Daniel Gabas
Pioneros de la década del 50 soñaban con máquinas fabulosas que imitaran, reemplazaran y complementaran la inteligencia humana, que contaran con todos nuestros sentidos, nuestra capacidad de razonamiento y hasta nuestra empatía. Hoy en día, la inteligencia artificial (IA) es una realidad, que fue adaptándose y construyéndose sobre un conjunto de ciencias y tecnologías que han logrado avances ciertos y muy interesantes, y que habilitan y potencian negocios en las diferentes industrias. Las aseguradoras, por ejemplo, empezaron a diseñar sus estrategias de comercialización y fijación de precios, así como a agilizar los procesos de suscripción y reclamos, por mencionar solo algunos.
Cuando hablemos de IA en seguros, nos vamos a referir a un conjunto de tecnologías y características que incluyen: advanced analytics, machine learning, redes neuronales, automatización inteligente, robótica, realidad extendida, análisis de texto y procesamiento de lenguaje natural, procesamiento de imágenes, reconocimiento de emociones, IOT y bigdata (entre otras).El valor de la IA radica en la capacidad para aprender y detectar patrones, predecir y clasificar, y con esto proyectar escenarios a fin de prevenir y medir riesgos latentes. Si esto lo complementamos con tecnologías para automatizar la toma decisiones estamos en un contexto donde las posibilidades quedan limitadas solo a nuestra imaginación y a nuestra creatividad para desarrollar los casos de uso y de negocio.
Pero vamos a destacar algunos de los escenarios en los que hoy se encuentran trabajando las diferentes compañías líderes del mercado global.
Pricing: mediante el uso de modelos predictivos (con algoritmos como random forest, linear regression, xgboost, etc) podemos brindar primas de seguro de forma más dinámica y precisa, personalizadas según los hábitos/patrones de conducción, zona y distancia. A las variables tradicionales generadoras de precio, se suman un conjunto de nuevas variables para mejorar la rentabilidad de la cartera. Estas variables dependen de las necesidades y capacidades propias de la compañía y pueden ir desde los precios de la competencia hasta características particulares de la persona como multas, antigüedad del carnet de conductor, scoring crediticio y diferentes datos que provengan de sistemas y fuentes externas. Lo interesante de esto es el dinamismo en la determinación del precio, en donde los modelos van alimentándose de datos a lo largo del tiempo, reconociendo nuevos patrones y ajustando la tarifa de forma autónoma.
Customer Service: usando en tiempo real algoritmos de reconocimiento de voz y de emociones, podemos redirigir las llamadas de los clientes con problemas graves (identificando también clientes claves para la compañía) a empleados más experimentados para tratar la situación, mejorar la experiencia y apalancar la retención. Además, el uso de bots -agentes cognitivos reales- ya ha demostrado el retorno en productividad y eficiencia al gestionar grandes volúmenes de llamadas, chats o emails, trabajar 24x7 y poder resolver gran parte de las consultas y reclamos de los clientes.
Suscripción: El análisis predictivo nos ayuda a evaluar el riesgo para cada cliente potencial y objeto asegurable, reemplazando o complementado a los suscriptores en los riesgos mas simples. ¿Cómo? A través de técnicas de agrupación, y teniendo en cuenta no solo las puntuaciones individuales para diferentes factores de riesgo, sino la sinergia y combinación entre estos. Por otro lado, cuestiones mas simples como analizar y procesar imágenes, pueden acelerar el proceso de inspección. Y al usar información de la persona, tanto histórica como reciente, particular (como fumar o tener una condición cardíaca) y financiera, podremos cerrar el onboarding de la persona y de la póliza en cuestión de minutos, y de forma totalmente digital.
Segmentación y Venta: Con el uso de redes neuronales, aprendizaje basado en arboles de decisión, clasificadores y tecnología de bigdata, podemos mejorar la segmentación y perfilado de nuestros clientes y leads, entenderlos mejor a través de sus preferencias de compra, de las diferentes interacciones con los puntos de contacto de la compañía, y mediante el uso de datos de fuentes externas (ej: redes sociales). Esto puede brindarnos información vital para el cross-up selling, brindar mejores recomendaciones de compra, y mejorar en general la experiencia del cliente con la organización. Otro ejemplo, es la factibilidad de detectar relaciones internas significativas entre los clientes y leads (padre-hijo, esposos, socios, etc), para que el tratamiento de los reclamos y cotizaciones pueda seguir un proceso de atención diferente.
Adquisición y Canales: Podemos usar análisis de regresión, arboles de decisión, clasificadores y clustering para identificar prospectos y priorizar clientes potenciales, mejorar las campañas de marketing haciéndolas mas efectivas y, a su vez, asignar agentes personalizados según preferencias del cliente. Predecir rendimiento de los agentes, probabilidades y propensión a vender, e identificar zonas objetivo y mercados mas interesantes para desarrollar.
Retención: Como sabemos, la retención es siempre mas barata que la adquisición, por lo que muchas compañías están usando datos estructurados y no estructurados, redes neuronales recurrentes, y combinando diferentes modelos predictivos para predecir pólizas en riesgo y las probabilidades de abandono por cliente, a fin de que les permita ejecutar proactivamente estrategias de retención temprana.
Reclamos / Siniestros: A través de peritaje digital (foto y video, reconocimiento de imágenes, modelos predictivos de fraude) podemos reducir a días el tiempo medio de resolución de un siniestro y disminuir hasta un 60% los costos de verificación de daños y peritación siniestral en las aseguradoras, tanto en el segmento de Autos como en el resto de los riesgos. La inteligencia artificial podría identificar las piezas del automóvil o del hogar que han sufrido daños, buscarlas en un catálogo especifico en la nube y calcular el costo de sustitución. Además de la reducción de costos administrativos, el impacto en experiencia es invaluable.
Fraude: aplicar modelos predictivos en este proceso no solo nos permitiría focalizar el esfuerzo humano del área de fraude en los casos más probables (disminuyendo los casos de falsos positivos y aumentando el éxito de la gestión) sino que también posibilitaría cambiar el enfoque indemnizatorio. Si tenemos un buen y experimentado modelo de tratamiento de peritaje y de fraude combinados, el tiempo de resolución del siniestro puede llegar a ser de segundos o minutos, ejecutando (a través de la automatización del proceso) el depósito de la indemnización en la cuenta del socio, o la orden de reparación en el taller más cercano, momentos después de la denuncia.
ART: muchas compañías de riesgo de trabajo están mudando su modelo de prevención al de predicción, con la simple idea de que "si somos capaces de predecir con exactitud un accidente, seremos capaces de prevenirlo". Hay estudios en donde a partir del análisis de un conjunto de datos (más de 112 millones de observaciones de seguridad y sus 15.000 incidentes/accidentes asociados a las mismas) se ha logrado prever los incidentes/accidentes antes de que ocurran con altos niveles de precisión.
Como podemos ver, las aplicaciones son variadas y es imposible listarlas a todas, dado que dependen del foco estratégico, y de los casos de negocio que se construyan alrededor de las mismas.
Finalmente, como en todo proyecto, es importante destacar que los factores de éxito dependen del sponsor interno, de la visión a largo plazo, de la alineación estratégica, de las capacidades a construir e incorporar, de las alianzas con partners experimentados que nos sirvan de guía, y del compromiso y el seguimiento constante.
