Machine Learning Applied to the INSS Benefit Request

• Ney Barchilon PUC-Rio
• Tatiana Escovedo PUC-Rio

Resumo

The materialization of the universalization of social protection, foreseen in the Constitution of Brazil in the chapter of Social Security, with the tripod of Health, Welfare and Social Assistance, specifically in the scope of Welfare, occurs through the granting and maintenance of benefits to all Brazilians who need this protection, which generates a huge demand for millions of requests for annual benefits to the INSS, which is the operator of these services. Receiving and analyzing benefit requests, among other processes, in a timely manner and with assertiveness, is complex and challenging, whether due to the volume of millions of requests for annual benefits or the diversity of benefits available, the different grant criteria and the urgency that the nature of these requests requires for the maintenance of the applicants' lives. Within this context, this study aims to develop some models, using machine learning techniques, and select the best one, which can predict whether a certain benefit request will be granted or dismissed, offering an opportunity that can be used as yet another tool to help in the analysis of new benefit requests, opening space so that the dynamics of the analysis process can be directed in a more agile and assertive way. The data source for the construction of the models, in this work, was obtained from the INSS Open Data Portal, which are contained in the INSS Open Data Plan, with the monthly files of Defined Benefits (Granted or Unferred) in the period of December 2018 to June 2020. As scope of analysis, algorithms such as KNN, SVC, Decision Trees, Logistic Regression etc. were addressed. Models were also built using the techniques of Ensemble Bagging and Boosting, reaching a set of seventeen analyzed algorithms. The algorithm that achieved the best performance, using the F1 metric as a determinant, was the eXtreme Gradient Boosting Classifier (XGB) with 80%. With this, the model performs the prediction with approximately 84% Precision, 76% Sensitivity and 81% for AUC. As a result of the study, a model was obtained capable of making the prediction if a specific benefit requirement would be granted or rejected, based on the requirement data, with a performance within the expectations established in the objectives.

Palavras-chave: Algorithms, Machine Learning, Models, Prediction, Welfare

Referências

INSS realiza força-tarefa para agilizar concessão de benefícios, EBC - Empresa Brasileira de Notícias - Agência Brasil, 11/01/2020, 2020, Disponível em [link]. Acessado em 08/05/2020

CUNHA, João Paulo Zanola. Um estudo comparativo das técnicas de validação cruzada aplicadas a modelos mistos. Dissertação de Mestrado. Instituto de Matemática e Estatística, USP. São Paulo, 2019. Disponível em https://www.teses.usp.br/teses/disponiveis/45/45133/tde-26082019-220647/en.php. Acessado em: 10/09/2020.

ESCOVEDO, Tatiana e KOSHIYAMA, Adriano, Introdução a Data Science - Algoritmos de Machine Learning e métodos de análise, Casa do Código, 2020.

Tribunal manda INSS cumprir prazo na análise de pedidos de benefícios, Estadão, 12/02/2020, 2020. Disponível em: [link]. Acessado em: 08/05/2020.

GERON, Aurelien, Mãos à Obra: Aprendizado de Máquina com Scikit-Learn & TensorFlow, Editora Alta Books; Edição: 1, 2019.

GRUS, Joel, Data Science do Zero, Editora Alta Books, 2016.

89,7 mil benefícios foram concedidos de forma automática pelo INSS, Ministério da Economia - INSS, 2018, Disponível em [link]. Acessado em 08/05/2020.

Conjunto de Dados Abertos, Ministério da Economia - INSS, 2020, Disponível em [link]. Acessado em 20/05/2020

INSS suspende atendimento presencial nas suas agências em todo o país, Ministério da Economia - INSS, 2020, Disponível em [link]. Acessado em 08/05/2020.

Institucional, Ministério da Economia - INSS, 2017, Disponível em: [link]. Acessado em: 10/05/2020

Resultado do Regime Geral de Previdência Social - RGPS, Ministério da Economia - INSS - Secretaria de Previdência - Subsecretaria do Regime Geral de Previdência Social, 2019. Disponível em: [link]. Acessado em: 08/05/2020.

INSS inicia notificação de beneficiários após revisão administrativa, Ministério da Economia - INSS, 2020, Disponível em [link]. Acessado em 05/09/2020.

Plano de Dados Abertos - Julho/2016-Julho/2018, Ministério da Economia - INSS, 2020, Disponível em [link]. Acessado em 08/05/2020.

Usuários não precisam deixar documentos no INSS, Ministério da Economia - INSS, 2019, Disponível em [link]. Acessado em 08/05/2020.

Medida provisória combate fraudes e melhora a qualidade dos gastos na Previdência, Ministério da Economia - INSS, 2019, Disponível em [link]. Acessado em: 10/05/2020.

Acompanhamento e análise - Vinte Anos da Constituição Federal - Volume 1, IPEA - Diretoria de Estudos e Políticas Sociais, Políticas Sociais, 2009, Disponível em: [link]. Acessado em: 10/05/2020.

Boletim Estatístico da Previdência Social - Volume 25 Nr 4, Ministério da Economia - Secretaria de Políticas de Previdência Social, Abril 2020, Disponível em [link]. Acessado em: 10/05/2020.

MITCHEL, Tom M., 1997 Machine Learning. New York; McGraw-Hill Science/Engineering/Math; (March 1, 1997)

Procuradoria da República no DF, Ação Civil Pública, Ministério Público Federal, 31/07/2019, 2020, Disponível em: http://www.mpf.mp.br/df/sala-de-imprensa/docs/inicial-acp-serv-inss.pdf. Acessado em: 02/05/2020.

Coleção Direitos Sociais - Volume II - Direitos da Seguridade Social, Lei Orgânica da Seguridade Social - Lei nº 8212 de 24/07/1991 / PL - Poder Legislativo Federal (D.O.U. 25/07/1991), Senado Federal, 2008, Disponível em: [link]. Acessado em: 10/05/2020.

Instituto Nacional do Seguro Social, Treinamento em Serviço em Reconhecimento Inicial de Direito e Cadastro para Concessores, Ministério da Economia - INSS, 2019, Disponível em [link]. Acessado em 20/05/2020.

Boletim Resultado do Tesouro Nacional (RTN), Ministério da Economia - Secretaria Especial de Fazenda - Secretaria do Tesouro Nacional, 2019. Disponível em: https://sisweb.tesouro.gov.br/apex/f?p=2501:9::::9:P9_ID_PUBLICACAO:31547. Acessado em: 08/05/2020.

RANGEL, Leonardo Alves e CAETANO, Marcelo Abi-Ramia. IPEA, Previdência Social, Políticas Sociais: Acompanhamento e Análise - Artigos - Nr 23, 2015. Disponível em: http://repositorio.ipea.gov.br/handle/11058/4225. Acessado em: 10/05/2020.