[pt] O objetivo deste estudo foi explorar o problema de churn em seguros de vida, no sentido de prever se o cliente irá cancelar o produto nos próximos 6 meses. Atualmente, métodos de machine learning vêm se popularizando para este tipo de análise, tornando-se uma alternativa ao tradicional método de modelagem da probabilidade de cancelamento através da regressão logística. Em geral, um dos desafios encontrados neste tipo de modelagem é que a proporção de clientes que cancelam o serviço é relativamente pequena. Para isso, este estudo recorreu a técnicas de balanceamento para tratar a base naturalmente desbalanceada – técnicas de undersampling, oversampling e diferentes combinações destas duas foram utilizadas e comparadas entre si. As bases foram utilizadas para treinar modelos de Bagging, Random Forest e Boosting, e seus resultados foram comparados entre si e também aos resultados obtidos através do modelo de Regressão Logística. Observamos que a técnica SMOTE-modificado para balanceamento da base, aplicada ao modelo de Bagging, foi a combinação que apresentou melhores resultados dentre as combinações exploradas. / [en] The purpose of this study is to explore the churn problem in life insurance, in the sense of predicting if the client will cancel the product in the next 6 months. Currently, machine learning methods are becoming popular in this type of analysis, turning it into an alternative to the traditional method of modeling the probability of cancellation through logistics regression. In general, one of the challenges found in this type of modelling is that the proportion of clients who cancelled the service is relatively small. For this, the study resorted to balancing techniques to treat the naturally unbalanced base – under-sampling and over-sampling techniques and different combinations of these two were used and compared among each other. The bases were used to train models of Bagging, Random Forest and Boosting, and its results were compared among each other and to the results obtained through the Logistics Regression model. We observed that the modified SMOTE technique to balance the base, applied to the Bagging model, was the combination that presented the best results among the explored combinations.

[pt] Com as falências ocorridas nas últimas décadas, no setor de seguros, um movimento surgiu para desenvolver modelos matemáticos capazes de ajudar no gerenciamento do risco, os chamados modelos internos. No Brasil, a SUSEP, seguindo a tendência mundial, exigiu que as empresas, interessadas em atuar no país, utilizassem um modelo interno para risco de subscrição. Com isto, obter um modelo interno tornou-se primordial para as empresas seguradoras no país. O modelo proposto neste trabalho ilustrado para seguro de vida para risco de subscrição se baseia em Cadeias de Markov, no Teorema Central do Limite, parte paramétrica, e na Simulação de Monte Carlo, parte não paramétrica. Em sua estrutura foi considerada a dependência entre titular e dependentes. Uma aplicação a dados reais mascarados foi feita para analisar o modelo. O capital mínimo requerido calculado utilizando o método híbrido foi comparado com o valor obtido utilizando somente o método paramétrico. Em seguida foi feita a análise de sensibilidade do modelo. / [en] The bankruptcies occurred in recent decades in the insurance sector, a movement arose to develop mathematical models capable of assisting in the management of risk, called internal models. In Brazil, the SUSEP, following the worldwide trend, demanded that the companies, interested in working in the country, using an internal model for underwriting risk. Because of this, developing an internal model has become vital for insurance companies in the country. The proposed model in this work illustrated to life insurance for the underwriting risk was based on the Markov chains, on the Central Limit Theorem to the parametric method, and Monte Carlo Simulation to the non-parametric method. In its structure, the dependence between the holder and dependents was considered. An application to masked real data was made to analyze the model. The minimum required capital calculated using the hybrid method was compared with the value obtained using only the parametric method. Then the sensitivities of the model were investigated.