Analítica Avanzada: Una herramienta en la Transformación del sector Asegurador

Analítica Avanzada: Una herramienta en la Transformación del sector Asegurador

17/07/2019 0 Por World of Data

Los nuevos paradigmas procedentes de la introducción de nuevas tecnologías y del cambio de comportamientos y de hábitos de consumo, presionan a las industrias, conllevando importantes cambios en cómo estas interactúan con sus clientes.

El sector seguros no es una excepción y, como tal, tanto lod movimientos de consolidación de aseguradoras como la creación de startups (insurtech), llevan a un aumento de la competencia en lo que respecta a comisiones y a condiciones contractuales. Dicho movimiento se agrava por el cambio de hábitos de los consumidores que, acostumbrados a comparar promociones en otros sectores como el mercado minorista, cambian de proveedor en el momento ya sea por los precios o porque el proveedor no saca partido de las recientes tecnologías (ejemplo: Wearables), o de fuentes de información (ejemplo: qué vehículos tienen sistema de frenado automático).

Por necesidad, las aseguradoras poseen capacidades avanzadas en el análisis de riesgos,  que sirve de base para la creación de productos específicos para segmentos de clientes. Estos análisis y decisiones están basados en diferentes fuentes de datos y conllevan múltiples repeticiones de cálculo, dependientes de la capacidad de la organización en navegar por este «mar de información» y de los recursos informáticos y herramientas disponibles. Por todo esto y en conjunto con los requisitos de la regulación, el proceso de pricing y underwriting de un seguro es un proceso largo, y  a veces estricto, muchas veces condicionando su propia adaptación a las exigencias del mercado.

Las técnicas de analítica avanzada, donde se incluyen elementos de Inteligencia Artificial, son herramientas indispensables en el siglo XXI, tanto para el análisis de datos de distintas fuentes,  para la identificación de outliers, en la fusión y combinación de datos, como en la construcción de modelos mediante modelos tradicionales (ej.: Generalized Linear Model – GLM), o por la aplicación de modelos de machine learning a efectos de benchmarking. Además, la creación y mantenimiento de modelos analíticos complejos, en particular Open Source (ej.: R, Python) sin herramientas adecuadas para hacer un seguimiento de su idoneidad, son un nuevo obstáculo en una industria desafiante, como es el sector asegurador. Por último, la automatización de la toma de decisiones en una simulación de seguros, o en otros procesos adecuados, constituye una importante ayuda que demuestra que la analítica avanzada puede ser un fuerte aliado de las Aseguradoras.

SAS, cuenta con más de 40 años de experiencia en analítica avanzada e inteligencia artificial (IA), esta experiencia  le permite presentar, un conjunto de tecnologías y soluciones probadas en el mercado que, creemos, le ayudarán en la transformación de su negocio.

En el contexto de este artículo, enseñamos a continuación un enfoque que puede dirigir el proceso completo de pricing u otros procesos de negocio. Dicho enfoque es también modular, por lo que se puede integrar en sistemas existentes o puede constituir un laboratorio de innovación para la evaluación de escenarios. Se destacan las siguientes áreas:

  • Data: donde ocurre la extracción y preparación de datos de distintas fuentes (estructurados, no estructuradas, IoT, entre otros), evaluación de la calidad con base en técnicas de IA y transformación de datos.
  • Pre-modeling, modeling y Post-modeling: área de apoyo a constrained y unconstrained modelling, donde varios modelos pueden, de manera automática, ayudar a identificar variables relevantes, o en el modelado propiamente dicho, ya sea con modelos tradicionales (GLM) o técnicas de machine learning, incluyendo modelos desarrollados en open source. Por último, desde un punto de vista de postmodelado, la comparación de modelos analíticos o análisis de desempeño del modelo a lo largo del tiempo con generación automática de alertas, cuando los limites determinados son alcanzados.
  • Portfolio Optimization: Para optimizar la cartera de clientes, con un mejor equilibrio entre retención de clientes y una rentabilidad óptima.
  • Real Time Pricing: La automatización de la toma de decisiones (Intelligent decisioning) basada en algoritmos predictivos, en conjunto con reglas de negocio, permite la presentación en tiempo real de simulaciones de primas de seguro a clientes y agentes. Además, la interfaz entre plataforma analítica y sistemas upstream (site, backoffice) puede hacerse mediante web services, minimizando así, la complejidad y el tiempo dedicado al paso a la producción de nuevos modelos.