mesa redonda MilliamAnalytics es una de las tendencias de futuro que más va a impactar en las distintas áreas del negocio de las entidades aseguradoras, ya que tiene aplicación en todos los procesos de la cadena de valor. Cada compañía elegirá los aspectos a los que quiere aplicar analytics de manera preferente: toma de decisiones, crecimiento, generación de leads, pricing, optimización de carteras, reducción de costes, fraude,… Para los expertos, analytics –incluyendo el ‘machine learning’ y la inteligencia artificial- va a introducir nuevas oportunidades en relación a la eficiencia del negocio, entre otras cosas.

Para hablar sobre analytics, cómo puede influir en las aseguradoras y cuáles pueden ser las claves para que el resultado de un proyecto responda a las cuestiones del negocio y facilite las palancas de crecimiento, Milliman y ‘Actualidad Aseguradora’, han organizado una mesa redonda en la que participaron Silvia Marques, directora de Marketing Estratégico y Clientes de SANTALUCÍA; Agustín Matey, director de Clientes, Producto y Digitalización de CASER; Marta Sánchez, responsable de Innovación, Transformación y Producto de BBVA SEGUROS; Marcos Rodríguez, Chief Digital Officer de GENERALI; e Israel Escacho, director de Marketing y Clientes de SEGURCAIXA ADESLAS. Estuvo moderada por José Silveiro, director Property & Casualty and Analytics, Luca Inserra, Principal, ambos de Milliman, y Juan Manuel Blanco, director editorial de INESE.

ANALYTICS: HABLEMOS DEL AHORA

José Silveiro, director de Property & Casualty and Analytics de Milliman, explicó las claves del Analytics.

Introducción
Definimos Analytics como el conjunto de técnicas de modelización y programación que, junto con reglas de negocio, permiten mejorar y apoyar la innovación en distintas áreas del negocio.
Al ritmo actual de desarrollo tecnológico, de lo que podemos estar seguros es de la necesidad de prepararnos bien para el ahora como medio para afrontar cambios más profundos, los modelos del futuro posiblemente no serán como los imaginamos.
Los avances en IT y, en concreto, el software open-source han relanzado la popularidad de las técnicas de machine learning y redes neuronales, pero no se tratan de técnicas novedosas sino que ahora su implementación es posible debido a dichos avances.
Retos a tres años vista
– Configurar el equipo de Analytics y decidir su situación en la organización
– Organizar la tecnología existente y estar al día en los avances (open-source)
– Generar credibilidad, respondiendo a las cuestiones del negocio.
El equipo de Analytics
– Analista o científico de datos. Aporta soluciones técnicas y tiene fuerte motivación para desarrollar modelos muy precisos.
– Gestor de proyecto. Aporta contexto y prioriza la solución a las cuestiones del negocio sobre la sofisticación de los modelos.
– Líder de Analytics. Permite vincular los proyectos con el uso de sus resultados para mejorar la operativa de distintas áreas.
Responder a las cuestiones de negocio
Existe cierto consenso en que la manera adecuada de afrontar los proyectos de Analytics es a partir de pilotos muy concretos que permitan generar quick-wins en periodos cortos de tiempo, y seguir el ciclo de mejoras cuando disponemos de más información y del feedback del negocio.
En la actualidad mucho del valor aportado por Analytics se obtiene ganando eficiencia con la automatización.
Los modelos pueden ser sofisticados pero la credibilidad con el negocio se genera articulando las oportunidades sobre perfiles concretos de cliente.
Monitorización de los modelos
Es natural que los equipos de Analytics tengan más entusiasmo al construir un modelo, que al mantenerlo o monitorizarlo. Sin embargo, la monitorización es un aspecto crucial, que genera conocimiento en sí misma, y si se organiza de manera adecuada no debería consumir mucho tiempo. La recompensa en control de las dinámicas cambiantes del mercado es decisiva.


Mesa Milliam

¿Dónde se van a producir innovaciones tangibles basadas en nuevos enfoques de analytics los próximos 3 años?

Silvia Marqués.- Por mi experiencia, sé que una cosa clave es que la empresa vaya al unísono. Sobre todo, Negocio y Tecnología para definir bien las prioridades y no crear “data lakes” dentro de la organización que no se comunican y no nos permiten aprovechar todo el potencial porque no lo hemos hecho en conjunto. Esto es crítico en la definición de la estrategia de analytics.

Asimismo, hay que asegurarse de que quien lidera esta área conoce el negocio porque hay muchos detalles significativos cuando analizamos datos y a veces no se les da la importancia debida. Creo que las innovaciones las vamos a ver en la captación de ‘leads’: cuando llega una persona a nuestro website, la capacidad que vamos a tener de identificarla, de pasar de un ‘lead’ frío a otro templado o caliente, y la rapidez con que vamos a ser capaces de hacerle una propuesta de valor que tenga que ver con lo que esa persona espera y necesita en ese momento.

Marcos Rodríguez.- A tres años vista, yo creo que la Inteligencia Artificial va a tener un impacto equivalente al que tuvo la electricidad en su momento. Todo lo que es analytics y, por ende, Inteligencia Artificial y ‘machine learning’, va a impactar en absolutamente todos los pasos de la cadena de valor. Luego, cada compañía pondrá la prioridad en aquellos ámbitos donde desee diferenciarse (toma de decisiones crecimiento, servicio, , etc.). Yo separaría los casos de uso entre aquellos con un mayor foco en la eficiencia, de aquellos más focalizados en ‘customer experience’ en sentido amplio. Si bien muchas veces estas soluciones afectan a las dos patas de la ecuación. Para mí, donde este tipo de aplicaciones tienen el potencial más disruptivo es en la transformación del modelo de suscripción. Estamos trabajando en sofisticar la suscripción y generar asistentes cognitivos que ayuden a tomar mejores decisiones en la suscripción; esto significa suscribir con mayor rigor técnico pero también de manera más rápida y certera y, por tanto, mejorar la experiencia de cliente y los ratios de conversión. También en la prevención. Aplicar la Inteligencia Artificial y el analytics para repensar el modelo de negocio de las aseguradoras para cumplir la eterna promesa hacia los clientes, que no es indemnizar ni reparar, sino prevenir sus riesgos; eso es diferencial y podría cambiar la faz del sector. Por supuesto, también el marketing digital, el ‘inbound’, la capacidad de captar ‘leads’ cualificados y canalizarlos en tiempo real para la conversión es algo muy potente.

Marta Sánchez.- La tecnología facilita un modelo de relación continuo, automático y bidireccional con el cliente, que nunca hasta ahora hemos tenido en el sector. En este modelo, el analytics con visión 360º, aplicado a toda la cadena de valor (producto, pricing, oferta, servicio…), es fundamental. En nuestra organización estamos trabajando en varios proyectos transversales de analítica que aplican a todas las áreas de la unidad, para dar una respuesta conveniente e idónea al cliente en cualquier momento y por cualquier canal.

Israel Escacho.- Nosotros hemos empezado con un enfoque orientado a resultados: incrementar los ingresos o reducir los gastos pero sin perder la referencia de la experiencia del cliente. La parte de costes, con temas de siniestros y fraude, es una en la que analytics introduce nuevas oportunidades. En eficiencia es también bastante claro; somos capaces de detectar cosas que antes nos costaba más; podemos discriminar el fraude y también la asignación de siniestros. En la palanca de ingresos, analytics es también muy importante. Las aseguradoras, a diferencia de otros sectores, generamos carteras. Para nosotros, un objetivo del primero de esos tres años es la optimización de las carteras, cómo generamos una mejor experiencia para preparar al cliente hacia la renovación. Ahora tenemos más capacidades para explotar grandes cantidades de datos; hay un esfuerzo por aflorar el ‘dark data’ que hay en la compañía. La tecnología permite llegar a las renovaciones de las carteras de forma mucho más precisa y eficiente.

Desde luego, la gestión de las carteras sería para mí el primer objetivo, y después una construcción de ‘customer experience’ tanto de cliente como de canal. Lo más retador será la generación de nuevos productos basados en datos. Esto cambia a organizaciones que hemos nacido en un ámbito más tradicional. Y en la parte bancaria igual. Si hay algo importante para un banco, eso son los datos, que permiten afinar en las propuestas y gestionar el riesgo financiero de manera óptima. Si además se enriquece todo con datos externos….

Agustín Matey.- Lo realmente innovador ahora es hacer una analítica transversal de cliente. Es el gran reto, y no todas las organizaciones se lo creen. Hay una cultura muy alineada con que esto es una palanca de generación de negocio. No tengo duda de que se va a mejorar el pricing. La tecnología va a acelerar esa mejora que antes era más pausada: vas a poder utilizar datos externos de big data, datos inferidos del cliente o, con la nueva legislación, acceder a sus datos bancarios y ver la morosidad porque él te ha dado acceso. Nuestra apuesta pasa también por ofrecer una experiencia de cliente en base al conocimiento que tienes de él más allá de la propia técnica aseguradora; podemos sorprenderle. Porque si todos vamos a optimizar el precio, los márgenes no sé si van a sostener esta industria en el largo plazo. Tenemos que jugar a sorprender al cliente, que se sienta bien tratado; le puedes ofrecer un canal de comunicación justo en el momento en que lo necesita, o te lo abre él y tú puedes responderle en un plazo que no esperaba…

Silvia Marques.- Es muy importante garantizar que somos capaces de explicar todos los modelos y analytics que hacemos de manera sencilla a quienes los van a usar. Si no los entienden, por perfectos que sean, no los van a usar y no servirán.

Marta Sánchez.- Uno de nuestros proyectos es que todas las áreas de la unidad de seguros tengan capacidades analíticas avanzadas. Hemos trabajado con cada una para identificar los casos de uso concretos de analytics que tengan para, usando la tecnología, automatizar toda la parte operativa y que lo que las personas realmente aporten sea la capacidad analítica. Estamos realizando un plan de formación para recapacitar a todos los equipos de las distintas áreas con el objetivo de que sean generadores de ese valor.

 

¿Cuáles son los retos para tener el equipo de analytics adecuado?

Agustín Matey.- Nosotros hemos creado una nueva Dirección de Analítica Avanzada que no es más que hacer la modelización y el enfoque de profundidad que hacíamos hasta ahora pero intentando aprovechar las nuevas tecnologías. Vamos a hacer pilotos y testar. Estamos metiendo gente técnica muy robusta, que conoce la estadística, las modelizaciones…, y que son personal propio porque creemos que es importante que tengan también un alto conocimiento de la compañía. Hay otro perfil, el de ingeniero, que no tiene por qué estar en el mismo equipo; y hay otro, el del negocio, que tiene que demostrar que esto tiene un impacto positivo en el negocio. Vamos a coger pilotos muy testados, pero con enfoque en el negocio, no en la analítica. Queremos identificar los casos de uso que sean capaces de generar una palanca en el negocio y nos hagan ganar credibilidad en la organización y generar esa cultura y capacidad transversal.

Silvia Marques.- Nosotros también estamos creando un área de inteligencia avanzada de negocio. Estamos en la discusión de si los ‘data scientists’ deben ser internos o externos, porque entendemos que a un ‘data scientist’ le motiva la construcción de un modelo pero una vez hecho el modelo, hay que pensar en cómo mantenerlo. Por eso, estamos pensando si es mejor que el “data scientist” sea alguien externo y que el gestor del proyecto aprenda con él y luego mantenga el modelo. Esta metodología también es una forma de garantizar que estamos al tanto de las innovaciones del mercado, porque si al conocimiento interno le unes el externo, se genera innovación.
Otra cosa importante es que el área de inteligencia avanzada esté muy coordinada con el área tecnológica. Nosotros no hemos de tener conocimiento tecnológico. Tenemos que conocer cuál es el problema de negocio que se presenta y cómo se puede solucionar con datos. Después, cómo se implemente el sistema no es problema nuestro; lo que digan los de tecnología.

Israel Escacho.- El ‘data scientist’ es la persona que te permite mantener las mejores condiciones, el que está a la última, y le motiva superar el reto; aprende nuevas metodologías, nuevas técnicas,… y su valor es que tenga una experiencia heterogénea, que aprenda y tú saques provecho de eso, Luego necesitas un gestor que sepa de negocio, para que no salgan cosas sin criterio. Y luego está el rol de líder, que es clave. Tiene que ser capaz de interpretar lo que sucede en el negocio y convertirlo en un problema transmisible a un equipo de ‘data scientists’. Las condiciones de contexto son importantes, y ahí están los equipos de IT. Si no tenemos un dato fiable, íntegro, reconocido por la propia organización, vamos mal. Necesitamos integridad.

Marta Sánchez.- Nosotros hemos creado un área de Modelización y Data dentro de la Dirección de Innovación, Tranformación y Producto, porque entendemos que el conocimiento y la generación de valor mediante una analítica avanzada tiene que residir en personal interno. Indudablemente nos soportaremos en equipos externos con tecnología de vanguardia o en alguna insurtech que nos posibiliten la implementación de oportunidades de negocio aplicando los modelos que hayamos desarrollado internamente.
Esta nueva área de Modelización y Data tiene como fin ser facilitadora al resto de la organización de todas las posibilidades analíticas disponibles y ofrecer una visión global de la aplicación de la Data en todos los ámbitos. Una función capacitadora y con la dedicación y colaboración suficiente para dar soporte a la organización.

Marcos Rodríguez.- Hace unos años nuestro grupo llevó a cabo reflexión una estratégica en torno a cuál podría ser la mejor manera para (sabiendo que el analytics y el data iba a ser el “nuevo petróleo”) aprovechar esta oportunidad y, en paralelo, dar la mejor respuesta a los retos que traía aparejada (calidad, integridad y seguridad del dato, la capacidad de atraer el talento,…). Como consecuencia, decidimos crear la Data Office, una dirección de negocio separada que reporta al consejero delegado. Es un área transversal que aglutina las capacidades y la gestión del data para toda la organización; recoge incluso las necesidades derivadas de Solvencia II en lo relativo a gobierno, y también las necesidades tecnológicas de evolucionar una arquitectura para la adecuada gestión de los datos. La hemos creado no con gente de fuera, sino con las capacidades de cada una de las unidades de negocio o de soporte de la organización. Tiene varias patas: una de ‘data quality’; otra es el centro de excelencia de analytics, que es donde están los ‘data scientists’, los jefes de proyectos, los ‘vi-sualization engineers’ que se dedican a desarrollar proyectos relacionados con data y que provienen de las distintas áreas de negocio; y una tercera que sería la bisagra entre la Data Office y el negocio, que hemos llamado ‘business proximity’ o ‘business partners’, encargados de empujar la agenda de datos en las distintas áreas de negocio. Siempre hemos concebido la Data Office como un área de negocio, no de soporte. Los KPI que yo le pongo al Chief Data Officer son de negocio; no puede ser un área de costes de Informática; aquí venimos a ganar dinero.
Respecto al mix interno-externo, funcionamos con un ecosistema abierto: con capacidades a nivel local y un equipo centralizado en Italia que llamamos el Analytics Service Center, que sirve para dar cohesión a equipos similares del grupo, para traer ‘best practices’ y casos de uso. También hacemos rotaciones de los equipos para dar servicio a otras unidades de negocio. Hay una tercera capa, siempre abierta, que son los proveedores externos. Todo funciona muy bien.

¿Qué pasa cuando las cosas no salen bien? ¿Qué le gustaría a la dirección obtener de analytics?

Marcos Rodríguez.- En el mundo real, la certeza no existe. Nuestra Dirección está suficientemente educada como para no esperar respuestas absolutas de los proyectos, sino referencias sobre determinados cursos de acción que pueden resultar. La clave es ser rápidos en desarrollar esos escenarios, probarlos y corregir.

Marta Sánchez.- En cualquier proyecto normalmente confluyen varias acciones de analytics. Consideramos relevante realizar una analítica profunda en cada uno de los puntos de la cadena de valor, permitendo que esa analítica descriptiva determine acciones de mejora a corto plazo que nos lleven a la aplicación de una analítica predictiva. Además nosotros creemos mucho en el test A-B: hay que hacer, probar, corregir, testar… , con un seguimiento y mejora contínua de los resultados desde las diferentes ópticas: oferta, pricing, experiencia cliente….
Agustín Matey.- El analytics todavía no se considera core en las organizaciones como para tener la responsabilidad sobre el crecimiento. Somos una industria con redes de distribución, con cartera de clientes, y se considera que eso es el core. Estamos en el momento de demostrar que podemos ayudar. Trabajamos con grupos con alta propensión de compra y dejamos que la red excluya a algunos clientes, por mucho que el modelo diga que sí, y que incorporen aquellos nuevos que el modelo no permite pero que ellos saben que pueden tener alta propensión. De esta forma construimos el modelo final con la fuente inicial de analytics pero filtrada con grupos de control, y sobre eso hacemos un ‘business case’. Vamos a primas y a margen. Eso cuesta un tiempo hasta que da resultados. Un problema es el ‘feedback’ de la red comercial. Si tuviéramos más ‘feedback’ podríamos mejorar el modelo. Otro tipo de analytics que hacemos es para prevención. Ahí lo medimos con caída de cartera. La experiencia está siendo muy positiva en prevención de fuga y no tan positiva en ayudar a la comercialización.

Silvia Marques.- A día de hoy el equipo de analytics no tiene objetivos comerciales. Lo que vamos haciendo lo intentamos medir con resultados de negocio, y lo contrastamos con grupos de control. Hacemos el modelo, lo implementamos, pero aún nos falta automatizar el retorno de la red. . Estamos intentando poner en marcha un sistema de ‘feedback’ pero cambiar la cultura, y hacer que se use, lleva su tiempo.

Israel Escacho.- Al final son KPI de negocio; hacemos test A-B y ponemos en marcha diferentes metodologías ante el mismo problema para ver cuál es la de mejor retorno. No siempre es comprensible y la red a veces no lo entiende. El otro problema es el tema de orientación frente a precisión. Cuando trabajamos con redes tradicionales buscamos orientación, aunque se pierda precisión. Usamos la precisión cuando controlamos la gestión: haces un ‘outbound’ en ‘call center’, un ‘inbound’ con una campaña, un proceso digital donde determinas todo; aquí dominas y eres capaz de tener precisión. Estos dos pesos: orientación vs precisión son los que ponderamos, según el uso.

¿Cómo se hace efectivo un ciclo de mejora de los modelos? ¿Cómo se hace la monitorización de los mismos?

Marta Sánchez.- Hoy es fundamental que los modelos sean dinámicos. Nosotros aspiramos a que éstos sean online, que cada día los modelos reflejen la situación real del cliente en cada momento. Esto es crítico.

Silvia Marques.- Mantener los modelos es un reto tan difícil como construir uno nuevo. Por cultura aseguradora, cuando está hecho nos creemos que ya está terminado y que hay que actualizarlo una vez al año. Hay que cambiar esta cultura. El modelo tiene variables que son dinámicas y hay que garantizar que están al día. Todos los modelos que creamos intentamos que sean online aunque a día de hoy todavía no somos capaces de tener el dinamismo que esto requiere.
Agustín Matey.- Nosotros hacemos un plan anual en el que revisamos todo lo que tenemos y vemos si tiene sentido hacer nuevos modelos o revisar los actuales. No hay que modelizar por modelizar, sino cada año ver dónde están las necesidades de negocio. Cada vez damos menos importancia a los modelos; nos damos cuenta de que análisis básicos de regresión simple nos están llevando a niveles de acierto mayores. Ahora queremos implantar una metodología de ‘next best action’ en los próximos tres años, ser capaces de definir, para cada cliente, la mejor actuación que hay que hacer con él; será una orientación para nuestros canales. Es un modelo que se va a basar mucho en ‘machine learning’, en información online y que va a tener que aprender de los resultados. Para generar esto es para lo que hemos creado el Departamento de Analítica Avanzada.

Israel Escacho.- Es verdad que, una vez construido el modelo, buscas automatizarlo; cuantos más modelos, más cosas tienes que mantener. Por eso hay que ver las capacidades y ver si voy al siguiente modelo o me ocupo de reajustar el actual.

Marcos Rodríguez.- En nuestro caso, hemos heredado una serie de modelos y, claro, había de todo. Nuestra intención es que los modelos sean lo más autosostenibles posible. Buscamos fórmulas para automatizar su sostenibilidad y su mantenimiento. La prioridad tiene que ser el negocio.

Marta Sánchez.- Analytis es la base generadora 360º de la experiencia cliente; es generadora de confianza, que es lo que nos dará negocio. Hoy, como no pongas al cliente en el centro, no haces nada. Analytics tiene que estar en todas las visiones del cliente: ‘pricing’, retención, oferta, ‘feedback’… La tecnología es un medio, hay que automatizar todo lo que sea operativo y dedicar los esfuerzos a lo que genera valor de manera muy dinámica.

Agustín Matey.- Hay un riesgo de dispersión. Te da tanta capacidad de analizar, de coger datos, que al final haces muchas cosas que no sabes en qué impacta en el negocio. No hay que desenfocarse. De momento, no se nos ve como palanca generadora de negocio sino como ayuda. Hay que ganar la credibilidad para que llegue el momento en que te llamen para construir cosas con ellos; y eso se gana con pilotos y con datos. No hay que dispersarse.

Israel Escacho.- Coincido en la importancia de la sensatez con el foco y añado otro aspecto a vencer: la parte de cultura aseguradora. Termino con una ventana al futuro: van a venir cosas como el hogar conectado, la e-health, el coche conectado, que serán grandes generadores de datos y que producirán cambios en la industria. Hoy estamos centrados en los problemas de nuestra agenda, pero igual en nada viene otro nacido ya en esta nueva era para el que el dato será el producto sobre el que construirá algo nuevo. Vamos a tener contrincantes que hablarán de otra cosa y estarán basados en el dato. Es un reto en el horizonte.

Marcos Rodríguez.- Creo que todos los temas de analytics, inteligencia artificial y ‘machine learning’ tienen cierta inflación de expectativas. En 18-24 meses vamos a ver un pinchazo de la burbuja, quizá coincidiendo con una desaceleración de la economía norteamericana y un frenazo en el ecosistema de Silicon Valley que la sustenta. Coincido con la falta de foco de muchas de las iniciativas actuales. Hay que poner los pies en el suelo y mirar el retorno de negocio. Después del pinchazo habrá un resurgir más racional y todo lo que es analytics e inteligencia artificial madurará como un ‘game changer’ que nos tiene que permitir cambiar como industria para competir con los nuevos ‘players’.

Marta Sánchez.- Somos optimistas. Toda la sofisticación que ofrece el analytics nos da la oportunidad de trasladar aciones concretas, sencillas y oportunas, ajustadas a lo que el cliente realmente necesita.

VISTO EN #ACTUALIDADASEGURADORA