LAPSE MODELING IN HOME INSURANCE USING MACHINE LEARNING

Esta tese analisa o uso de técnicas de aprendizagem automática para prever o cancelamento de apólices no seguro de habitação, com foco nos casos em que o cliente decide não renovar após receber o novo preço. O estudo compara modelos lineares generalizados (GLM), tradicionalmente usados no setor segurador, com algoritmos avançados como o LightGBM, aplicando dados reais de uma seguradora. A interpretabilidade do modelo é assegurada por meio dos valores SHAP, e o desempenho é otimizado através do ajuste de hiperparâmetros com o Optuna. Os resultados demonstram que modelos de machine learning podem proporcionar maior precisão preditiva e apoiar estratégias de retenção mais eficazes.