datos predictivosImplementación de analítica predictiva (Predictive Analytics) en seguros

El volumen de datos que se gestionan en la actualidad abrumaría a ciertas industrias hoy en día, sin embargo, el crecimiento exponencial de estos datos esconde un gran potencial que aún queda por descubrir.

La utilización de analítica predictiva en los procesos de negocio aseguradores requiere de una visión estratégica y de un análisis end-to-end de los datos. La mayoría de los desafíos técnicos relacionados con la analítica predictiva son actualmente conocidos, pero intentar, por parte de las aseguradoras, resolverlos con componentes legacy o información fragmentada, no suele generar el retorno de la inversión deseado, o falla en los resultados obtenidos una vez conocida la realidad que el modelo predictivo desea anticipar.

Considero que es un buen momento, en el contexto de los planes de transformación y estrategia, para analizar la visión y los modelos predictivos para reevaluar si debemos cambiar nuestra forma de hacer las cosas en analítica predictiva y para analizar soluciones recientes que ayuden a simplificar y rentabilizar la complejidad que supone un alto volumen de datos.

Los datos para acelerar la analítica predictiva

Los datos son activos de las aseguradoras, almacenados con un objetivo concreto y para cumplir ciertas necesidades a lo largo del ciclo de vida de la póliza y de la relación con el asegurado. En general, la estructura del dato se diseña en función del objetivo inmediato que se quiere alcanzar. Este modelado con un objetivo a corto plazo puede ser eficiente para necesidades del día a día, pero no resulta tan útil para su utilización futura en el marco de la analítica predictiva (datos no estructurados o libres).

La analítica predictiva, al igual que el cálculo actuarial o el análisis de reservas, requiere de un histórico de datos importante. El historio requerido en cada ramo es discutible, pero en general suele ser entre 3 y 10 años, dado que depende de múltiples factores sociales, económicos y circunstancias externas a la aseguradora. Por ello, para realizar una extracción eficiente de este histórico, el modelo de datos sí es relevante y debe ser accesible en profundidad en los diferentes productos y siniestros, por ejemplo.

Otro aspecto clave en la analítica predictiva es lo que denominamos business intelligence, que analiza datos históricos para aportar información sobre las operaciones y el rendimiento de la aseguradora. Sin embargo, tiene sus limitaciones, ya que el mero hecho de poder visualizar estos datos no nos permite asegurar que esa información sea suficiente o adecuada para intentar predecir eventos en el futuro. Podemos, entonces afirmar, que tenemos “ruido” basado en información aleatoria, o una “predicción” que se basa en un patrón que se repite y que puede condicionar cierto evento de negocio futuro.

El valor de la analítica predictiva en el momento relevante (Moment of Truth)

El hecho de almacenar y analizar datos, en sí mismo, no aporta un valor tangible al negocio si estos datos no se utilizan correctamente en el modelo predictivo y este no se integra adecuadamente en los procesos de negocio de las aseguradoras, dando lugar a valores sesgados o induciendo a decisiones incorrectas. Por ejemplo, cuando recibimos una llamada de un cliente para cancelar su póliza. ¿Queremos siempre retener a ese cliente a cualquier precio? ¿Cuál es el margen de maniobra que le damos al agente en ese “momento relevante” (Moment of Truth) dependiendo de la analítica Predictiva? ¿Es standard para todos los asegurados o basado solo en 5 categorías de cliente? ¿Es posible para todos los agentes? ¿Está basado en un siniestro mal satisfecho por un proveedor de servicios recientemente?

El famoso Moment of Truth requiere de un modelo predictivo que lo sustente y asegure ese retorno del esfuerzo de retención.

Esto nos lleva a preguntarnos:

  • ¿Cuándo debe un modelo predictivo en seguros responder a un evento de negocio, y cuándo debe abstenerse de brindar una predicción?
  • ¿Cómo se pueden identificar las excepciones de negocio no contempladas en el modelo en el Moment of Truth y gestionarlas adecuadamente?
  • ¿Qué sucede en el caso de que dos análisis predictivos sean necesarios al mismo tiempo en una transacción de negocio? ¿Qué confianza puede generar esto?

Considero que un modelo de análisis predictivo es indispensable e inseparable de un core asegurador moderno, no puede aislarse y predecir ad-hoc, sino que debe estar integrado en el proceso de negocio y actuar en tiempo real.

Asimismo, un modelo de análisis predictivo trabaja de forma complementaría con las reglas de negocio definidas en el core asegurador, las transacciones y los workflows, dado que uno alimenta a los otros, y permite la toma de decisiones basadas en datos. Esta evolución coherente de modelos requiere de plataformas diseñadas para ello.

Sin duda, veremos cada vez más estos sistemas que permiten dar respuestas a preguntas en el ciclo de vida de pólizas, siniestros, etc. Por ejemplo: ¿Cuánto tiempo se retrasará un siniestro? ¿Quién es el mejor operador para asignarlo? ¿Qué proveedor es mejor en una cierta zona, para un cierto tipo de siniestros y con la carga actual de servicios en curso, incluso dependiendo del tipo de cliente que lo requiera y sus experiencias pasadas?, etc.

Todo esto redundará en un coste menor de operaciones. Lo que en la industria aseguradora se denomina como ratio PPH (pólizas por Humano) o CPH (“Claims per Human” / “siniestros por humano”), pero sobre todo repercutirá en el valor que una aseguradora aporta al cliente en el Moment of Truth.


Guidewire - De SimoniSobre el autor del artículo

Fernando De Simoni es EMEA Delivery Manager en Guidewire Professional Services