A diario se están recopilando cantidades ingentes de datos. Pero la información está infrautilizada, ya que muchas empresas no disponen de las competencias necesaria para agrupar los datos provenientes de diferentes áreas del negocio y crear una visión unificada del cliente.
El mundo asegurador depende, en gran medida, de los datos y no puede permitirse dejarlos inactivos, especialmente cuando se tiene acceso a miles de características de vehículo, perfiles de conductor, etc. para así diferenciar sus modelos de pricing y ofrecer cotizaciones personalizadas. El sector ha comenzado a adoptar técnicas de inteligencia artificial y aprendizaje automático. Este hecho está cambiando la forma en la que las aseguradoras usan sus datos para ofrecer primas con precios mucho más personalizados para sus asegurados en función de su perfil de riesgo.
La capacidad de aplicar algoritmos de aprendizaje automático ayuda a las aseguradoras a ser más competitivas a medida que refinan sus estrategias de pricing, permitiéndoles suscribir el riesgo adecuado para su cartera.
En el ramo de Autos, logramos utilizar los datos telemáticos de conducción de manera mucho más amplia de lo que originalmente se pretendía. Así podemos anticiparnos mediante la notificación en el momento en el que el siniestro se produce (FNOL- first notice of loss), lo que ayuda a proporcionar una mejor experiencia al consumidor después de un accidente, al tiempo que ofrece información valiosa sobre las circunstancias de la colisión.
El área de siniestros también se ve positivamente impactada por este nuevo paradigma, en los procesos de gestión de siniestros a través del procesado virtual y sin contacto. Aquí, la tecnología de reconocimiento de imágenes captura daños y facturas, a la par que ejecuta la auditoría del sistema. Si el siniestro cumple con los criterios aprobados, el pago se realiza automáticamente sin intervención humana. Esto mejora la eficiencia, reduce los costes, y mejora la experiencia de cliente. A medida que se desarrolla el seguro basado en el uso – sea a través de dispositivos telemáticos postventa, aplicaciones de teléfonos inteligentes, vehículos conectados o incluso a partir de datos de hogares inteligentes- todos estos nuevos datos deben recopilarse, normalizarse y estandarizarse para que los consumidores puedan disfrutar de una experiencia de compra mejorada basada en sus necesidades y preferencias.
Un buen ejemplo de este tratamiento masivo de nuevos datos es la normalización de los datos de construcción del vehículo a través de técnicas de machine learning, lo cual permite, por ejemplo, fijar el precio del seguro de acuerdo a las características de seguridad del vehículo. Nuestra solución LexisNexis Vehicle Build permitirá consultar los sistemas ADAS que incorpora un vehículo en concreto. Y no solo identifica qué función ADAS está equipada en el vehículo, sino que mostrará el nivel de eficiencia con el que opera en cada marca de automóvil específica en comparación con otras marcas y otras características del vehículo. A través de esta nueva información las aseguradoras podrán ofrecer seguros mucho más personalizados de acuerdo a la mayor/menor seguridad que proporcionan esos sistemas ADAS.
En cuanto al uso de los algoritmos de machine learning, aportan también una mejor selección del riesgo que nos permite diseñar estrategias de pricing diferenciadas y más personalizadas. Uno de los ejemplos más claros de personalización son los seguros telemáticos donde los datos de conducción nos proporcionan una clara perspectiva del riesgo de esa persona al volante. De esta manera los conductores pueden beneficiarse de su conducta individual, en lugar de pagar primas basadas en comportamientos medios del resto de conductores. Aunque esta idea puede contravenir el espíritu de mutualizar el riesgo, propio de la industria, la tendencia es imparable y en un mercado tan competitivo aún más.
Quizás el factor más importante en cualquier debate sobre técnicas de inteligencia artificial, machine learning e inteligencia en el tratamiento de los datos, es ayudar a los consumidores a comprender cómo se usan sus datos y cómo pueden beneficiarse de ello. Parte de esto es la gestión transparente del consentimiento. Cada vez que un consumidor solicita un seguro, puede autorizar el uso de sus datos para proporcionar al asegurador la mejor información posible, de modo que pueda establecer una prima adecuada en función del riesgo. Es misión principal de la industria centrarse más que nunca en educar a los consumidores sobre cómo y para qué pueden utilizarse sus datos de una manera comprensible y manteniendo el control sobre estos.
