Big Data en Seguros: 3 casos de uso para probar la disrupción

Escrito por Maru – Ideas2IT

Traducido por José Samaniego T. – Grupo Novatech

La industria de seguros se basa en datos, y su modelo de negocio se basa en el análisis de datos para evaluar la información y tomar las decisiones apropiadas. Esto lo convierte en uno de los mejores candidatos para la disrupción de big data. Bienvenido al nuevo chico en el bloque, Big Data Insurance.

Atrás quedaron los días en que dichos datos se limitaban a lo que los solicitantes ingresarían en un formulario. Las aseguradoras de hoy tienen una gran cantidad y un espectro diverso de datos íntimos que les permiten comprender mejor el riesgo, fijar el precio de sus pólizas y ayudar a sus clientes con la gestión del riesgo durante un año de póliza.

Hay varias maneras en que el seguro de big data está impactando al sector.

OPTIMIZACIÓN DE PRECIOS

¿Cómo se valora un producto sin conocer los costos involucrados en su fabricación? Este es el mismo problema que la industria de seguros enfrenta todos los días. La mayoría de las industrias conocen el costo de la mano de obra y las materias primas, y calculan un margen de beneficio para decidir el precio del producto. Las aseguradoras, por otro lado, no conocen el costo del producto cuando se vende. Es posible que no se conozca el precio exacto del producto hasta que se hayan pagado los reclamos.

Por lo tanto, las aseguradoras, específicamente los actuarios, se han basado en gran medida en el análisis de datos históricos para predecir el comportamiento futuro de la creación de tarifas premium para poder fijar el precio de los productos. Hoy en día, las compañías de seguros están utilizando técnicas avanzadas de aprendizaje automático como el aprendizaje profundo para mejorar la rentabilidad.

Tomemos el ejemplo de la empresa multinacional de seguros, AXA, una vanguardia para el seguro de big data.

Del 7-10% de sus clientes que causan accidentes automovilísticos cada año, solo alrededor del 1% están involucrados en accidentes de «gran pérdida», que implican pagos de $ 10,000. Es imperativo que AXA identifique a estos clientes para optimizar sus precios para las políticas.

El equipo de I + D de AXA en Japón comenzó a investigar cómo podrían utilizar el aprendizaje automático para predecir qué conductores podrían cometer estos accidentes de grandes pérdidas durante el período de la política. Inicialmente, se centraron en Random Forest, una técnica popular de aprendizaje automático que utiliza múltiples árboles de decisión. Por ejemplo, explorar las posibles razones de por qué un conductor puede causar accidentes con grandes pérdidas. Aunque por lo demás es efectivo, la precisión de predicción de Random Forest fue solo del 40%.

Por lo tanto, crearon un modelo experimental de aprendizaje profundo a través de Cloud Machine Learning Engine, ¡y la precisión de predicción aumentó al 78%! Esta mejora podría dar a AXA una ventaja significativa para optimizar el precio y el costo.

AXA aún se encuentra en las primeras etapas de este enfoque, pero es una gran demostración de cómo las técnicas avanzadas de aprendizaje automático pueden proporcionar un inmenso valor comercial.

DETECCIÓN DE FRAUDES

La Coalición Contra el Fraude de Seguros, el perro guardián antifraude de los Estados Unidos, estima que casi US $ 80 mil millones en reclamos fraudulentos se hacen anualmente en los EE.

Esto indica la ineficiencia de las técnicas actuales de detección de fraude implementadas por las aseguradoras. La capacidad de analizar solo datos estructurados históricos es una de las principales razones del bajo rendimiento de las técnicas de detección de fraude existentes. El análisis basado únicamente en datos históricos tiende a perder su poder predictivo más allá de cierto punto.

Además, el análisis de datos históricos es ineficiente si las aseguradoras quieren detectar casos sofisticados de fraude, como accidentes simulados y incendios deliberados (o incendios provocados) de locales comerciales donde las ganancias están bajas.

Hoy en día, el análisis de fraudes ha pasado de construir modelos y proporcionar puntajes de fraude basados ​​en el análisis de datos históricos, a la detección de fraudes en tiempo real que procesa de manera eficiente y efectiva grandes cantidades de datos estructurados y no estructurados que están disponibles dentro y fuera de la organización. Esta es una oportunidad para los nuevos jugadores, las grandes compañías de seguros de datos.

Es necesario que las compañías de seguros adopten técnicas de detección de fraude en tiempo real para identificar fraudes sofisticados.

El análisis de datos no estructurados internos y externos ayuda a las empresas a descubrir actividades fraudulentas complejas, que son difíciles de encontrar a través del análisis de datos estructurados.

Por ejemplo:

  • Los investigadores pudieron descubrir reclamos fraudulentos al buscar en las redes sociales a los demandantes. Por ejemplo, una mujer afirmó haber perdido sus anillos de boda en el océano, pero los investigadores encontraron una foto en las redes sociales en la que llevaba su anillo de boda «perdido».
  • Cuando una persona presenta un reclamo diciendo que su automóvil se incendió, la historia narrada por él indica que sacó la mayoría de los artículos valiosos antes del incidente. El análisis de los documentos de reclamo de la persona indicará que el automóvil fue incendiado a propósito.
  • La aplicación de la ciencia de datos en los datos de redes sociales del reclamante podría revelar su conexión con personas que están / estuvieron involucradas en actividades fraudulentas.

ANÁLISIS DE RIESGO EN TIEMPO REAL

Anteriormente, las compañías de seguros dependían principalmente de los datos históricos para los cálculos actuariales. Ahora, las firmas de seguros de big data pueden acceder a nuevas fuentes de datos en tiempo real. Debido a esto, ahora pueden responder mejor en un entorno de riesgo altamente volátil.

Anteriormente, los datos climáticos solían ser relativamente estables, de modo que la aseguradora no tenía que monitorearlos regularmente. Hoy, el clima está cambiando regularmente y las compañías de seguros necesitan monitorear estos cambios para predecir las tendencias futuras.

Las compañías de seguros también pueden actualizar la información meteorológica mediante la recopilación de datos de innumerables sensores ambientales para comprender la velocidad del viento, la presión barométrica, la temperatura y los cambios en la corriente en chorro.

El automóvil conectado está transformando la forma en que las empresas ven el seguro automotor. Los vehículos envían datos sobre el comportamiento de conducción a los servidores en tiempo real, detallando todo, desde su velocidad, aceleración, ubicación, frenado y hora del día. En los próximos años, los vehículos podrán comunicar las condiciones del camino en tiempo real. Estos datos serán increíblemente valiosos para las compañías de seguros de big data, ya que podrán tomar decisiones en tiempo real que gestionen el riesgo. De hecho, pueden usar la telemática y la tecnología de conducción automática para aconsejar a los conductores sobre la ruta menos peligrosa que deben tomar.

Big data y data science ya están revolucionando el sector de seguros. Por ejemplo, la aplicación Ford Score Driver rastrea el comportamiento de conducción. La aplicación utiliza algoritmos de aprendizaje automático para interpretar los datos del vehículo. Los algoritmos aprenden más una vez que obtienen más datos. Los conductores también obtienen puntajes diarios en función de su comportamiento. Pueden usar la función Zona de descuento de la aplicación para compartir sus datos de manejo con las compañías de seguros en función de las cuales pueden recibir presupuestos personalizados.

Incluso las compañías de seguros de Big Data tienen más trabajo por hacer

La mayoría de los datos están dispersos dentro y fuera de la organización y están en una forma no estructurada, lo que dificulta que una aseguradora obtenga información.

Deben tener capacidades sólidas de administración de datos para poder limpiar e integrar los datos externos con los datos internos y obtener una visión 360 del tomador del seguro y sus acciones. Todo esto requiere invertir mucho en tecnología, adquirir nuevos talentos y quizás incluso transformar la cultura de la empresa para cultivar mejor el tipo de actitud y pensamiento necesarios para priorizar qué tipo de datos se deben reunir y cómo aprovecharlos mejor.

Pero de una forma u otra, el seguro de big data está aquí para quedarse. Lo que queda por ver es qué compañías liderarán la carga y cuáles quedarán al margen.

Le podría interesar

Beneficios RPA en el supply chain
Robot haciendo el trabajo de un humano
RPA Webinar Series

Grupo Novatech

Es la firma líder del Ecuador en Consultoría e Implementación de Soluciones de Optimización, Automatización y Analítica. Empresarial. Desde 1995, ha servido con éxito a más de 600 empresas en el Ecuador y Latinoamérica, con soluciones tecnológicas líderes en el mercado mundial, siempre acompañadas con consultoría especializada para su sector y una estructura de soporte ágil.