if_else(uso == "Comercial", 1.20, 1) *
      if_else(zona == "Sur", 1.10, 1)
  )

simular_costo <- function(n_siniestros, severidad) {
  if (n_siniestros == 0) return(0)

  sum(
    rgamma(
      n_siniestros,
      shape = 2,
      scale = severidad / 2
    )
  )
}

cartera <- cartera |>
  rowwise() |>
  mutate(
    costo_siniestros =
      simular_costo(
        n_siniestros,
        severidad_teorica
      )
  ) |>
  ungroup() |>
  mutate(
    prima_cobrada =
      1.28 *
      frecuencia_teorica *
      severidad_teorica *
      runif(n(), 0.90, 1.10)
  )

Revisemos algunas observaciones.

cartera |>
  select(
    id_poliza,
    zona,
    uso,
    edad_conductor,
    antiguedad_vehiculo,
    exposicion,
    n_siniestros,
    costo_siniestros,
    prima_cobrada
  ) |>
  head(10)

2. Antes de analizar: cuatro conceptos actuariales

Para estudiar la cartera utilizaremos algunos indicadores básicos.

2.1 Exposición

La exposición representa el tiempo durante el cual una póliza estuvo efectivamente expuesta al riesgo.

Una póliza vigente durante todo el año puede tener exposición igual a 1.

Una póliza vigente durante medio año puede tener exposición cercana a 0.5.

2.2 Frecuencia

La frecuencia mide cuántos siniestros ocurren por unidad de exposición:

\[ \text{Frecuencia} = \frac{\text{Número de siniestros}} {\text{Exposición}} \]

2.3 Severidad

La severidad representa el costo promedio por siniestro:

\[ \text{Severidad} = \frac{\text{Costo total de siniestros}} {\text{Número de siniestros}} \]

2.4 Prima pura

La prima pura representa el costo esperado del riesgo antes de gastos, comisiones, utilidad, impuestos u otros recargos.

A nivel agregado puede aproximarse mediante:

\[ \text{Prima pura} = \frac{\text{Costo de siniestros}} {\text{Exposición}} \]

3. Etapa descriptiva

3.1 Pregunta principal

¿Qué ocurrió?

La etapa descriptiva trabaja fundamentalmente con información observada.

No intenta todavía decir qué ocurrirá el próximo año ni recomendar una decisión.

Su trabajo es organizar la realidad histórica.

3.2 Ejemplo actuarial

La gerencia pregunta:

¿Cómo se comportó nuestra cartera durante el último año?

Para responder necesitamos resumir:

  • número de pólizas;
  • exposición;
  • siniestros;
  • frecuencia;
  • severidad;
  • costo;
  • primas;
  • loss ratio.
resumen_general <- cartera |>
  summarise(
    polizas = n(),
    exposicion = sum(exposicion),
    siniestros = sum(n_siniestros),
    costo_total = sum(costo_siniestros),
    primas = sum(prima_cobrada * exposicion),
    frecuencia = siniestros / exposicion,
    severidad = costo_total / siniestros,
    prima_pura = costo_total / exposicion,
    loss_ratio = costo_total / primas
  )

resumen_general

3.3 ¿Qué significan los resultados?

resumen_general |>
  transmute(
    Pólizas = polizas,
    Exposición = round(exposicion, 1),
    Siniestros = siniestros,
    Frecuencia = round(frecuencia, 3),
    Severidad = dollar(
      severidad,
      prefix = "$",
      big.mark = ".",
      decimal.mark = ","
    ),
    `Prima pura` = dollar(
      prima_pura,
      prefix = "$",
      big.mark = ".",
      decimal.mark = ","
    ),
    `Loss ratio` = percent(loss_ratio, accuracy = 0.1)
  ) |>
  knitr::kable()
Pólizas Exposición Siniestros Frecuencia Severidad Prima pura Loss ratio
2500 1557.8 243 0.156 $3.215.128 $501.537 0.0%

Una lectura actuarial podría ser:

  • la frecuencia indica cuántos siniestros se observaron por unidad de exposición;
  • la severidad indica cuánto costó, en promedio, cada siniestro;
  • la prima pura observada resume el costo de siniestros por unidad de exposición;
  • el loss ratio muestra qué proporción de la prima se consumió en siniestros.

Un loss ratio de 70%, por ejemplo, significa que aproximadamente $70 de cada $100 de prima se utilizaron para cubrir siniestros, antes de considerar otros gastos.

3.4 Describir también significa segmentar

Una cartera total puede ocultar diferencias importantes entre grupos.

resumen_zona <- cartera |>
  group_by(zona) |>
  summarise(
    polizas = n(),
    exposicion = sum(exposicion),
    siniestros = sum(n_siniestros),
    costo = sum(costo_siniestros),
    frecuencia = siniestros / exposicion,
    severidad = costo / siniestros,
    prima_pura = costo / exposicion,
    .groups = "drop"
  )

resumen_zona
ggplot(
  resumen_zona,
  aes(x = reorder(zona, frecuencia), y = frecuencia)
) +
  geom_col() +
  coord_flip() +
  labs(
    title = "Frecuencia observada por zona",
    subtitle = "Análisis descriptivo de la cartera",
    x = NULL,
    y = "Frecuencia"
  ) +
  theme_minimal()

Ahora por tipo de uso:

resumen_uso <- cartera |>
  group_by(uso) |>
  summarise(
    polizas = n(),
    exposicion = sum(exposicion),
    siniestros = sum(n_siniestros),
    costo = sum(costo_siniestros),
    frecuencia = siniestros / exposicion,
    severidad = costo / siniestros,
    prima_pura = costo / exposicion,
    .groups = "drop"
  )

resumen_uso
ggplot(
  resumen_uso,
  aes(x = uso, y = prima_pura)
) +
  geom_col() +
  scale_y_continuous(
    labels = label_dollar(
      prefix = "$",
      big.mark = ".",
      decimal.mark = ","
    )
  ) +
  labs(
    title = "Prima pura observada por tipo de uso",
    x = NULL,
    y = "Prima pura"
  ) +
  theme_minimal()

3.5 Lo que sí y lo que no hace la etapa descriptiva

Sí permite:

  • resumir;
  • comparar;
  • visualizar;
  • identificar patrones;
  • detectar segmentos diferentes;
  • formular nuevas preguntas.

No permite por sí sola:

  • afirmar qué ocurrirá el próximo año;
  • demostrar causalidad;
  • determinar cuál tarifa es óptima;
  • garantizar que un patrón histórico continuará.

Regla para recordar: descriptivo = fotografía del comportamiento observado.

4. Etapa predictiva

4.1 Pregunta principal

¿Qué podría ocurrir?

La etapa predictiva utiliza información disponible para estimar un resultado que todavía no conocemos.

Ejemplos actuariales:

  • probabilidad de que un asegurado presente un siniestro;
  • costo esperado de un siniestro;
  • probabilidad de fallecimiento;
  • número esperado de reclamaciones;
  • riesgo de cancelación;
  • valor esperado de una reserva futura.

4.2 En esta clase no construiremos el modelo

Suponga que el equipo de modelación de la aseguradora ya realizó un estudio y entrega las siguientes estimaciones de frecuencia para el próximo año:

predicciones <- tribble(
  ~zona,    ~uso,         ~frecuencia_esperada,
  "Centro", "Particular", 0.115,
  "Centro", "Comercial",  0.155,
  "Norte",  "Particular", 0.130,
  "Norte",  "Comercial",  0.175,
  "Sur",    "Particular", 0.150,
  "Sur",    "Comercial",  0.205
)

predicciones

Nuestro objetivo hoy no es preguntar cómo se construyó el modelo.

Eso lo estudiaremos después.

La pregunta de hoy es:

¿Qué significa que una frecuencia esperada sea 0.205?

Una frecuencia esperada de 0.205 puede interpretarse aproximadamente como:

Si tuviéramos muchas pólizas similares durante un año completo, esperaríamos alrededor de 20.5 siniestros por cada 100 pólizas-año.

No significa que una póliza concreta vaya a sufrir 0.205 siniestros.

Es una expectativa promedio.

4.3 Diferencia entre observado y esperado

Comparemos la frecuencia histórica observada con la frecuencia esperada entregada por el equipo técnico.

comparacion <- cartera |>
  group_by(zona, uso) |>
  summarise(
    exposicion = sum(exposicion),
    siniestros = sum(n_siniestros),
    frecuencia_observada =
      siniestros / exposicion,
    .groups = "drop"
  ) |>
  left_join(
    predicciones,
    by = c("zona", "uso")
  )

comparacion
comparacion |>
  pivot_longer(
    cols = c(
      frecuencia_observada,
      frecuencia_esperada
    ),
    names_to = "tipo",
    values_to = "frecuencia"
  ) |>
  ggplot(
    aes(
      x = interaction(zona, uso),
      y = frecuencia,
      fill = tipo
    )
  ) +
  geom_col(position = "dodge") +
  labs(
    title = "Frecuencia observada vs. frecuencia esperada",
    subtitle = "La etapa predictiva mira hacia un resultado aún no observado",
    x = "Segmento",
    y = "Frecuencia",
    fill = NULL
  ) +
  theme_minimal() +
  theme(
    axis.text.x = element_text(
      angle = 35,
      hjust = 1
    )
  )

4.4 ¿Por qué lo esperado puede ser diferente de lo observado?

Porque una predicción puede incorporar información adicional:

  • varios años históricos;
  • características de los asegurados;
  • cambios en el entorno;
  • tendencias;
  • exposición;
  • comportamiento de segmentos similares;
  • modelos estadísticos.

La etapa predictiva no copia necesariamente el pasado.

Intenta utilizar el pasado y otra información disponible para estimar algo que aún no observamos.

4.5 Ejemplo fuera de seguros

En pensiones:

Pregunta descriptiva:

¿Cuál fue la edad promedio de retiro durante los últimos cinco años?

Pregunta predictiva:

¿Cuál podría ser la edad esperada de retiro de los afiliados que hoy tienen entre 55 y 60 años?

Son preguntas relacionadas, pero no son la misma pregunta.

4.6 Lo que sí y lo que no hace la etapa predictiva

Sí permite:

  • estimar;
  • anticipar;
  • clasificar riesgo;
  • proyectar un resultado no observado;
  • cuantificar incertidumbre.

No implica automáticamente:

  • que el resultado ocurrirá exactamente;
  • causalidad;
  • que sepamos qué decisión tomar;
  • que exista un único futuro posible.

Regla para recordar: predictivo = estimación de algo que todavía no conocemos.

5. Etapa prescriptiva

5.1 Pregunta principal

¿Qué deberíamos hacer?

La etapa prescriptiva aparece cuando tenemos que escoger entre alternativas.

Aquí ya no basta con conocer qué pasó ni con estimar qué podría pasar.

Necesitamos una decisión.

Ejemplos actuariales:

  • ¿qué tarifa conviene aplicar?;
  • ¿qué deducible ofrecer?;
  • ¿cuánto reaseguro contratar?;
  • ¿qué nivel de reserva mantener?;
  • ¿qué estrategia de inversión elegir?;
  • ¿qué segmento requiere una intervención prioritaria?

5.2 Un ejemplo muy sencillo

Suponga que el equipo actuarial propone tres alternativas tarifarias:

alternativas <- tribble(
  ~alternativa, ~aumento_prima, ~retencion_esperada, ~loss_ratio_esperado,
  "A",          0.05,           0.94,                0.82,
  "B",          0.10,           0.89,                0.75,
  "C",          0.18,           0.76,                0.66
)

alternativas

Tenemos un conflicto:

  • aumentar más la prima podría mejorar el resultado técnico;
  • pero también podría reducir la retención.

No existe una alternativa “mejor” sin definir antes qué quiere lograr la compañía.

5.3 Visualización de alternativas

alternativas |>
  mutate(
    alternativa =
      factor(
        alternativa,
        levels = c("A", "B", "C")
      )
  ) |>
  ggplot(
    aes(
      x = retencion_esperada,
      y = loss_ratio_esperado,
      label = alternativa
    )
  ) +
  geom_point(size = 4) +
  geom_text(
    nudge_y = 0.015
  ) +
  scale_x_continuous(labels = percent) +
  scale_y_continuous(labels = percent) +
  labs(
    title = "Comparación de alternativas tarifarias",
    subtitle = "Una decisión puede implicar compensaciones entre objetivos",
    x = "Retención esperada",
    y = "Loss ratio esperado"
  ) +
  theme_minimal()

5.4 ¿Cuál alternativa escoger?

La respuesta depende del objetivo.

Si el objetivo fuera:

Mantener una retención mínima del 85% y buscar el menor loss ratio posible.

Podemos filtrar las alternativas factibles:

alternativas |>
  filter(retencion_esperada >= 0.85) |>
  arrange(loss_ratio_esperado)

Bajo esta regla, solo consideramos alternativas que cumplen la restricción de retención.

La etapa prescriptiva agrega entonces tres elementos:

\[ \text{Predicción} + \text{Objetivo} + \text{Restricciones} \rightarrow \text{Decisión} \]

5.5 Una idea importante

Una recomendación prescriptiva no es una verdad absoluta.

Depende de:

  • qué objetivo se definió;
  • qué restricciones existen;
  • qué información se utilizó;
  • qué costos se consideran;
  • qué nivel de riesgo está dispuesto a aceptar quien decide.

Regla para recordar: prescriptivo = comparar alternativas para recomendar una acción.

6. Etapa prospectiva

6.1 Pregunta principal

¿Qué podría pasar bajo diferentes futuros?

La prospectiva trabaja con escenarios.

No busca necesariamente identificar un único futuro “correcto”.

Busca comprender cómo cambiaría una decisión si cambian ciertas condiciones.

Ejemplos actuariales:

  • inflación médica;
  • longevidad;
  • tasas de interés;
  • frecuencia de siniestros;
  • severidad;
  • desempleo;
  • catástrofes;
  • cambios regulatorios.

6.2 Escenarios de la cartera

Suponga que estamos evaluando el próximo año.

La compañía plantea cuatro escenarios:

escenarios <- tribble(
  ~escenario,  ~cambio_frecuencia, ~cambio_severidad,
  "Favorable", -0.05,              0.03,
  "Base",       0.00,              0.07,
  "Adverso",    0.10,              0.15,
  "Estrés",     0.25,              0.28
)

escenarios

La pregunta no es:

¿Cuál de estos escenarios ocurrirá exactamente?

La pregunta es:

¿Qué consecuencias tendría cada uno si ocurriera?

6.3 Efecto conjunto sobre el costo esperado

Si el costo esperado depende aproximadamente de frecuencia por severidad, podemos estudiar el efecto relativo:

escenarios_resultado <- escenarios |>
  mutate(
    factor_frecuencia =
      1 + cambio_frecuencia,

    factor_severidad =
      1 + cambio_severidad,

    factor_costo =
      factor_frecuencia *
      factor_severidad,

    cambio_costo =
      factor_costo - 1
  )

escenarios_resultado
ggplot(
  escenarios_resultado,
  aes(
    x = reorder(escenario, cambio_costo),
    y = cambio_costo
  )
) +
  geom_col() +
  coord_flip() +
  scale_y_continuous(labels = percent) +
  labs(
    title = "Cambio relativo del costo esperado por escenario",
    subtitle = "Combinación de cambios en frecuencia y severidad",
    x = NULL,
    y = "Cambio del costo esperado"
  ) +
  theme_minimal()

6.4 Lectura actuarial

Suponga que en el escenario de estrés el costo esperado aumenta 60%.

Eso no significa que sabemos que el costo aumentará 60%.

Significa:

Si la frecuencia y la severidad evolucionaran de acuerdo con los supuestos del escenario de estrés, entonces el costo esperado aumentaría aproximadamente en esa magnitud.

Ese “si… entonces…” es esencial en la prospectiva.

6.5 Ejemplo en pensiones

Imagine un fondo de pensiones.

Podrían construirse escenarios con:

  • mayor longevidad;
  • menor rentabilidad;
  • mayor inflación;
  • retraso en la edad de retiro.

El objetivo no es afirmar cuál ocurrirá.

El objetivo es preguntar:

¿El fondo continúa siendo sostenible bajo condiciones menos favorables?

6.6 Lo que sí y lo que no hace la prospectiva

Sí permite:

  • analizar sensibilidad;
  • construir escenarios;
  • identificar vulnerabilidades;
  • realizar pruebas de estrés;
  • evaluar robustez.

No pretende necesariamente:

  • elegir el futuro más probable;
  • producir una única predicción;
  • eliminar la incertidumbre.

Regla para recordar: prospectivo = explorar futuros posibles.

7. Las cuatro etapas juntas

Podemos representar el proceso de la siguiente manera:

\[ \text{¿Qué ocurrió?} \rightarrow \text{¿Qué podría ocurrir?} \rightarrow \text{¿Qué hacemos?} \rightarrow \text{¿Qué pasa si el entorno cambia?} \]

Etapa Pregunta Resultado típico
Descriptiva ¿Qué ocurrió? Tabla, indicador, gráfico
Predictiva ¿Qué podría ocurrir? Probabilidad, estimación, pronóstico
Prescriptiva ¿Qué deberíamos hacer? Recomendación, regla o alternativa
Prospectiva ¿Qué podría pasar en distintos futuros? Escenarios, sensibilidad, estrés

8. No confundir las etapas

Veamos algunas situaciones.

Situación 1

Durante 2026 la frecuencia de siniestros comerciales fue 18% superior a la de pólizas particulares.

Etapa: descriptiva.

¿Por qué?

Porque estamos hablando de un resultado ya observado.

Situación 2

Se estima que el próximo año las pólizas comerciales tendrán una frecuencia de 0.17.

Etapa: predictiva.

¿Por qué?

Porque estamos estimando un resultado futuro.

Situación 3

Entre tres alternativas tarifarias, se recomienda la alternativa B porque mantiene una retención superior al 85% y reduce el loss ratio esperado.

Etapa: prescriptiva.

¿Por qué?

Porque estamos seleccionando una acción.

Situación 4

Se analiza qué ocurriría con el resultado técnico si la frecuencia aumenta 15% y la severidad 20%.

Etapa: prospectiva.

¿Por qué?

Porque estamos estudiando un escenario hipotético.

9. Una pregunta puede requerir varias etapas

En la práctica, los proyectos actuariales rara vez terminan en una sola etapa.

Por ejemplo:

¿Debemos aumentar las tarifas de seguros comerciales para el próximo año?

Para responder bien podríamos necesitar:

Descriptiva

  • ¿cómo se comportaron históricamente?

Predictiva

  • ¿qué riesgo esperamos para el próximo año?

Prescriptiva

  • ¿qué ajuste tarifario recomendamos?

Prospectiva

  • ¿la recomendación sigue siendo adecuada si aumenta la inflación de siniestros?

Esto muestra que las etapas no compiten entre sí.

Se complementan.

10. Miniactividad guiada

Clasifique cada pregunta en una de las cuatro etapas.

preguntas <- tibble(
  numero = 1:8,
  pregunta = c(
    "¿Cuál fue la severidad promedio durante 2026?",
    "¿Cuál podría ser la frecuencia de siniestros en 2027?",
    "¿Qué deducible conviene ofrecer al asegurado?",
    "¿Qué pasa con la reserva si la inflación aumenta al 12%?",
    "¿Qué zona tuvo mayor loss ratio?",
    "¿Qué afiliados presentan mayor probabilidad de retiro anticipado?",
    "¿Qué estrategia de reaseguro conviene contratar?",
    "¿Cómo cambia el capital requerido bajo un escenario de estrés?"
  )
)

preguntas |>
  knitr::kable()
numero pregunta
1 ¿Cuál fue la severidad promedio durante 2026?
2 ¿Cuál podría ser la frecuencia de siniestros en 2027?
3 ¿Qué deducible conviene ofrecer al asegurado?
4 ¿Qué pasa con la reserva si la inflación aumenta al 12%?
5 ¿Qué zona tuvo mayor loss ratio?
6 ¿Qué afiliados presentan mayor probabilidad de retiro anticipado?
7 ¿Qué estrategia de reaseguro conviene contratar?
8 ¿Cómo cambia el capital requerido bajo un escenario de estrés?

Antes de mirar la solución, responda para cada pregunta:

  1. ¿La información ya ocurrió o todavía no?
  2. ¿Estoy intentando estimar algo?
  3. ¿Estoy escogiendo una acción?
  4. ¿Estoy modificando supuestos para estudiar posibles futuros?

Solución

solucion <- preguntas |>
  mutate(
    etapa = c(
      "Descriptiva",
      "Predictiva",
      "Prescriptiva",
      "Prospectiva",
      "Descriptiva",
      "Predictiva",
      "Prescriptiva",
      "Prospectiva"
    )
  )

solucion |>
  knitr::kable()
numero pregunta etapa
1 ¿Cuál fue la severidad promedio durante 2026? Descriptiva
2 ¿Cuál podría ser la frecuencia de siniestros en 2027? Predictiva
3 ¿Qué deducible conviene ofrecer al asegurado? Prescriptiva
4 ¿Qué pasa con la reserva si la inflación aumenta al 12%? Prospectiva
5 ¿Qué zona tuvo mayor loss ratio? Descriptiva
6 ¿Qué afiliados presentan mayor probabilidad de retiro anticipado? Predictiva
7 ¿Qué estrategia de reaseguro conviene contratar? Prescriptiva
8 ¿Cómo cambia el capital requerido bajo un escenario de estrés? Prospectiva

11. Reto final: pensar como actuario

Caso: Seguros Horizonte

Seguros Horizonte está preparando su planeación para el próximo año.

La gerencia entrega la siguiente información:

  1. Durante el último año, la zona Sur presentó la mayor frecuencia observada.
  2. El equipo técnico estima que las pólizas comerciales seguirán presentando mayor frecuencia el próximo año.
  3. Se están considerando tres alternativas de incremento de prima: 5%, 10% y 18%.
  4. La gerencia desea mantener una retención mínima del 85%.
  5. Existe preocupación por una posible inflación de siniestros entre 8% y 20%.
  6. En un escenario adverso también podría aumentar la frecuencia de accidentes.

Parte A. Identificación de etapas

Clasifique cada una de las siguientes preguntas:

Pregunta Etapa
¿Qué zona presentó mayor frecuencia durante el último año?
¿Qué frecuencia esperamos para las pólizas comerciales el próximo año?
¿Qué incremento de prima recomendaríamos?
¿Qué pasa si la inflación de siniestros alcanza 20%?
¿Qué segmento tuvo mayor severidad histórica?
¿Qué pólizas podrían presentar mayor riesgo el próximo año?
¿Qué alternativa cumple mejor la restricción de retención?
¿La recomendación seguiría siendo adecuada bajo un escenario de estrés?

Parte B. Explique el porqué

No basta con escribir el nombre de la etapa.

Para cada respuesta escriba una frase:

“Es __________ porque __________.”

Ejemplo:

Es descriptiva porque utiliza información que ya fue observada para resumir el comportamiento histórico.

Parte C. ¿Qué información necesitaría?

Para cuatro de las preguntas anteriores indique:

  • qué variables necesitaría;
  • qué resultado esperaría obtener;
  • cómo utilizaría ese resultado un actuario.

Parte D. Diseñe una pregunta por etapa

Formule una pregunta actuarial original para cada etapa:

  1. descriptiva;
  2. predictiva;
  3. prescriptiva;
  4. prospectiva.

Puede utilizar alguno de estos campos:

  • seguros;
  • pensiones;
  • salud;
  • riesgos financieros.

Parte E. Conexión entre etapas

Seleccione una de sus preguntas prescriptivas y explique:

  1. qué análisis descriptivo necesitaría antes;
  2. qué predicción sería útil;
  3. qué escenarios prospectivos probaría después.

12. Una plantilla mental para no confundirse

Cuando reciba una pregunta de negocio, puede utilizar este árbol sencillo.

Paso 1

¿La pregunta se refiere principalmente a información que ya ocurrió?

Sí → Descriptiva

Paso 2

¿La pregunta intenta estimar algo que todavía no conocemos?

Sí → Predictiva

Paso 3

¿La pregunta pide escoger, recomendar u optimizar una acción?

Sí → Prescriptiva

Paso 4

¿La pregunta modifica supuestos para estudiar qué pasaría bajo diferentes condiciones?

Sí → Prospectiva

En problemas reales puede aparecer más de una etapa.

13. Resumen en una frase

Descriptiva

Entender el pasado y el presente observado.

Predictiva

Estimar algo que todavía no conocemos.

Prescriptiva

Elegir qué hacer con la información disponible.

Prospectiva

Explorar qué podría pasar si el futuro cambia.

14. Cierre

Un actuario puede tener una gran cantidad de datos y aun así formular mal el problema.

Antes de escoger una técnica conviene preguntar:

¿Qué tipo de respuesta necesita realmente quien toma la decisión?

Porque una tabla histórica, una predicción, una recomendación y un escenario responden preguntas diferentes.

El recorrido completo puede resumirse así:

\[ \boxed{ \text{Describir} \rightarrow \text{Predecir} \rightarrow \text{Decidir} \rightarrow \text{Explorar escenarios} } \]

En las siguientes clases estudiaremos con mayor profundidad cómo construir algunas de estas herramientas.

Por ahora, lo importante es saber cuándo y para qué utilizarlas.

15. Preguntas de reflexión

  1. ¿Una predicción es necesariamente una recomendación?
  2. ¿Una buena decisión puede depender de una mala predicción?
  3. ¿Por qué un escenario no debe interpretarse como una predicción?
  4. ¿Puede un mismo problema actuarial necesitar las cuatro etapas?
  5. ¿Cuál de las cuatro etapas considera que requiere mayor juicio profesional?