Así es como la inteligencia artificial ayuda a tomar decisiones más ágiles y precisas en el mercado de seguros

Cuando utilizamos Google para realizar una búsqueda sencilla, no pensamos en la cantidad de personas que están haciendo lo mismo, en el mismo momento: se realizan más de 4,5 millones de búsquedas por minuto, y esa cifra aumenta diariamente. Además, no conocemos la dimensión de la cantidad de dispositivos móviles conectados a internet, que ya llegan a las decenas de miles de millones, ni las posibilidades que eso representa para la expansión del IoT (Internet de las Cosas). 

Ciertamente, la humanidad nunca ha estado tan conectada, generando y consumiendo datos, y esto crea oportunidades ilimitadas para el mercado de seguros, que ahora puede aprovechar diversos recursos tecnológicos para optimizar los procesos y lograr mejores resultados. Sin embargo, para poder filtrar y utilizar esa enorme cantidad de información, es fundamental desarrollar una plataforma capaz de analizar e integrar esos datos y de decidir, en tiempo real y a través de un motor de reglas, qué camino seguir. 

Existen innumerables aplicaciones analíticas en el mercado de seguros, y estas permiten tomar decisiones rápidas y eficaces en las diferentes etapas de la relación con el cliente, — desde las campañas de marketing, que están dirigidas al público objetivo, la oferta de producto y la selección del mejor canal; la suscripción de un nuevo usuario, que implica cuestiones como autenticación, riesgo y fraude; la gestión del cliente, que incluye la gestión de autorizaciones y solicitudes, la venta de productos adicionales y la gestión del riesgo; los siniestros (fraudes, abusos y pérdidas), y las renovaciones (oferta, momento ideal, riesgo, fraude y prima)—.

Dentro de este contexto, las aseguradoras deben considerar que cuanto más complejo sea el análisis de los datos, mayor será el impacto en los resultados. En un principio, se busca monetizar los datos mediante una estrategia automatizada para crear, calcular y ordenar el valor de las variables a gran escala. Después, el objetivo es segmentar esos datos para entender y agrupar los comportamientos e identificar los patrones. La siguiente etapa sería la predicción: se utiliza el aprendizaje automático y el modelado predictivo para la toma de decisiones —se emplean métodos de programación basados en restricciones de proceso y de negocio—. 

Y para que la aplicación del aprendizaje automático sea eficaz para las aseguradoras, el modelo debe ser preciso, adaptable, explicable y fácil de implementar. Un ejemplo es la prevención de fraudes: quien busca burlar el sistema investiga constantemente nuevas posibilidades, por lo que la herramienta debe ser dinámica y estar actualizada, y su algoritmo debe ser transparente para poder explicar el motivo de la negación del pago de un siniestro, en caso de que este se cuestione. Otro diferencial no está en la técnica de aprendizaje automático que se utiliza, ampliamente disponible en código abierto, sino en la capacidad de ejecutarla en tiempo real.

Existen ejemplos infinitos de aseguradoras que utilizan exitosamente técnicas de aprendizaje automático e inteligencia artificial para reducir el número de fraudes, tales como el de Medscheme, de Sudáfrica, que evitó pérdidas estimadas de 18.9 millones de dólares en un año. Esto demuestra el gran potencial de la aplicación de estas tecnologías en el mercado de seguros, a fin de impulsar su crecimiento y brindar un mejor servicio a los clientes.

*Artículo escrito por Daniel Arraes, director de desarrollo de negocios de FICO para América Latina