El Big Data y los métodos de análisis estadístico complejo han llamado enormemente la atención de todos los sectores.
Muchas empresas que no son digitales de origen, incluidas las aseguradoras han invertido significativamente en iniciativas de inteligencia artificial (AI) y análisis de datos desde que entendieron que esto sería un elemento clave para que el negocio afronte desafíos como el cambio de comportamiento del cliente, requisitos regulatorios, altos costos de mano de obra y una mayor competencia con las compañías emergentes de InsurTech.
En el sector de los seguros, la mayoría de las compañías adoptaron un modo de exploración inicial para comprender el valor de análisis de datos y la AI.
Durante esta etapa se analizan varios casos de uso a lo largo de toda la cadena de valor de los seguros, involucrando equipos recién formados y socios externos.
Hoy en día, muchas aseguradoras se enfrentan al desafío de explotar por completo los beneficios potenciales de las iniciativas de AI y análisis de datos. Por ejemplo, los sistemas de TI antiguos no se pueden adaptar con suficiente rapidez; adicionalmente, la calidad de los datos aún es baja en términos de integridad, fragmentación o gobernabilidad y no hay suficiente talento a la mano para dominar los modelos analíticos avanzados.
La industria de los seguros ha llegado a un punto en el que se requieren estrategias cuidadosas para profesionalizar las iniciativas de AI y análisis de datos, sin perder por completo la curiosidad y la agilidad de la fase exploratoria, que impulsen e impacten a toda la organización.
Por lo tanto, las aseguradoras deben comenzar a reflexionar sobre cómo utilizar los aprendizajes y prototipos obtenidos en los casos de uso iniciales para aprovechar plenamente los beneficios reales del Big Data y los métodos estadísticos avanzados.
Primero, se requieren estructuras organizacionales escalables. Esto se refiere tanto a una creciente división de responsabilidades como a un grado apropiado de descentralización de las actividades de análisis.
Segundo, cada compañía de seguros requiere un nivel mínimo de capacidades analíticas, ya sea para ejecutar proyectos analíticos internamente o, en el caso de una estrategia de subcontratación, para poder al menos coordinar eficazmente a los proveedores.
Tercero, los métodos deben fomentar el análisis científico de datos listos para la producción mediante el pensamiento de extremo a extremo a lo largo del ciclo del modelo de análisis. Muchas empresas solo se han centrado en el desarrollo de modelos durante su fase de exploración.
Cuarto, a todas las aseguradoras les interesará participar en la recolección y almacenamiento de datos e información relevantes. Para esto, se necesitan diferentes enfoques que permitan identificar e integrar de forma sistemática múltiples fuentes de datos.
Quinto, los procesos deben ser percibidos y adaptados de extremo a extremo. Las puntuaciones para la detección de fraudes obtenidas por la vía estadística deben integrarse en procesos (rediseñados) de automatización, revisión experta y seguimiento detallado de las decisiones relacionadas con el fraude para mejorar continuamente los modelos analíticos.
Por último, la cultura es un elemento clave de la transformación hacia la toma de decisiones impulsada por el conocimiento de datos. Una de las medidas podría ser una estrategia de comunicación, por una parte, y datos explícitos y objetivos relacionados con el análisis, por otra, para intensificar la exposición a estos novedosos temas de alto valor estratégico.