Precificação de Seguros # E se o modelo atuarial enxergasse além do CEP? Precificação de seguros com contexto de setor censitário: renda do entorno e proximidade de comunidade como variáveis atuariais. O CEP é um bom ponto de partida — mas dentro do mesmo CEP existem setores censitários com perfis socioeconômicos completamente distintos. Renda do entorno, proximidade de comunidades e densidade habitacional adicionam a camada de granularidade que o modelo de pricing precisa para separar riscos que hoje são tratados como iguais. Via API, sem dado pessoal. R$ 207,6 bi arrecadação do setor segurador em 2024 ¹ –4,1% queda no lucro líquido apesar da alta em prêmios ¹ ~450 mil setores censitários no Brasil (Censo 2022) ² O problema ## Dentro do mesmo CEP, existem realidades socioeconômicas que o modelo atuarial não diferencia O CEP é uma variável consolidada na precificação de seguros — e continuará sendo. Mas um CEP pode cobrir uma área extensa, agrupando setores censitários com perfis de renda, densidade e contexto socioeconômico completamente distintos. O resultado é que riscos heterogêneos entram na mesma faixa de precificação: clientes em setores de alta renda subsidiam clientes em setores de renda baixa, e vice-versa. A granularidade do setor censitário (300–800 domicílios) permite separar o que o CEP agrupa — sem substituí-lo, adicionando uma camada de resolução mais fina ao modelo. 1 CEP pode conter 5–30 setores censitários com perfis socioeconômicos completamente distintos Setor censitário: 300–800 domicílios. CEP: milhares. A diferença de granularidade é de 10× ou mais. R$ 207,6 bi arrecadação do setor segurador em 2024 — mas lucro líquido caiu 4,1% (sinistros cresceram mais que prêmios) Fonte: IRB+Mercado / SUSEP, março 2025. Precificação mais granular é uma das alavancas para reequilibrar a equação. ¹ 0 variáveis de contexto territorial com granularidade de setor censitário nos modelos atuariais típicos A maioria opera com CEP + perfil do segurado. Sem renda do entorno, sem proximidade de comunidade, sem densidade habitacional. O cenário ## Mesmo CEP. Mesmo modelo de carro. Contexto socioeconômico oposto. Dois segurados do mesmo CEP na Zona Norte de São Paulo contratam seguro compreensivo para o mesmo veículo. Sem dados de setor censitário, ambos recebem o mesmo prêmio. Com dados da PrismaData, o modelo atuarial consegue diferenciar o contexto territorial de cada um. Segurado A ### Setor censitário de alta renda **CEP:** 02110-000 (Zona Norte — São Paulo/SP) **Veículo:** HB20 1.0 — 2023 **Renda mediana do setor:** R$ 6.840 **Distância de comunidade:** 1.800m → Entorno de renda elevada, distante de comunidades. Contexto socioeconômico que historicamente correlaciona com menor sinistralidade. Segurado B ### Setor censitário de baixa renda **CEP:** 02110-000 (Zona Norte — São Paulo/SP) **Veículo:** HB20 1.0 — 2023 **Renda mediana do setor:** R$ 1.920 **Distância de comunidade:** 120m → Mesmo CEP, mesmo carro. Mas renda mediana do entorno é 3,6× menor, proximidade de comunidade é 15× maior. São variáveis que a seguradora pode correlacionar com suas próprias bases de sinistro para calibrar o prêmio. Sem a PrismaData, a seguradora cobra o mesmo prêmio de ambos. Com dados de setor censitário, o modelo atuarial ganha variáveis de contexto territorial para diferenciar riscos que o CEP trata como homogêneos. A solução ## Contexto socioeconômico territorial como feature atuarial. Uma coordenada. Sem CPF. Envie latitude e longitude do endereço do segurado. Receba renda do entorno, z-score socioeconômico, proximidade de comunidades, proximidade de presídios e indicadores de densidade habitacional. Cada variável é uma feature pronta para o modelo de pricing atuarial — granularidade de setor censitário, não de CEP. GET /v1/location/personal_income_pdf GET /v1/location/slum GET /v1/location/prison Enriquecimento territorial — Segurado B | CEP 02110-000 { // — Contexto socioeconômico do setor censitário — "renda_media_regiao": 2140.30, "renda_mediana_regiao": 1920.00, "renda_comparada_z_score": -1.14, "renda_comparada_cdf": 0.1273, "qtde_pessoas": 743, // — Proximidade de comunidade (geofence) — "favela_distancia_m": 120.4, "favela_dompp_total": 2310, // — Proximidade de presídio (geofence) — "presidio_distancia_m": 4200.0, "presidio_nome": "CDP Belém I", // — Features derivadas (calculadas pela seguradora) — "segmento_socioeconomico": "vulneravel", // → z-score < -1 + CDF < 0.15 + comunidade < 200m "fator_contexto_territorial": 1.28 // → a seguradora correlaciona com base de sinistro própria } Renda do entorno mediana + z-score + CDF Perfil socioeconômico do setor censitário. A seguradora correlaciona com suas bases históricas de sinistralidade por faixa de renda. Contexto territorial comunidade + presídio Proximidade a comunidades e presídios como variáveis de contexto. A seguradora decide como pondera cada fator no seu modelo. Densidade e perfil censo + habitantes Dados censitários do setor: população, domicílios, tipo de ocupação. Complementa o perfil territorial que o CEP não detalha. Como funciona ## Onde o dado territorial entra no modelo atuarial A integração não substitui a esteira atuarial — adiciona variáveis de contexto territorial com granularidade de setor censitário que o CEP não oferece. Três momentos de uso: 1 #### Cotação — pricing granular No momento da cotação, envie a coordenada do endereço do segurado. Receba variáveis territoriais para alimentar o modelo de precificação: renda do setor, proximidade de comunidade, contexto socioeconômico. Prêmio calibrado por micro-região, não por CEP. 2 #### Renovação — recalibração de risco A cada renovação, os dados da PrismaData são recalculados com fontes atualizadas. Se a dinâmica socioeconômica do setor mudou — renda caiu, comunidade expandiu, densidade aumentou — o prêmio reflete a realidade atual, não a fotografia de 12 meses atrás. 3 #### Backtest — validação atuarial Enriqueça a base histórica de sinistros com variáveis territoriais em batch. Avalie se renda do setor, z-score e proximidade de comunidade correlacionam com a sinistralidade observada. Valide o ganho preditivo antes de colocar em produção. Feature derivada — Índice de contexto territorial **contexto_territorial** = f(z_score_renda, renda_cdf, distancia_comunidade, densidade_setor) Ex: f(-1.14, 0.13, 120m, 743 hab) = **score alto** → seguradora correlaciona com sinistralidade e ajusta prêmio Ex: f(+0.72, 0.77, 1800m, 289 hab) = **score baixo** → prêmio padrão ou desconto por baixa exposição territorial Features para o modelo ## O que entra no modelo atuarial. O que sai da API. A PrismaData retorna dados brutos do setor censitário e geofences. A seguradora deriva as features atuariais e correlaciona com suas próprias bases de sinistro. Exemplos prontos para injeção no modelo de pricing: renda_mediana_setor Renda mediana do setor censitário em reais. Proxy de perfil socioeconômico do entorno do bem segurado. Modelo ML recalibrado mensalmente com PNAD Contínua — não é fotografia estática do Censo. z_score_renda_setor Retornado diretamente pela API. Z-score negativo = região mais pobre que a média municipal. Permite posicionar cada setor no contexto do município e identificar setores atípicos dentro do mesmo CEP. renda_cdf Percentil acumulado da renda do setor no município. CDF 0.13 = bottom 13%. Permite classificar setores em faixas atuariais por quintil de renda territorial — resolução muito superior a faixas de CEP. distancia_comunidade Proximidade de comunidade em metros + total de domicílios na comunidade mais próxima. Variável de contexto territorial que a seguradora pode correlacionar com suas próprias bases históricas de sinistralidade. distancia_presidio Proximidade do presídio mais próximo dentre os +1.500 mapeados pela PrismaData. Feature de contexto que complementa a análise territorial — a seguradora avalia a relevância para cada ramo e cobertura. segmento_socioeconomico Feature categórica derivada: `alto` (CDF > 0.8 + sem comunidade próxima), `medio` (misto), `vulneravel` (CDF < 0.2 + comunidade próxima). Segmentação direta para tabelas atuariais. Aplicações ## Onde o contexto territorial transforma a precificação de seguros Todo ramo de seguro que precifica com base na localização do bem segurado se beneficia de variáveis socioeconômicas com granularidade superior ao CEP. #### Seguro auto — precificação granular A sinistralidade varia entre setores censitários dentro do mesmo CEP. Renda do entorno e proximidade de comunidade são features que permitem à seguradora diferenciar riscos que hoje entram na mesma faixa de prêmio. #### Seguro residencial e empresarial O contexto socioeconômico do setor correlaciona com padrão de segurança do imóvel, frequência de sinistro e tipo de ocupação. Dados censitários adicionam profundidade que o CEP não oferece. #### Gestão de carteira e provisões Enriqueça a carteira vigente com variáveis territoriais em batch. Identifique concentrações de risco socioeconômico — quantas apólices estão em setores com z-score < -1? Ajuste provisões com dados, não com estimativa. #### Subscrição e aceitação de risco Antes de aceitar uma apólice, saiba o contexto territorial do risco. Em setores com alta vulnerabilidade socioeconômica, a decisão pode ser ajustar o prêmio, adicionar franquia específica ou declinar — com evidência. #### Resseguro Resseguradoras que recebem carteiras para análise podem enriquecer cada risco com contexto territorial — identificando concentrações de exposição socioeconômica que o cedente não mapeou. #### Seguro de vida e prestamista Renda do setor censitário como proxy de perfil socioeconômico do segurado. Complementa a avaliação de risco em produtos de vida e prestamista onde o endereço é variável relevante. Integração ## Plug and play. Batch ou real-time. Integração via API REST. Envie coordenada ou CEP — em batch para enriquecer a carteira vigente, ou em real-time na esteira de cotação para precificar cada apólice com contexto territorial. Esteira de cotação Endereço do segurado lat + lng ou CEP API PrismaData income + slum + prison Features territoriais Renda, comunidade, presídio, z-score Modelo atuarial Prêmio com granularidade de setor censitário REST API padrão < 200ms Latência típica 1.024 Pontos/chamada batch SDK Python disponível OpenAPI Spec + Sandbox AI-ready Claude Code, Copilot, Cursor Diferencial ## Setor censitário atualizado. Não é fotografia estática do Censo. O Censo 2022 é uma base rica, mas estática. Renda é autodeclarada e envelhece a cada dia. Os modelos da PrismaData combinam Censo com PNAD Contínua, indicadores do BACEN e outras fontes oficiais — recalibrados mensalmente via ML. Para modelos atuariais que precisam de sinistralidade territorial atualizada, a diferença é estrutural. Mensal Recalibração dos modelos de renda com PNAD Contínua, BACEN e fontes complementares 450 mil+ Setores censitários com dados socioeconômicos — granularidade de 300 a 800 domicílios por setor Multi-layer Renda, comunidade, presídio, dados censitários — múltiplas camadas de contexto territorial em uma chamada Dados de referência: PNAD Contínua (IBGE), Censo Demográfico 2022, indicadores do Banco Central, mapeamento de comunidades e unidades prisionais. Modelos proprietários com inferência via ML, recalibrados mensalmente. Governança ## Dados territoriais, não pessoais. LGPD-compliant. Auditável. #### Sem dado pessoal A chave de consulta é a coordenada geográfica — não CPF, nome ou qualquer identificador pessoal. Os dados retornados descrevem uma **região** , não um indivíduo. Sem consentimento adicional. #### Não é profiling individual A renda retornada é a mediana da região, não do segurado. O modelo atuarial usa contexto territorial como fator de risco — da mesma forma que já usa CEP, mas com resolução 10× superior. #### Auditável e explicável Cada variável é rastreável — renda vem de modelo com base na PNAD Contínua, comunidades e presídios de dados cartográficos oficiais. Se o regulador perguntar por que o prêmio variou, você tem a fundamentação. Resultado ## Prêmio mais justo. Menos subsídio cruzado. Modelo mais explicável. Precificação Prêmio calibrado por setor censitário — clientes em setores de baixo risco pagam menos, alto risco pagam o prêmio adequado Backtest Enriqueça a base histórica de sinistros e valide se as variáveis territoriais melhoram a capacidade preditiva do modelo atual 0 CPFs necessários — enriquecimento 100% por coordenada, sem dado pessoal, LGPD-compliant **Referências:** ¹ IRB+Mercado / SUSEP, _Boletim IRB+Mercado — 50ª edição_ , março 2025. Arrecadação do setor segurador de R$ 207,6 bilhões em 2024 (+10,2%). Sinistralidade auto de 59,4% (+1,4 p.p.). Lucro líquido caiu 4,1%. ² IBGE, _Malha de Setores Censitários — Censo Demográfico 2022_. Aproximadamente 450 mil setores censitários com cobertura nacional, granularidade de 300 a 800 domicílios por setor. ## Pronto para precificar com granularidade de setor censitário? Converse com a PrismaData. Podemos enriquecer uma amostra da sua carteira com dados territoriais e demonstrar o impacto no modelo atuarial — em minutos. [Fale com a PrismaData]() [ Testar renda no Playground ]() [Explorar a API →]()