1 Contenido y ruta académica del documento

Esta guía desarrolla la metodología SEMMA desde una perspectiva conceptual y práctica. El recorrido comienza con su origen y finalidad, continúa con la explicación de sus cinco fases y después muestra una aplicación completa en siniestralidad de automóviles. Finalmente, se comparan sus alcances con CRISP-DM y KDD y se propone un reto para aplicar lo aprendido.

La pregunta que conecta todo el documento es: ¿cómo puede una aseguradora transformar una base de pólizas en información útil para reconocer niveles de riesgo y orientar acciones preventivas?

El orden del contenido es el siguiente:

Concepto, origen y finalidad de SEMMA.
Explicación de las fases y de las acciones realizadas en R.
Ventajas, limitaciones y uso en actuaría.
Diferencias frente a CRISP-DM y KDD.
Ejemplo guiado de siniestralidad de automóviles.
Interpretación de resultados y recomendaciones.
Reto aplicado para los compañeros.

2 ¿Qué es SEMMA y de dónde surge?

SEMMA organiza las tareas centrales de minería de datos en cinco fases: Sample, Explore, Modify, Model y Assess. Su nombre nace de las iniciales de esas palabras y se relaciona con el entorno de SAS Enterprise Miner.

En lenguaje sencillo responde cinco preguntas: ¿con qué datos trabajaré?, ¿qué encuentro?, ¿qué debo corregir o crear?, ¿qué modelo puedo construir? y ¿qué tan útil resulta?

3 Problema que busca resolver

Ayuda a ordenar un análisis cuando existen muchos datos y se quieren encontrar patrones o construir modelos. En actuaría puede apoyar estudios de frecuencia, severidad, fraude, cancelación y probabilidad de siniestro.

4 Fases de SEMMA y su desarrollo en R

Las fases no deben verse como pasos totalmente aislados. Durante el análisis es normal regresar a una etapa anterior. Por ejemplo, un problema encontrado al modelar puede obligar a explorar nuevamente una variable o a modificar la forma en que fue preparada.

4.1 Sample - Muestrear

Esta fase define con qué parte de la información se trabajará. Cuando la base es muy grande, una muestra bien construida permite estudiar el problema sin procesar todos los registros. En un ejercicio predictivo también se separan datos para entrenamiento y prueba. El entrenamiento permite que el modelo aprenda patrones; la prueba permite comprobarlo con observaciones que no utilizó para aprender.

En R pueden utilizarse sample(), índices aleatorios, particiones estratificadas y una semilla con set.seed(). La semilla permite repetir la misma separación cuando se vuelve a ejecutar el documento.

4.2 Explore - Explorar

Aquí se busca conocer la base antes de modelar. Se revisa cuántas filas y variables existen, cuáles tienen datos faltantes, cómo se distribuyen las variables numéricas, qué categorías aparecen y si hay valores que parecen poco coherentes. También se realizan comparaciones iniciales con la variable objetivo.

En R se emplean funciones como dim(), head(), summary(), table(), is.na() y gráficos con ggplot2. La exploración muestra señales, pero no demuestra por sí sola una relación causal.

4.3 Modify - Modificar

En esta fase los datos se preparan para que puedan ser utilizados de forma consistente. Esto puede incluir corregir formatos, tratar valores faltantes, agrupar categorías, transformar variables y crear nuevas medidas. Cada modificación debe tener una explicación, porque una transformación incorrecta puede cambiar el resultado.

En R se utilizan mutate(), filter(), case_when(), cut(), conversión a factores y reglas de imputación. Para evitar introducir información del futuro, los valores usados para completar datos de prueba deben calcularse únicamente con el conjunto de entrenamiento.

4.4 Model - Modelar

La fase de modelado intenta representar la relación entre unas variables explicativas y un resultado. No existe un modelo que sea siempre mejor. La elección depende de la pregunta, del tipo de variable objetivo y de la necesidad de explicar el resultado.

En esta guía se utiliza una regresión logística con glm(), apropiada para estimar una probabilidad entre 0 y 1, y un árbol de decisión con rpart(), que divide la población mediante reglas. Comparar ambos permite observar el equilibrio entre capacidad predictiva e interpretación.

4.5 Assess - Evaluar

Evaluar significa comprobar si el modelo funciona de manera razonable en datos que no utilizó para aprender. No basta con revisar cuántos casos acertó: también importa entender qué tipo de errores comete. En seguros puede ser especialmente relevante identificar cuántos siniestros reales fueron omitidos.

En R se obtienen probabilidades, matriz de confusión, exactitud, sensibilidad, especificidad y AUC. El punto de corte no debe elegirse de forma automática; debería considerar el coste y la consecuencia de cada error.

5 Ventajas y limitaciones

5.1 Ventajas

Orden sencillo: las cinco fases ofrecen una ruta fácil de recordar y ayudan a no comenzar directamente por el modelo.
Importancia de los datos: explorar y modificar ocupan un lugar central, lo que reduce el riesgo de modelar información sin entenderla.
Proceso repetible: el código permite documentar las decisiones y volver a ejecutar el análisis cuando llegan nuevos datos.
Comparación de alternativas: la etapa Model permite probar más de una técnica y la etapa Assess ayuda a compararlas con criterios comunes.
Aplicación práctica: es útil cuando ya existe una pregunta analítica y se necesita avanzar desde una base disponible hasta una evaluación objetiva.

5.2 Limitaciones

El negocio no aparece como fase expresa: antes de muestrear es necesario definir por fuera de SEMMA la decisión que se quiere apoyar.
El despliegue no se desarrolla como etapa propia: publicar, monitorear y actualizar el modelo requiere actividades adicionales.
Puede concentrarse demasiado en lo técnico: un modelo con buenas métricas puede no ser adecuado si no considera restricciones operativas, regulatorias o comerciales.
Depende de la calidad de los datos: si la información histórica contiene sesgos, omisiones o errores, el modelo puede reproducirlos.
No elimina el juicio profesional: los resultados deben ser interpretados por personas que comprendan el producto, la población y los costes asociados a cada decisión.

6 Aplicación actuarial

En seguros de autos, SEMMA puede apoyar la estimación de frecuencia, severidad o probabilidad de siniestro. La evaluación debe considerar el uso: no detectar una póliza riesgosa puede ser más costoso que revisar una póliza que finalmente no presenta siniestro.

7 Diferencias con CRISP-DM y KDD

SEMMA: se concentra en muestra, exploración, modificación, modelo y evaluación.
CRISP-DM: incorpora comprensión del negocio y despliegue, por lo que cubre un proyecto más amplio.
KDD: organiza el descubrimiento de conocimiento e incluye selección, preprocesamiento, transformación, minería e interpretación.

8 ¿Cuándo conviene?

Conviene cuando la pregunta está clara, los datos existen y el centro del trabajo es preparar, modelar y evaluar. No conviene usarla sola cuando todavía no se entiende el problema de negocio o se necesita planificar regulación, despliegue y seguimiento.

9 Ejemplo guiado: siniestralidad de automóviles

9.1 Problema y objetivo

Una aseguradora administra muchas pólizas de automóviles y no puede revisar cada caso con la misma profundidad. En la base existen características del conductor, del vehículo, del uso y de la exposición, además del resultado observado sobre siniestros.

El problema consiste en reconocer patrones que permitan ordenar las pólizas según su probabilidad estimada de presentar al menos un siniestro. El propósito no es afirmar que una persona tendrá un accidente ni tomar decisiones automáticas. Se busca construir una herramienta académica que ayude a priorizar revisiones preventivas, validar información y comprender qué variables aportan señales de riesgo.

La unidad de análisis es la póliza. La variable objetivo tuvo_siniestro vale 1 si la póliza registró al menos un siniestro y 0 si no lo registró. Los datos son sintéticos y se utilizan únicamente con fines académicos.

9.2 Carga y reconocimiento inicial de la base

El siguiente bloque busca el archivo en la carpeta del proyecto. Si no lo encuentra, abre una ventana para seleccionarlo. Después muestra el tamaño y las primeras filas. Esta comprobación confirma que la base fue cargada y permite observar sus nombres de variables.

archivo <- "datos_semma_autos.csv"
if(!file.exists(archivo)) archivo <- file.choose()
autos <- read.csv(archivo, stringsAsFactors=FALSE)
dim(autos)

## [1] 1800   11

head(autos)

La unidad es la póliza y tuvo_siniestro vale 1 si hubo al menos un evento.

10 1. Sample

En esta etapa se conserva aproximadamente el 70% de cada clase para entrenamiento y el resto para prueba. La separación se hace dentro de los grupos con y sin siniestro para evitar que una de las bases quede con una proporción demasiado diferente.

indices_entrenamiento <- unlist(lapply(split(seq_len(nrow(autos)), autos$tuvo_siniestro), function(i) sample(i, floor(.70*length(i)))))
entrenamiento <- autos[indices_entrenamiento, ]
prueba <- autos[-indices_entrenamiento, ]
data.frame(base=c("Entrenamiento","Prueba"), filas=c(nrow(entrenamiento),nrow(prueba)), tasa_siniestro=round(100*c(mean(entrenamiento$tuvo_siniestro),mean(prueba$tuvo_siniestro)),2)) |> kable()

base	filas	tasa_siniestro
Entrenamiento	1259	4.92
Prueba	541	5.18

Las dos bases conservan una proporción parecida de siniestros. Una sirve para aprender y la otra para comprobar. La tabla también permite verificar que no se utilizó toda la información para entrenar, lo que sería una evaluación poco confiable.

11 2. Explore

Primero se calcula, para cada variable, la cantidad de valores faltantes y de valores diferentes. Luego se resumen las variables numéricas. Esta revisión permite detectar campos incompletos y reconocer rangos antes de modificar la información.

calidad <- data.frame(variable=names(entrenamiento), faltantes=sapply(entrenamiento, function(x) sum(is.na(x))), unicos=sapply(entrenamiento, function(x) length(unique(x))))
kable(calidad)

	variable	faltantes	unicos
id_poliza	id_poliza	0	1259
edad_conductor	edad_conductor	0	63
antiguedad_poliza	antiguedad_poliza	0	209
tipo_vehiculo	tipo_vehiculo	0	3
uso_vehiculo	uso_vehiculo	0	2
region	region	0	5
valor_vehiculo	valor_vehiculo	4	739
km_anuales	km_anuales	11	1205
exposicion	exposicion	0	46
tuvo_siniestro	tuvo_siniestro	0	2
costo_siniestro	costo_siniestro	0	63

summary(entrenamiento[,c("edad_conductor","antiguedad_poliza","valor_vehiculo","km_anuales","exposicion")])

##  edad_conductor  antiguedad_poliza valor_vehiculo        km_anuales   
##  Min.   :18.00   Min.   : 0.200    Min.   : 12900000   Min.   : -100  
##  1st Qu.:34.00   1st Qu.: 4.700    1st Qu.: 46900000   1st Qu.: 9556  
##  Median :50.00   Median : 7.500    Median : 64300000   Median :13952  
##  Mean   :49.72   Mean   : 8.279    Mean   : 71180478   Mean   :14216  
##  3rd Qu.:66.00   3rd Qu.:10.850    3rd Qu.: 87300000   3rd Qu.:18603  
##  Max.   :80.00   Max.   :30.000    Max.   :338600000   Max.   :40633  
##                                    NAs    :4           NAs    :11     
##    exposicion    
##  Min.   :0.5500  
##  1st Qu.:0.6600  
##  Median :0.7700  
##  Mean   :0.7712  
##  3rd Qu.:0.8800  
##  Max.   :1.0000  
##

resumen_uso <- entrenamiento |> group_by(uso_vehiculo) |> summarise(polizas=n(), tasa_siniestro=mean(tuvo_siniestro), .groups="drop")
kable(resumen_uso, digits=3)

uso_vehiculo	polizas	tasa_siniestro
Comercial	200	0.085
Particular	1059	0.042

ggplot(resumen_uso, aes(uso_vehiculo,tasa_siniestro,fill=uso_vehiculo))+geom_col(show.legend=FALSE)+scale_y_continuous(labels=percent)+labs(title="Tasa observada por uso",x="Uso",y="Tasa")+theme_minimal()

ggplot(entrenamiento,aes(factor(tuvo_siniestro),km_anuales))+geom_boxplot(fill="#6BAED6")+labs(title="Kilometraje según resultado",x="Siniestro: 0=No, 1=Sí",y="Kilómetros anuales")+theme_minimal()

La tabla de calidad indica dónde hay faltantes y qué variables funcionan como categorías o como valores continuos. Los gráficos permiten comparar la tasa observada por uso y la distribución del kilometraje. Estas diferencias son señales para el análisis, pero no demuestran que una variable sea la causa del siniestro.

12 3. Modify

La exploración mostró valores faltantes y algunos kilometrajes negativos. El bloque siguiente convierte los kilometrajes negativos en faltantes, completa kilometraje y valor del vehículo con medianas del entrenamiento y crea grupos comprensibles de edad y kilometraje. La misma regla se aplica a prueba sin calcular nuevas medianas con esos datos.

preparar <- function(datos, referencia) {
  datos$km_anuales[datos$km_anuales < 0] <- NA
  med_km <- median(referencia$km_anuales[referencia$km_anuales >= 0], na.rm=TRUE)
  med_valor <- median(referencia$valor_vehiculo, na.rm=TRUE)
  datos$km_anuales[is.na(datos$km_anuales)] <- med_km
  datos$valor_vehiculo[is.na(datos$valor_vehiculo)] <- med_valor
  datos$grupo_edad <- cut(datos$edad_conductor,c(17,25,40,60,Inf),labels=c("18-25","26-40","41-60","61+"))
  datos$grupo_km <- cut(datos$km_anuales,c(-Inf,10000,20000,Inf),labels=c("Bajo","Medio","Alto"))
  datos$tipo_vehiculo <- factor(datos$tipo_vehiculo)
  datos$uso_vehiculo <- factor(datos$uso_vehiculo)
  datos$region <- factor(datos$region)
  datos
}
entrenamiento_m <- preparar(entrenamiento,entrenamiento)
prueba_m <- preparar(prueba,entrenamiento)
summary(entrenamiento_m[,c("km_anuales","valor_vehiculo","grupo_edad","grupo_km")])

##    km_anuales    valor_vehiculo      grupo_edad   grupo_km  
##  Min.   : 1000   Min.   : 12900000   18-25:158   Bajo :345  
##  1st Qu.: 9616   1st Qu.: 46900000   26-40:285   Medio:680  
##  Median :13966   Median : 64300000   41-60:394   Alto :234  
##  Mean   :14258   Mean   : 71158618   61+  :422              
##  3rd Qu.:18509   3rd Qu.: 87200000                          
##  Max.   :40633   Max.   :338600000

13 4. Model

Con los datos preparados se construyen dos modelos. La regresión logística estima una probabilidad, mientras que el árbol intenta formar grupos mediante reglas. Usar dos métodos ayuda a comparar un enfoque numérico y otro más visual.

13.1 Regresión logística

modelo_logistico <- glm(tuvo_siniestro ~ edad_conductor + antiguedad_poliza + tipo_vehiculo + uso_vehiculo + region + valor_vehiculo + km_anuales + exposicion, data=entrenamiento_m, family=binomial())
summary(modelo_logistico)

## 
## Call:
## glm(formula = tuvo_siniestro ~ edad_conductor + antiguedad_poliza + 
##     tipo_vehiculo + uso_vehiculo + region + valor_vehiculo + 
##     km_anuales + exposicion, family = binomial(), data = entrenamiento_m)
## 
## Coefficients:
##                          Estimate Std. Error z value Pr(>|z|)   
## (Intercept)            -3.723e+00  1.150e+00  -3.238   0.0012 **
## edad_conductor          4.251e-03  7.209e-03   0.590   0.5555   
## antiguedad_poliza      -3.411e-02  2.973e-02  -1.147   0.2512   
## tipo_vehiculoPickup     5.928e-01  3.330e-01   1.780   0.0750 . 
## tipo_vehiculoSUV       -4.898e-02  3.218e-01  -0.152   0.8791   
## uso_vehiculoParticular -5.797e-01  3.722e-01  -1.557   0.1194   
## regionBogota            3.549e-01  3.646e-01   0.973   0.3304   
## regionCaribe            2.551e-01  4.571e-01   0.558   0.5767   
## regionCentro            1.214e-02  4.416e-01   0.027   0.9781   
## regionPacifico         -3.084e-01  5.128e-01  -0.601   0.5476   
## valor_vehiculo          1.960e-09  3.801e-09   0.516   0.6061   
## km_anuales              1.661e-05  2.426e-05   0.685   0.4936   
## exposicion              8.551e-01  1.019e+00   0.839   0.4014   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 494.25  on 1258  degrees of freedom
## Residual deviance: 479.02  on 1246  degrees of freedom
## AIC: 505.02
## 
## Number of Fisher Scoring iterations: 6

13.2 Árbol de decisión corregido

modelo_arbol <- rpart(
  factor(tuvo_siniestro) ~ edad_conductor + antiguedad_poliza + tipo_vehiculo + uso_vehiculo + region + valor_vehiculo + km_anuales + exposicion,
  data=entrenamiento_m,
  method="class",
  parms=list(loss=matrix(c(0,1,3,0),nrow=2,byrow=TRUE)),
  control=rpart.control(cp=.001,minsplit=20,minbucket=7,maxdepth=5,xval=10)
)
modelo_arbol

## n= 1259 
## 
## node), split, n, loss, yval, (yprob)
##       * denotes terminal node
## 
##  1) root 1259 186 0 (0.95075457 0.04924543)  
##    2) uso_vehiculo=Particular 1059 135 0 (0.95750708 0.04249292)  
##      4) antiguedad_poliza>=1.55 1038 123 0 (0.96050096 0.03949904)  
##        8) tipo_vehiculo=Automovil,SUV 891  90 0 (0.96632997 0.03367003) *
##        9) tipo_vehiculo=Pickup 147  33 0 (0.92517007 0.07482993)  
##         18) valor_vehiculo< 1.278e+08 140  27 0 (0.93571429 0.06428571) *
##         19) valor_vehiculo>=1.278e+08 7   5 1 (0.71428571 0.28571429) *
##      5) antiguedad_poliza< 1.55 21  12 0 (0.80952381 0.19047619)  
##       10) region=Caribe,Pacifico 8   0 0 (1.00000000 0.00000000) *
##       11) region=Antioquia,Bogota,Centro 13   9 1 (0.69230769 0.30769231) *
##    3) uso_vehiculo=Comercial 200  51 0 (0.91500000 0.08500000)  
##      6) antiguedad_poliza< 18.95 192  42 0 (0.92708333 0.07291667)  
##       12) valor_vehiculo< 9.165e+07 153  21 0 (0.95424837 0.04575163)  
##         24) exposicion< 0.985 146  15 0 (0.96575342 0.03424658) *
##         25) exposicion>=0.985 7   5 1 (0.71428571 0.28571429) *
##       13) valor_vehiculo>=9.165e+07 39  21 0 (0.82051282 0.17948718)  
##         26) km_anuales>=23000.5 19   0 0 (1.00000000 0.00000000) *
##         27) km_anuales< 23000.5 20  13 1 (0.65000000 0.35000000)  
##           54) km_anuales>=19351.5 11   6 0 (0.81818182 0.18181818) *
##           55) km_anuales< 19351.5 9   4 1 (0.44444444 0.55555556) *
##      7) antiguedad_poliza>=18.95 8   5 1 (0.62500000 0.37500000) *

if(nrow(modelo_arbol$frame)>1){
  plot(modelo_arbol,uniform=TRUE,margin=.08)
  text(modelo_arbol,use.n=TRUE,cex=.7)
} else {
  plot.new()
  text(.5,.5,"El árbol quedó solo con el nodo inicial.\nNo encontró una división suficientemente útil.",cex=1.1)
}

La matriz de pérdidas da más importancia académica a no omitir pólizas con siniestro. No es una regla universal. Además, la validación evita que Knit falle si el árbol queda solo con la raíz.

14 5. Assess

La evaluación utiliza exclusivamente la base de prueba. El primer bloque genera probabilidades, aplica un corte de 0,30 y resume los aciertos y errores. Ese corte es ilustrativo: en una aplicación real tendría que relacionarse con el coste de revisar una póliza y el coste de omitir un riesgo.

prob_log <- predict(modelo_logistico,newdata=prueba_m,type="response")
prob_arbol_matriz <- predict(modelo_arbol,newdata=prueba_m,type="prob")
if("1" %in% colnames(prob_arbol_matriz)) {
  prob_arbol <- prob_arbol_matriz[,"1"]
} else {
  prob_arbol <- rep(mean(entrenamiento_m$tuvo_siniestro),nrow(prueba_m))
}
auc_manual <- function(real,prob){
  pos <- prob[real==1]; neg <- prob[real==0]
  mean(outer(pos,neg,">")) + .5*mean(outer(pos,neg,"=="))
}
metricas <- function(real,prob,corte=.30){
  pred <- ifelse(prob>=corte,1,0)
  tp <- sum(pred==1 & real==1); tn <- sum(pred==0 & real==0)
  fp <- sum(pred==1 & real==0); fn <- sum(pred==0 & real==1)
  data.frame(exactitud=(tp+tn)/length(real), sensibilidad=ifelse(tp+fn>0,tp/(tp+fn),NA), especificidad=ifelse(tn+fp>0,tn/(tn+fp),NA), auc=auc_manual(real,prob), positivos_detectados=tp, siniestros_omitidos=fn)
}
resultado <- bind_rows(Logistico=metricas(prueba_m$tuvo_siniestro,prob_log),Arbol=metricas(prueba_m$tuvo_siniestro,prob_arbol),.id="modelo")
kable(resultado,digits=3)

modelo	exactitud	sensibilidad	especificidad	auc	positivos_detectados	siniestros_omitidos
Logistico	0.948	0	1.000	0.640	0	28
Arbol	0.909	0	0.959	0.487	0	28

clasificacion <- ifelse(prob_log>=.30,1,0)
table(Real=prueba_m$tuvo_siniestro,Predicho=clasificacion)

##     Predicho
## Real   0
##    0 513
##    1  28

resultado_prueba <- prueba_m |> mutate(probabilidad=prob_log,decil=ntile(probabilidad,10)) |> group_by(decil) |> summarise(polizas=n(),probabilidad_promedio=mean(probabilidad),tasa_real=mean(tuvo_siniestro),.groups="drop")
ggplot(resultado_prueba,aes(decil,tasa_real))+geom_line(linewidth=1,color="#C0392B")+geom_point(size=2)+scale_y_continuous(labels=percent)+labs(title="Tasa real por decil",x="Decil de riesgo",y="Tasa observada")+theme_minimal()

15 Resultado y decisión

El resultado permite ordenar pólizas por probabilidad estimada. Una aplicación prudente sería usar los grupos superiores para revisión preventiva o campañas de conducción segura, no para decisiones automáticas.

Recomendaciones: revisar las pólizas de mayor probabilidad; comprobar si kilometraje y uso comercial mantienen importancia con datos reales; definir el corte con costes actuariales; validar en periodos posteriores; y vigilar cambios en la población.

16 Reto para los compañeros

16.1 Problema propuesto

Una aseguradora de motocicletas quiere reconocer qué pólizas presentan mayor probabilidad de siniestro para orientar acciones preventivas. El archivo reto_semma_motos.csv contiene datos sintéticos sobre edad, cilindraje, uso, ciudad, kilometraje, uso de casco, exposición y resultado del siniestro.

El reto consiste en aplicar las cinco fases SEMMA y entregar una recomendación. La guía siguiente explica la ruta, pero deja espacios e incógnitas que los compañeros deben completar.

16.2 Paso 1. Cargar y reconocer la información

reto <- read.csv("reto_semma_motos.csv")

# Complete: número de filas y columnas
__________(reto)

# Complete: primeras observaciones
__________(reto)

# Pista: revise la proporción de 0 y 1
table(reto$________________)

Pregunta: ¿cuál es la unidad de análisis y cuál es la variable objetivo?

16.3 Paso 2. Sample

La tarea es crear una base de entrenamiento y otra de prueba. Se recomienda mantener proporciones parecidas de pólizas con y sin siniestro.

set.seed(_____)

indices <- sample(
  seq_len(nrow(reto)),
  size = floor(_____ * nrow(reto))
)

entrenamiento_reto <- reto[__________, ]
prueba_reto <- reto[__________, ]

# Compare la tasa de siniestro
mean(entrenamiento_reto$________________)
mean(prueba_reto$________________)

Incógnita: ¿qué porcentaje utilizará para entrenamiento y por qué?

16.4 Paso 3. Explore

# Cantidad de faltantes por variable
sapply(entrenamiento_reto, function(x) sum(__________(x)))

# Tasa por uso
entrenamiento_reto |>
  group_by(________________) |>
  summarise(
    polizas = n(),
    tasa_siniestro = mean(________________)
  )

# Complete un gráfico de kilometraje según siniestro
ggplot(
  entrenamiento_reto,
  aes(x = factor(________________),
      y = ________________)
) +
  geom_boxplot()

Preguntas: ¿qué categorías muestran tasas distintas?, ¿hay valores faltantes o extremos?, ¿qué diferencias observa sin afirmar causalidad?

16.5 Paso 4. Modify

# Ejemplo: crear grupos de kilometraje
entrenamiento_reto <- entrenamiento_reto |>
  mutate(
    grupo_km = cut(
      km_anuales,
      breaks = c(-Inf, _____, _____, Inf),
      labels = c("Bajo", "Medio", "Alto")
    ),
    uso = factor(__________),
    ciudad = factor(__________)
  )

# Decida cómo tratar faltantes y escriba la justificación.

Incógnita: ¿qué límites utilizará para los grupos y qué información usaría para justificarlos?

16.6 Paso 5. Model

modelo_reto <- glm(
  tuvo_siniestro ~ edad_conductor +
    cilindraje + uso + ciudad +
    km_anuales + usa_casco + exposicion,
  data = __________________,
  family = binomial()
)

summary(__________________)

Como alternativa, puede construirse un árbol con rpart(). El compañero debe decidir si prueba un modelo o compara dos.

16.7 Paso 6. Assess

probabilidad_reto <- predict(
  modelo_reto,
  newdata = __________________,
  type = "response"
)

corte <- _____
prediccion_reto <- ifelse(
  probabilidad_reto >= corte,
  1,
  0
)

table(
  Real = prueba_reto$________________,
  Predicho = __________________
)

Incógnitas: ¿qué corte utilizará?, ¿cuántos siniestros reales quedan sin detectar?, ¿qué error considera más importante y por qué?

16.8 Entrega esperada del reto

Una breve explicación del problema y del objetivo.
Código organizado según las cinco fases.
Una tabla de calidad de datos.
Al menos dos gráficos.
Una matriz de confusión u otra evaluación justificada.
Una recomendación escrita en lenguaje sencillo.

17 Conclusiones

SEMMA ordena el paso desde los datos hasta la evaluación. Su fortaleza es recordar que explorar y transformar es tan importante como modelar.

El resultado no es una certeza individual. Sirve para ordenar pólizas según patrones sintéticos. La decisión final necesita contexto actuarial, costes de error, validación con datos reales y seguimiento.

Idea de cierre: SEMMA no es solo entrenar un modelo; es preparar una muestra, comprenderla, mejorarla, modelarla y comprobar si sirve para decidir.

18 Fuentes

Williams, G. (2011). Data Mining with Rattle and R. Springer. Libro facilitado para la actividad.
SAS Institute. Documentación sobre SEMMA y SAS Enterprise Miner.
Azevedo, A. y Santos, M. F. (2008). KDD, SEMMA and CRISP-DM: a parallel overview.

SEMMA aplicada a la siniestralidad de automóviles

Franklin Diomedes Soto Nunez e Ingrid Liseth

22/10/2026