Otimização de precificação com ML

Contexto

Seguradora (auto, residencial, saúde) com uma tarifação baseada em modelos GLM (Generalized Linear Models) desenvolvidos há 8 anos pela atuária. Os modelos utilizam 15 variáveis tarifárias clássicas (idade, zona, antiguidade, bônus-malus). A concorrência adotou o ML há 3 anos e oferece tarifas mais competitivas nos bons riscos, gerando uma antisseleção progressiva da carteira.

Problema & Desafio

Antisseleção crescente: os bons riscos migram para concorrentes que têm tarifas ML mais refinadas. Perda de participação de mercado de 3% em 2 anos no segmento auto, principalmente nos perfis rentáveis. Modelos GLM com 15 variáveis vs 200+ variáveis utilizadas pelos concorrentes com ML. Índice de sinistralidade (S/P) em degradação de 2 pontos por ano. Tempo de atualização de um modelo tarifário: 6 meses (muito lento vs a concorrência que itera trimestralmente).

Solução & Entregas

Modelos ML de precificação (GBM, XGBoost) utilizando 200+ variáveis com restrições atuariais integradas (monotonia, suavização). Simulação de portfólio: impacto da nova tarifa no mix de clientes, na sinistralidade e no P&L antes da implantação. Explicabilidade SHAP integrada para conformidade regulatória (ACPR) e compreensão pelos atuários. A/B testing em produção: implantação progressiva nova vs antiga tarifa com medição de impacto. Pipeline de retreinamento trimestral automatizado com monitoramento de drift. Sistema operado e monitorado continuamente pela equipe Bomzai.

Tecnologias