Empecemos con una nota de optimismo. La crisis global, la recesión económica de los últimos años, al menos en su manifestación más acentuada, es parte de la historia. En términos generales, es manifiesta la trayectoria de recuperación de las economías avanzadas (si aceptamos este calificativo), así como el crecimiento de las emergentes.
El contexto resultante de estos años de recesión ha cambiado significativamente, para todos los sectores de la economía y, en particular, para el sector asegurador. La definición tradicional de productos y servicios está sometida a permanente transformación; la “psicosis de la crisis” (permítaseme llamarla así) ha derivado en una mayor consciencia en la eficiencia y la productividad, lo cual no tiene nada de negativo; y el entorno regulatorio tiende y tenderá a avanzar hacia nuevas directrices y normativas.
Siguiendo con el espíritu optimista, este nuevo contexto abre un sinfín de oportunidades que las compañías aseguradoras pueden, y deben, aprovechar. Máxime teniendo en cuenta que la oportunidad genérica de crecimiento de negocio es considerable, ya que hablamos de un sector con niveles de penetración todavía muy bajos (en ocasiones increíblemente bajos, me atrevería a decir, en comparación con otros sectores de la economía).
Una vez más, la tecnología ha de ser una palanca de cambio, una herramienta fundamental para aprovechar esas oportunidades. Tecnología de la INFORMACIÓN, aplicada al negocio. Lo describo de esta forma para hacer hincapié en el concepto de información, en el uso de los datos para dar mejor y mayor soporte a la toma de decisiones de negocio.
Las entidades aseguradoras modernas manejan enormes volúmenes de información, tanto de sus clientes como del entorno. Las técnicas de análisis de esta información evolucionan desde técnicas de “comprensión” de comportamientos pasados para extraer ciertas conclusiones, hacia un análisis predictivo, que permite anticipar y, por qué no, gestionar lo que ha de suceder. En otras palabras, en lugar de efectuar un análisis estadístico tradicional (que establece relaciones lineales a partir de un número limitado de variables), las técnicas de Machine Learning descubren patrones ocultos en millones de datos con relaciones incluso no lineales, además de permitir crear sistemas que incorporan automáticamente los nuevos patrones descubiertos.
Sin embargo, las compañías aseguradoras, en general, no han abordado proyectos relevantes de Analítica Avanzada, de aplicación de Machine Learning a sus procesos de negocio; a diferencia, por ejemplo, de sus “primas hermanas”, las entidades bancarias.
Aplicaciones de Machine Learning en el sector de seguros
Estas técnicas tienen una enorme aplicación en el sector asegurador:
- Compliance: las técnicas de aprendizaje automático y analítica avanzada se pueden utilizar para revisar, analizar y evaluar información multimedia (contenida en imágenes, videos, conversaciones de voz). Aplicaciones prácticas de esta capacidad van desde la posibilidad de monitorizar las interacciones entre clientes y agentes (con el fin de mejorar el control de la venta abusiva de productos, por ejemplo), hasta la detección automática (y potencial anticipación) de situaciones de insatisfacción que pudieran convertirse en reclamaciones.
- Eficiencia: ahondando en el ejemplo anterior, la detección temprana de reclamaciones tiene como consecuencia una mejora de las estructuras de costes, concretada en ahorros directo en recursos humanos dedicados a esta función.
- Negocio: de forma todavía más significativa, el aprendizaje automático significa un relevante apoyo en la ciencia actuarial, ya que puede ayudar a predecir mejor los riesgos de siniestralidad, con las consiguientes mejoras tanto en ahorro de costes directos, como en aplicación de primas personalizadas, en función de estas variables.
- Competitividad: adicionalmente a las mejoras en las estructuras de costes y la mayor eficiencia, que en sí ya significan una mayor ventaja competitiva, la analítica avanzada puede ofrecer a las compañías aseguradoras ventajas asociadas a una definición más ajustada y personalizada de productos, servicios y segmentos.
En el Sector Asegurador, Machine Learning resuelve las siguientes cuestiones de negocio
- Segmentación óptima de clientes, según su comportamiento
- Detección de fraude
- Definición del porfolio de productos óptimo para cada segmento
- Sistemas de recomendación
- Cálculo del LTV (Lifetime Value)
- Prevención de bajas
- Mejora en los cálculos actuariales
- Monitorización de procesos de venta externalizada
- Prevención de consultas y reclamaciones, y aceleración en su resolución
Conclusión
El sector asegurador aborda una excelente oportunidad ante la (abusivamente) denominada Transformación Digital; y, dentro de esta transformación, posiblemente el vector que promete resultados más reales y más a corto plazo es precisamente el tratamiento avanzado de los datos. Es fácil encontrar compañías aseguradoras que almacenan muchos datos, pero pocas de ellas están obteniendo verdadero valor de los mismos, de una forma consistente.
Machine Learning es la herramienta más eficiente para extraer el máximo partido de los datos. Supone un cambio de paradigma en los sistemas de programación. Los ejemplos citados anteriormente son solo una muestra de las posibilidades existentes. Un trabajo conjunto entre las áreas de negocio y los científicos de datos permite abordar nuevos enfoques y aplicar soluciones realmente transformadoras.
