4) Preguntas técnicas y profesionales (las que separan a los preparados)
Acá es donde te ganás el puesto. En Paraguay, muchas empresas no tienen datasets “perfectos” ni procesos maduros; por eso te prueban criterio: cómo elegís método, cómo validás, cómo documentás, y cómo defendés supuestos ante auditoría o regulador.
Q: ¿Qué método usarías para estimar IBNR y por qué: Chain Ladder, Bornhuetter-Ferguson u otro?
Why they ask it: Evalúan si elegís método según datos y madurez del ramo.
Answer framework: “Depende de…” bien justificado (calidad de datos → estabilidad → exposición → validación).
Example answer: “Si tengo un ramo con patrón de desarrollo estable y triángulos consistentes, Chain Ladder es un buen punto de partida. Si el ramo es nuevo o cambió la suscripción, prefiero Bornhuetter-Ferguson porque ancla en una expectativa a priori y reduce volatilidad por poca historia. En ambos casos corro sensibilidad, comparo con pagos/incurridos y hago backtesting para ver sesgo. Y documento claramente supuestos y limitaciones.”
Common mistake: Elegir un método “porque es el estándar” sin hablar de calidad de datos.
Q: ¿Cómo validás que tus reservas no están sistemáticamente subestimadas?
Why they ask it: Buscan disciplina de validación y control de sesgo.
Answer framework: Triangulación (backtesting → análisis de desviaciones → acciones).
Example answer: “Hago backtesting por accident year y por ramo: comparo estimación anterior vs. desarrollo real y miro si hay sesgo persistente. Analizo drivers: cambios en reporting, inflación médica, litigiosidad. Si veo subestimación recurrente, ajusto supuestos (tail factor, selección de link ratios) y propongo controles: umbrales de alerta y revisión por comité. La idea es que la reserva sea defendible, no ‘bonita’.”
Common mistake: Confundir validación con “me dio parecido el total”.
Q: En pricing, ¿cómo separarías el efecto de inflación de severidad vs. cambio de mix de cartera?
Why they ask it: Quieren ver pensamiento causal, no solo regresión.
Answer framework: Descomposición (segmentación → normalización → modelo → verificación).
Example answer: “Primero segmentaría por variables que capturan mix (canal, suma asegurada, zona, tipo de riesgo). Luego normalizo a una canasta fija para comparar severidad ‘a mix constante’. Después modelo severidad con un GLM o un modelo de distribución apropiado, incluyendo un factor temporal para inflación. Verifico con análisis de residuos y con una comparación simple de percentiles por cohorte para asegurar que el modelo no inventa historia.”
Common mistake: Atribuir todo a inflación sin demostrar que el mix no cambió.
Q: ¿Qué experiencia tenés con IFRS 17 y cómo lo aterrizarías en una aseguradora local?
Why they ask it: Miden si entendés el impacto operativo, no solo el concepto.
Answer framework: Impacto por capas (datos → procesos → métricas → gobernanza).
Example answer: “IFRS 17 exige disciplina de datos y cash flows: no es solo contabilidad. Yo empezaría por mapear productos a grupos de contratos, definir fuentes de datos (pólizas, siniestros, gastos) y asegurar reconciliación con el mayor contable. Luego armaría un cálculo mínimo viable para medir sensibilidad a discount rates y a supuestos, y recién después automatizaría. Lo crítico es la trazabilidad: que auditoría pueda seguir el número desde el asiento hasta el supuesto.”
Common mistake: Hablar de IFRS 17 como si fuera solo “cambiar el reporte”.
Q: ¿Qué normativa o expectativas del regulador local considerás al definir reservas y reportes?
Why they ask it: Quieren saber si entendés el marco paraguayo y la relación con supervisión.
Answer framework: Marco → evidencia → prudencia (mencionar fuentes y práctica).
Example answer: “Me aseguro de alinear metodología y documentación con los requerimientos de la Superintendencia de Seguros del BCP, especialmente en lo que hace a estados y reservas técnicas. Aunque la empresa use mejores prácticas internacionales, en Paraguay importa que el reporte sea consistente, trazable y defendible ante inspección. Por eso cuido políticas internas, actas de comité y conciliaciones con contabilidad.”
Common mistake: Responder con normativa de otro país como si aplicara igual.
Q: ¿Qué herramientas usás en el día a día: Excel avanzado, SQL, R/Python, Power BI? Contame un caso real.
Why they ask it: Buscan productividad real y autonomía con datos.
Answer framework: Herramienta → problema → automatización → resultado.
Example answer: “Excel lo uso para prototipos y reconciliaciones, pero para producción prefiero SQL + Python o R. Por ejemplo, armé un pipeline en SQL para extraer siniestros y exposiciones y en Python calculé triángulos y métricas de desarrollo; el output alimentaba Power BI para seguimiento mensual. Resultado: bajamos el tiempo de cierre del reporte de reservas de dos días a medio día y redujimos errores manuales.”
Common mistake: Decir “manejo Excel” sin mencionar Power Query, tablas dinámicas, macros o control de versiones.
Q: Si te doy un triángulo con celdas faltantes y outliers, ¿qué hacés antes de correr el método?
Why they ask it: Quieren ver higiene de datos y criterio.
Answer framework: Checklist de calidad (reconciliar → limpiar → justificar → versionar).
Example answer: “Primero reconcilio totales con contabilidad o con el sistema de siniestros para asegurar integridad. Identifico outliers y pregunto si hubo eventos (catástrofes, cambios de cobertura, grandes siniestros) antes de ‘limpiar’. Para celdas faltantes, evalúo si es problema de extracción o de corte. Y dejo todo versionado: qué se tocó, por qué, y qué impacto tuvo.”
Common mistake: Imputar datos “porque sí” y después confiar ciegamente en el output.
Q: ¿Cómo estimarías el impacto de una catástrofe o un evento extremo en reservas y pricing?
Why they ask it: Buscan pensamiento de cola y gestión de reaseguro.
Answer framework: Evento → exposición → cobertura/reaseguro → escenarios.
Example answer: “Separaría el evento del ‘attritional loss’ para no contaminar el patrón normal. Estimo exposición afectada, aplico supuestos de severidad por tipo de riesgo y reviso condiciones de reaseguro (retención, capas, reinstalaciones). Corro escenarios: base, adverso y severo, y muestro impacto en resultado y solvencia. En pricing, ajusto carga de cat y reviso límites/deducibles.”
Common mistake: Tratar un evento extremo como un siniestro más.
Q: ¿Qué harías si el sistema de pólizas o siniestros cae el día del cierre y te piden igual el número?
Why they ask it: Evalúan resiliencia operativa y control.
Answer framework: Plan B controlado (último snapshot → estimación → comunicación → post-mortem).
Example answer: “Primero confirmo alcance y tiempo estimado de caída con IT. Si hay un snapshot reciente, trabajo con ese corte y estimo el delta con reglas simples (por ejemplo, promedio diario de emisión/siniestros) dejando explícito el margen de error. Comunico a Finanzas qué parte es estimada y qué gatilla un ajuste posterior. Y después del cierre, hago reconciliación y documento lecciones para un plan de continuidad.”
Common mistake: Inventar un número sin declarar supuestos ni incertidumbre.
Q: ¿Cómo defendés un cambio de supuesto (mortalidad, lapse, inflación) frente a auditoría o comité?
Why they ask it: Quieren ver gobernanza y evidencia.
Answer framework: Evidencia → impacto → aprobación (paper trail).
Example answer: “Presento evidencia: experiencia propia vs. tabla de referencia, cambios de mix y contexto macro. Muestro impacto en métricas clave (reserva, margen, solvencia) con sensibilidad. Propongo el cambio con fecha efectiva, plan de monitoreo y criterio de reversión si no se confirma. Y dejo todo en un memo: datos, método, juicio profesional y aprobaciones.”
Common mistake: “Lo cambié porque el mercado cambió” sin números.