Autores:
Dante Ciro Artica Gerónimo
Guiblia Brizaida Ampuero Mena
Johan Daniel Hancco Martinez
Yarmandu Kevin Acero Zanabria
Resumen:
Este artículo presenta un enfoque de análisis de datos orientado a la segmentación de los asegurados del Seguro Complementario de Trabajo de Riesgo (SCTR) administrado por la ONP, con el fin de mejorar su gestión comercial y toma de decisiones estratégicas. Utilizando técnicas de aprendizaje no supervisado como K-Means y EM (Expectation Maximization), se identificaron perfiles homogéneos dentro de una base de datos con más de un millón de registros correspondientes al año 2024. Asimismo, se aplicaron reglas de asociación (Apriori) para descubrir patrones frecuentes en las afiliaciones.
Los resultados muestran la existencia de tres grupos claramente diferenciados: un clúster tradicional compuesto por hombres del sector público con ingresos medios; un clúster vulnerable de adultos mayores con bajos ingresos; y un clúster emergente de mujeres con mejor nivel salarial y afiliaciones recientes, que representa una oportunidad comercial clave para la institución.
La combinación de técnicas permitió validar los hallazgos desde distintos enfoques y evidenció el valor del análisis de datos en contextos institucionales. Finalmente, se proponen recomendaciones orientadas a focalizar campañas de afiliación y explorar nuevas líneas de investigación con variables más específicas, como siniestralidad o renovación de pólizas.
Palabras Clave:
SCTR,Aprendizaje no supervisado, Segmentación de clientes, K-Means, Expectation Maximization (EM), Reglas de asociación (Apriori), Seguro Complementario de Trabajo de Riesgo (SCTR), Análisis de datos, ONP, Gestión comercial,Minería de datos

Tema:
Segmentación de Asegurados SCTR:Potenciando la gestión comercial de la ONP
Integrantes:
-Dante Ciro Artica Gerónimo
-Guiblia Brizaida Ampuero Mena
-ohan Daniel Hancco Martinez
-Yarmandu Kevin Acero Zanabria
Resumen:
Este artículo presenta un enfoque de análisis de datos orientado a la segmentación de los asegurados del Seguro Complementario de Trabajo de Riesgo (SCTR) administrado por la ONP, con el fin de mejorar su gestión comercial y toma de decisiones estratégicas. Utilizando técnicas de aprendizaje no supervisado como K-Means y EM (Expectation Maximization), se identificaron perfiles homogéneos dentro de una base de datos con más de un millón de registros correspondientes al año 2024. Asimismo, se aplicaron reglas de asociación (Apriori) para descubrir patrones frecuentes en las afiliaciones.
Los resultados muestran la existencia de tres grupos claramente diferenciados: un clúster tradicional compuesto por hombres del sector público con ingresos medios; un clúster vulnerable de adultos mayores con bajos ingresos; y un clúster emergente de mujeres con mejor nivel salarial y afiliaciones recientes, que representa una oportunidad comercial clave para la institución.
Palabras Clave:
SCTR,Aprendizaje no supervisado, Segmentación de clientes, K-Means, Expectation Maximization,EM, Reglas de asociación,Apriori, Seguro Complementario de Trabajode Riesgo,Análisis de datos, ONP, Gestión comercial,Minería de datos