Los datos representan una herramienta indispensable en todos los sectores empresariales, incluido el asegurador. En la actualidad, la cantidad de información que las personas generan cada día alcanza volúmenes inimaginables que en muchas ocasiones no pueden ser analizados de una manera óptima para su mejor aprovechamiento.
A través de avances tecnológicos como el Machine Learning, Deep Learning o Big Data analytics, es posible trabajar sobre los datos masivos para extraer información que pueda beneficiar las operaciones en el mercado.
A lo largo de este blog abordaremos el Machine Learning o Aprendizaje Automático y la forma en que ayuda a las compañías en el sector asegurador a eficientar procesos en toda la cadena de valor del seguro como gestión de reclamaciones, cotización o servicio al cliente.
Definiendo el Machine Learning
“Machine Learning”(ML) es un derivado de la Inteligencia Artificial (IA) que permite que los sistemas aprendan patrones a partir de datos y, posteriormente, mejoren en función de la experiencia. A medida que la producción de datos avance, las soluciones de Aprendizaje Automático se irán adaptando a las nuevas formas, aprendiendo de la nueva información y utilizando como referencia los procesos anteriores.
El Aprendizaje Automático tiene cuatro capacidades particulares:
- Sentido. La Inteligencia Artificial permite que las máquinas perciban el contexto por el que están rodeadas y éstas adquieren y procesan información como imágenes, sonidos, voz, texto, entre otros datos.
- Comprensión. Permite que una máquina reconozca patrones y entienda el contexto en que los datos son recopilados, similar a como lo hace un ser humano.
- Acción. La IA permite que los sistemas realicen acciones en el mundo físico o digital de acuerdo a la percepción o comprensión antes adquirida.
- Aprendizaje. Permite que los sistemas optimicen continuamente su rendimiento en función del éxito o fracaso de sus acciones.
La división de Informática de la Universidad de California (UC Berkeley) remarca el sistema de aprendizaje de un algoritmo de Machine Learning en tres partes principales.
- Proceso de decisión: Generalmente, los algoritmos de ML son utilizados para hacer predicciones o clasificaciones. De acuerdo a ciertos datos de entrada, que pueden ser etiquetados o no, el algoritmo producirá un estimado sobre un patrón de datos.
- Prueba y error: Sirve para evaluar la predicción de los modelos. Si existen referentes conocidos, la función de prueba y error puede hacer una comparación que evalúa la precisión del modelo.
- Proceso de optimización: Si el modelo se ajusta de una mejor manera a los datos en las pruebas, el peso del modelo se modifica para reducir la discrepancia entre el ejemplo existente y la predicción. El algoritmo repetirá este proceso de evaluación y optimización, actualizando el peso autónomamente hasta que consiga un umbral de precisión.
Factores que impulsan el desarrollo del Machine Learning en los seguros
El espectro de tecnologías que conforman la Inteligencia Artificial se han vuelto muy populares en las organizaciones en los últimos años con el fin de hacer una transición a la era digital.
En la industria de seguros, las Insurtech emergen de este supuesto, en busca de impulsar la penetración de los seguros en el mercado. De acuerdo con Accenture, los elementos clave que justifican el desarrollo del Machine Learning son:
“Everything smart”
Las herramientas y dispositivos inteligentes se han introducido en muchos aspectos de la vida del ser humano. Tenemos electrodomésticos inteligentes, asistentes virtuales que controlan la operación de gadgets y otros aparatos, e incluso podemos manipular el ambiente lumínico en diferentes espacios por medio de aplicaciones móviles.
Con esta cantidad de información que se recolecta a cada minuto, las empresas buscan sacarle provecho apoyándose en el Machine Learning avanzado con el fin de impulsar acciones inteligentes y automatizadas en distintas industrias.
Intercambio de información
Conforme los datos abundan en todos los medios, la necesidad de colaboración en el uso e intercambio de datos irá en aumento.
En el sector financiero encontramos referentes como el Open Banking o el Open Insurance, en los seguros. Bajo el soporte de las APIs, las organizaciones tanto dentro y fuera del ecosistema asegurador pueden intercambiar información, con previa autorización del usuario, para brindar mejores productos y servicios a los consumidores.
Actualmente la industria está centrando esfuerzos para el desarrollo de normatividades y protocolos de ciberseguridad que respalden el óptimo ejercicio de estas actividades.
Internet de las Cosas (IoT)
De la mano con “Everything smart”, el volumen y la velocidad con que los dispositivos y objetos inteligentes arrojan datos cada día, es necesario que el análisis y procesamiento de esta información se automatice por medio de herramientas de ML. La supervisión humana en estas actividades se reduce considerablemente al grado que las máquinas puedan ser lo más autónomas posibles.
Capacidad de respuesta
La Inteligencia Artificial ofrece habilidades en los dispositivos y máquinas cada vez más competentes, lo que facilita la comprensión del lenguaje hablado o el reconocimiento facial con el fin de que el aprendizaje de éstas sea más útil e intuitivo.
Usos del Machine Learning en la cadena de valor del seguro
A pesar del avance tecnológico en el sector asegurador, muchas de las instituciones de seguros siguen procesando un porcentaje pequeño del total de datos a los que tienen acceso y en su mayoría, son datos estructurados.
Recordemos que existen dos categorías de datos principales: los datos estructurados y los no estructurados. El primer grupo se refiere a datos cuantitativos, generalmente hablamos de información muy organizada y de fácil comprensión por medio del lenguaje de máquinas. Algunos ejemplos son los datos financieros, información personal como nombre y edad, geolocalización, entre otros.
El primer grupo se refiere a información muy organizada y de fácil comprensión por medio del lenguaje de máquinas. Algunos ejemplos son los datos financieros, información personal como nombre y edad, geolocalización, entre otro.
El segundo grupo, en este sentido, lo entendemos como aquellos datos que no pueden ser procesados a través de métodos tradicionales pues no están clasificados en segmentos como los del grupo anterior. Al tener un dato sin contexto no puede ser descifrado y cuantificado, por lo que es necesario agregarles un valor previo al análisis.
El ML y otras tecnologías emergentes de la IA aportan orden y propósito a estos datos con el fin de extraer resultados lógicos y útiles para que las organizaciones puedan tomar mejores decisiones comerciales.
La posibles aplicaciones del Aprendizaje Automático en la industria aseguradora alcanza a todos los procesos en la cadena de valor. Muchas de éstas tecnologías ya están siendo desarrolladas y probadas por muchas Insurtech alrededor del mundo.
Aportes en la distribución
Muchos de los medios por los que se presentan los productos aseguradores a los clientes potenciales pueden aprovechar las bondades del Machine Learning para brindar asesoría personalizada. En entradas anteriores hemos hablado sobre los beneficios de la tecnología en los canales de distribución de seguros con el fin de mejorar la experiencia en el usuario, puedes hacer click aquí para leer más.
Quizá el aporte más sobresaliente se encuentra en el uso de chatbots. Esta tecnología está diseñada para interactuar con las personas por medio de información previamente codificada. Sin embargo, de acuerdo a los diferentes tipos de aprendizaje en el ML, estos bots se basan y actúan en función de experiencias pasadas para dar un mejor y más complejo seguimiento de acuerdo al perfil del cliente.
Los chatbots pueden colocarse en sitios web, redes sociales o apps de mensajería. La ventaja de estos asistentes es que están disponibles a cualquier hora a diferencia de un ser humano, por lo que las personas interesadas en solicitar información pueden recibir una respuesta inmediata y certera en el momento que lo deseen.
Aportes en la suscripción
Uno de los principales aportes del Aprendizaje Automático e IA en la suscripción de una póliza de seguros es en la gestión de riesgos. Las aseguradoras pueden hacer uso del ML para predecir el riesgo potencial de cada contratante y por lo tanto, el precio de primas más adecuado.
La Insurtech Bdeo, ofrece soluciones de inteligencia visual en la suscripción seguros de auto. Esta tecnología permite conocer el estado actual de los vehículos a asegurar e identificar anomalías (en caso de existir) para determinar los factores de riesgo en caso de un siniestro. Puedes conocer más al respecto haciendo click aquí.
Los algoritmos que utilizan Machine Learning se encuentran evolucionando constantemente para arrojar resultados que permitan un diagnóstico más certero y que el contrato beneficie tanto al asegurador como al tomador del seguro.
El uso del Aprendizaje Automático también se puede ver reflejado en el pricing. La suscripción impulsada por ML e IA analiza los perfiles de riesgo en contextos más amplios como hábitos de consumo recolectados por redes de IoT, riesgos geopolíticos en evolución, calificaciones en medios sociales, etc.
Toda esta información, que en su mayoría pertenece a los datos no estructurados, brinda parámetros más completos para determinar precios más justos, lo que se traduce en mayor rentabilidad para las organizaciones por medio de la estrategia de costos.
Aportes en la reclamación
La Inteligencia Artificial ofrece herramientas muy atractivas para los procesos de reclamación de siniestros.
Como punto de partida, en la prevención de un siniestro, existen tecnologías como la telemática que son capaces de recolectar información en tiempo real de los hábitos de consumo de los usuarios. Esta información es relevante pues las instituciones de seguros pueden procesar, identificar y prevenir (de acuerdo al caso) el nivel de riesgo de un cliente a sufrir un siniestro. En el mercado mexicano tenemos a la Insurtech Clupp, quien desarrolla seguros de movilidad basados en el uso apoyados en la telemática.
En el momento de la ocurrencia de un siniestro, el uso de Machine Learning permite que el proceso de reclamación sea más ágil y certero contra los procesos tradicionales. Lemonade, Insurtech estadounidense, desarrolló una tecnología que permite validar un siniestro a través de un video. El asegurado debe mandar evidencia audiovisual del siniestro y los sistemas de Lemonade analizan y procesan datos como expresiones faciales, intencionalidad de la voz, entre otros aspectos para conocer si la solicitud es genuina.
Este tipo de inteligencia se fortalece en tanto el proceso se utilice con mayor frecuencia. Así, los sistemas pueden identificar patrones para conocer reacciones humanas y determinar si la reclamación debe proceder o no.
Muy de la mano con la reclamación de siniestros, las empresas de seguros tienen un reto importante al abordar la prevención de fraudes. El ML ayuda a identificar posibles reclamaciones fraudulentas de una forma más rápida y precisa. La ventaja de esto es que las máquinas aprenden los patrones de estas operaciones y pueden identificarlos en futuros siniestros para evitar que la solicitud sea aprobada.
La startup francesa Shift Technology utiliza una tecnología llamada “Shift Claims Fraud Detection” que identifica fraudes en siniestros por personas o redes con un 75% de veracidad. Por otra parte, la Insurtech estadounidense Relativity6 ofrece una solución que permite conocer la confiabilidad de usuarios y sitios web con el fin de minimizar el impacto de los fraudes en el sector asegurador. Esta plataforma está cimentada en la IA y ML para dar respuesta con base en las búsquedas anteriores.
Control de datos: el desafío más grande para implementar Machine Learning
Como hemos visto, los aportes del Machine Learning en el ecosistema asegurador son amplios y con ventajas comerciales muy atractivas. Sin embargo, para que el uso del Aprendizaje Automático pueda desarrollarse de una mejor forma, es necesario que se trabajen en áreas de oportunidad específicas relacionada con los datos.
- Fuentes de datos: La calidad de la información hoy en día puede verse comprometida pues con el tamaño masivo de los datos, no toda la información es útil para las empresas. Los conjuntos de datos deben ser representativos y equilibrados para que puedan ofrecer una perspectiva clara y así evitar sesgos.
- Cantidad de datos: Además de tener presente la calidad en la información, es necesario contar con un volumen considerable de datos para realizar pruebas. Los sistemas intelectuales de IA deben estar capacitados por dominios, por lo que en ciertas ocasiones, proporcionar un volumen masivo para entrenar a los modelos y así cubrir todos los escenarios resulta complicado para las aseguradoras.
- Seguridad de datos: Un tema que está presente en la actualidad es la protección de datos. Con el aumento en el flujo, recopilación y conectividad de la información, la posibilidad de fuga de datos y brechas de seguridad es un riesgo que está presente en todas las organizaciones. Una falla en la seguridad de los sistemas puede facilitar la información a entidades que buscan sacar provecho de ésto.
¿Qué esperar del ML?
Conforme los avances tecnológicos se apoderan de los sectores empresariales, las aseguradoras deben adoptar estos cambios para mantenerse a la vanguardia. Como hemos podido analizar, el valor agregado del Machine Learning en la experiencia del usuario se potencializa en gran manera y refuerza la idea de personalización de productos y servicios aseguradores.
Las instituciones de seguros tradicionales y las Insurtech deben trabajar en conjunto para lograr mayor rentabilidad y eficiencia operativa que permita acercar el ecosistema asegurador a las demandas actuales.
