A fondo: Así ayuda el Machine Learning al sector seguros

La transformación digital es una necesidad que no distingue de empresas, actividades y sectores. Toda organización que quiera seguir existiendo dentro de unos años debe actuar ya. Debe reconocer los cambios que está sufriendo la sociedad. Debe comenzar a modernizar estrategias y aprovechar las ventajas que la tecnología ofrece a su negocio. También la industria de los seguros, que se enfrenta a la competencia y a unos clientes cada vez más exigentes. “El sector asegurador se enfrenta a cuatro grandes disruptores: a corto plazo, la transformación digital e internet de las cosas y, a largo plazo, Blockchain y Machine Learning”, según Antonio Martín Carrera, director de Administración, Estudios y TI en ICEA (siglas de Investigación Cooperativa entre Entidades Aseguradoras y Fondos de Pensiones), “siendo el Big Data, la ‘gasolina’ que alimenta a casi todos ellos”. Y estando todos ellos relacionados.

El Machine Learning, unido a la inteligencia artificial, “permitirá dar un paso adelante en la automatización de procesos en todas las actividades del sector”, indica Martín. Aunque es previsible que acabe teniendo “mayor incidencia en aquellos puestos correspondientes a las áreas de Administración y Operaciones. Esto redefinirá la ocupación de numerosos puestos de trabajo, reduciendo costes”, por ejemplo, pero también “mejorando el servicio”, dos “elementos clave actualmente, en un contexto con una competencia creciente entre las diferentes entidades y una mayor exigencia en lo referente a la relación costes vs. servicio”, determina desde dentro del sector asegurador este directivo de la asociación de compañías de seguros ICEA, en declaraciones a Silicon.es. A ojos de este organismo, el Machine Learning tiene potencial para “‘dirigir’ actividades hacia nuevos segmentos de clientes, ya que son muchas las que no se realizan a fecha de hoy por carecer de rentabilidad cuando existe intervención humana, como en cualquier industria”.

Ventajas: Tres áreas de actuación clave para el Machine Learning

¿En qué puede ayudar el Machine Learning a la industria de los seguros? ¿Cuáles son las principales ventajas que ofrece a este sector en concreto? Despeja la incógnita sobre beneficios y áreas de actuación Andrés González García, CTO y socio cofundador de CleverData, una empresa especializada en sacar valor a partir de los datos y en trabajar con Machine Learning, que cuenta con soluciones específicas para seguros. González, nos recuerda que “el sector de los seguros se ha valido tradicionalmente de los datos y de la matemática en sus áreas más críticas, por ejemplo a la hora de calcular las primas de riesgo de sus clientes. El enfoque estadístico es el que dota a esta industria de la capacidad de generar beneficios basándose en el riesgo de siniestro calculado de cada uno de sus clientes”, dice.

Partiendo de esta base, “la primera área donde el Machine Learning puede jugar un papel importante es precisamente en el cálculo de los riesgos de siniestralidad”, apunta el representante de CleverData. “Este nuevo enfoque disruptivo crea sistemas que aprenden de los datos y modelan el comportamiento y características de los clientes para establecer una prima de riesgo personalizada y adaptada a cada cliente. La principal ventaja de esta perspectiva radica en que se trata de sistemas dinámicos: el modelo se reentrena periódicamente y aprende automáticamente con el tiempo. A medida que el modelo se alimenta con nuevos datos, descubre nuevos comportamientos y patrones que permiten conocer mejor a los clientes y, en definitiva, mejorar el cálculo del riesgo asociado”.

“Una segunda área en la que tiene una aplicación directa es en el área comercial”, continúa Andrés González, ya que permite mejorar “la fidelización de los clientes. El Machine Learning evoluciona el tradicional análisis descriptivo a uno predictivo” y lo bueno es que “este último permite anticipar lo que va a suceder. En este sentido”, destaca este experto, “las técnicas de Machine Learning supervisado pueden identificar a los clientes que van a dar de baja una póliza antes de que el cliente se ponga en contacto con la entidad. Esta potencia predictiva mejora la capacidad de retención de los clientes, al permitir una evolución”. Se pasa “de una estrategia reactiva” que sólo aplica la contraoferta en el momento en el que alguien avisa de que quiere darse de baja “a una que mejora la capacidad de retención con nuevas estrategias proactivas que se adelantan a lo que sucederá y abren la puerta a nuevas estrategias comerciales más eficientes”.

“La tercera área”, sigue enumerando González, “está relacionada con las nuevas fuentes de datos que últimamente están evolucionando notablemente” gracias al internet de las cosas. “Los nuevos sensores incluidos, por ejemplo en los vehículos, abren un abanico de posibilidades que están empezando a vislumbrarse en los últimos tiempos. Ya hay compañías de seguros que ofrecen descuentos en la cuota a cambio de llevar en el coche un dispositivo que envía datos sobre los patrones de conducción”, relata el cofundador de CleverData, que especifica que “ésta es un área todavía muy incipiente a la que debemos prestar una atención especial ya que se juntan dos conceptos disruptivos: el Machine Learning y el IoT” o internet de las cosas.

“Las técnicas Machine Learning pueden ayudar al sector de seguros igual, o incluso más, que en muchos otros sectores”, opina Jesús Catalán, Pricing & Product Management Leader de Willis Towers Watson para España y Portugal, con quien también ha hablado Silicon.es. “Cualquier entorno en el que se capture información masiva es susceptible de beneficiarse de este tipo de técnicas u otras más ‘tradicionales’”, ahonda el ejecutivo de una firma que incluye en su oferta para aseguradoras un software de tarificación que recurre al Machine Learning. Jesús Catalán se acuerda de técnicas como las de “análisis multivariable, la más conocida de las cuales es la de los Modelos Lineales Generalizados” o GLM. “A partir de una gran cantidad de información, con este tipo de técnicas las aseguradoras pueden predecir comportamientos de los aseguradores, lo cual les posiciona en una situación ventajosa frente a aquellas que no lo hagan”.

El factor humano

Uno de los grandes beneficiados del Machine Learning aplicado a los seguros sería el propio cliente. Al anticipar su comportamiento y personalizar el trato, es posible mejorar la atención final que reciben. Andrés González García, de CleverData, considera que “la personalización de los servicios es sin duda uno de los ámbitos más interesantes del Machine Learning. El conocimiento de los clientes que se obtiene con la detección de patrones de comportamiento que proporciona el Machine Learning facilita el trato y la oferta de servicios individualizados”. Y “adelantarse a las necesidades de un cliente antes de que él mismo lo solicite no es baladí”, ya sea detectando posibles abandonos o prediciendo “la estrategia comercial más óptima para que un contacto se convierta en cliente”.

Eso sí, “en su estado de desarrollo actual y tal y como se está aplicando en la empresa, el Machine Learning no sustituye a los humanos”, descarta González, “sino que sirve como una potente herramienta que nos complementa para tomar mejores decisiones”. En el caso de los chatbots, que aprenden con ayuda del Machine Learning, estarían aún lejos de “sustituir a los humanos en el contacto directo”. Tanto el Machine Learning como “en general la inteligencia artificial están lejos de quitarnos puestos de trabajo”, insiste el CTO de CleverData. “Es cierto que hay sistemas basados en inteligencia artificial que son mejores que los humanos, pero son en tareas muy concretas, como por ejemplo jugando al ajedrez, al póker o al Alpha Go. Pero las tareas que requieren un nivel de interacción y abstracción más elevada todavía necesitan de mayor madurez para sustituir a los humanos”.

“En este contexto creo que hay que escuchar a Roy Amara”, resuelve Andrés González, que cita al investigador estadounidense advirtiendo que “sobrevaloramos lo que la tecnología hará a corto plazo, y menospreciamos lo que hará a largo plazo”. El futuro será distinto. Los efectos podrían ir agrandándose. Pero el cambio no es instantáneo. En este sentido se pronuncia Jesús Catalán, de Willis Towers Watson, que defiende que “el ‘contacto entre humanos’ siempre es importante, pero actualmente nos encontramos ante una revolución tecnológica de tal magnitud, que es necesario incorporar ‘máquinas’ capaces de obtener conclusiones inmediatas a partir de gran cantidad de información. Con este tipo de técnicas de análisis complementario”, observa, “puede conocerse lo que realmente interesa al asegurado o qué nivel de riesgo representa y así poder captarle con mayor éxito o a un precio adecuado”.

Para Catalán, “el juicio experto de las personas con la experiencia apropiada es muy importante. Por tanto, a pesar de que estas técnicas indudablemente ayuden a la toma de decisiones, hay que tratar de interpretarlas de un modo adecuado para utilizar sus conclusiones con éxito”. En la actualidad, la temida destrucción de empleos por parte de las máquinas y la evolución tecnológica no sería tan crítica. De hecho, “a corto plazo se generan más empleos puesto que se precisa mantener todos los sistemas vigentes en la actualidad y, adicionalmente, desarrollar nuevos puestos de trabajo y funciones que serán las que dominen los ‘sistemas del futuro’”, comenta sobre la rivalidad máquina-humano Antonio Martín Carrera, de ICEA. El cambio laboral “comenzará a ser significativo a partir del 2020”, de acuerdo con Martín Carrera.

“A más largo plazo sí parece claro”, prevé este profesional, “que se redefinirán numerosas ocupaciones y se producirá una reducción en la mano de obra necesaria para abordar determinadas funciones o procesos, como ha sucedido con todos los cambios tecnológicos vividos hasta la fecha, donde el Machine Learning es un paso más”. Andrés González García anima a abrir a la sociedad el debate sobre qué ocurrirá con los puestos de trabajo. ¿Se perderán? ¿Es algo inevitable? ¿Hay que recolocar empleados? ¿Ya mismo? El debate es necesario “no sólo por el Machine Learning sino por las capacidades de automatización de tareas que va a proporcionar la robótica. Es un interesante y necesario debate que ya se ha producido en otras revoluciones. Quien tuviera un negocio de caballos de transporte en el siglo XIX lo tuvo que pasar bastante mal cuando apareció la locomotora a vapor”, compara González. Y ahora aún hay “margen para tomar las mejores decisiones”.

¿Qué hay que saber para introducir el Machine Learning en una aseguradora?

¿Qué es lo que tiene que saber una aseguradora antes de implementar técnicas de Machine Learning? ¿Cuáles son los factores de adopción más importantes? ¿Y los desafíos que tendrá que sortear? “La introducción de Machine Learning en las compañías aseguradoras está íntimamente ligada con la estrategia de transformación digital y de adopción del internet de las cosas que siga cada entidad. Este aspecto es un desafío” en sí mismo “para el sector asegurador por la diversidad tecnológica reinante”, evalúa Antonio Martín Carrera. “Dicha diversidad hace que el nivel de complejidad sea más elevado, así como sus costes y, por tanto, el riesgo de cualquier proyecto si lo comparamos con otros sectores con una diversidad tecnológica mucho menor”, determina el directivo de ICEA. “Cuando a este cóctel le agregamos la cultura de cada entidad, aparece un escenario extraordinariamente ‘complicado’”.

Mientras el componente tecnológico “eleva el ‘listón’ como mínimo, por el lado económico”, otras cuestiones como las “legales o de adaptación” acaban pasando “a un plano menos relevante”, de acuerdo con Martín Carrera, que tiene en cuenta otros desafíos como aquellos que se derivan de la propia transformación digital y el tener que explotar cantidades de información masivas. En ICEA ven “las capacidades desarrolladas en torno al Big Data” como “un aspecto crítico para desarrollar Machine Learning en cualquier industria. Si bien la aseguradora depende aún más de dichas capacidades ya que hasta el desarrollo de productos y el precio dependerá de ello”, subraya Antonio Martín. La información “es crucial, pues es la base para predecir comportamientos futuros a partir de los históricos”, concuerda el líder de gestión de productos y precios de Willis Towers Watson.

“Hoy en día, con las ingentes fuentes de datos disponibles”, argumenta Jesús Catalán, “es esencial disponer de una capacidad de tratamiento adecuada de las mismas para extraer la parte realmente relevante, que en ocasiones es muy pequeña pero muy importante, y hacerlo de un modo eficiente y seguro”. Lo que aconseja Willis Towers Watson es, “en primer lugar, utilizar mejor la información interna disponible, a continuación la externa de fácil acceso. Después, información externa más innovadora y, por último y si es posible, otra información como por ejemplo, el clickstream” o la “ruta de internet que un potencial cliente ha seguido hasta solicitar un precio de un seguro”. Pero también “los datos telemáticos sobre la conducción de un asegurado, capturados por un dispositivo instalado en su vehículo o datos extraídos de las redes sociales”. Sea como fuere, “hay que adaptarse a la nueva situación”.

En CleverData señalan como mayor desafío “el cultural. El Machine Learning es una tecnología disruptiva que exige, por un lado, un nuevo enfoque en las empresas que ya manejan datos”, declara Andrés González García. “Por otro lado, aquellas compañías que no tienen la tradición de trabajar con datos tienen dificultades para poner el dato en el centro de la estrategia de la empresa”, contrasta González. “La cultura del dato es todavía muy inmadura”. Y lo cierto es que “convertirse en una empresa que se basa en los datos para conseguir los objetivos de negocio (las llamadas data driven companies) no se hace ni mucho menos de un día para otro. La transición a esta nueva cultura debe estar impulsada desde las instancias más altas de la empresa. De otra forma, la cultura de las decisiones basadas en datos tiene dificultades en desarrollarse”, reflexiona este CTO.

“Además de ese desafío, el mayor riesgo que detectamos es que las empresas no vean el atractivo de invertir en el Machine Learning por ser una tecnología que está en pleno desarrollo, sin advertir que ya hay aplicaciones que pueden mejorar sus negocios. Actualmente ya se pueden implementar sistemas basados en Machine Learning que usan las empresas más grandes, como Google, Twitter o Spotify con unos costes muy reducidos”, cuenta el socio cofundador de CleverData. En cualquier caso, hoy por hoy “notamos cierta ‘alergia’ en las empresas a lo relacionado con el Big Data, seguramente por lo manido del término”, sopesa Andrés González. “Nuestro enfoque se basa en que para usar Machine Learning no es necesario disponer de ingentes cantidades de datos. Es mejor tener pocos datos pero de calidad, que muchísimos datos que no aportan valor”, plantea González García.

“No, no es necesario tener un Big Data. Mejor tener un Small Data o, si es posible, Clever Data”, aconseja un experto en el tema que garantiza que “la apuesta por el Machine Learning está hoy en día al alcance de empresas de todos los tamaños y de todos los sectores”. Eso sí, “cuando se habla de Machine Learning, conviene matizar que abarca un amplio abanico de técnicas las cuales pueden ser muy apropiadas para ciertos análisis, pero no para otros”, aclara Jesús Catalán. “Además, desde Willis Towers Watson, pensamos que lo ideal es que estas técnicas sean aplicadas de modo complementario a otras como los famosos GLMs, que han demostrado una alta capacidad predictiva desde hace años”. Catalán sugiere que “se darán situaciones en las que Machine Learning arroje conclusiones altamente predictivas pero de difícil interpretación y en las que otras técnicas ayuden, precisamente, a una interpretación adecuada”.

Así se vive en España

En España, ¿son muchas las compañías aseguradoras que están sacando valor al fenómeno tecnológico del Machine Learning? El director de Administración, Estudios y TI en ICEA, Antonio Martín, confirma que “son numerosas las entidades que contemplan el desarrollo del Machine Learning en sus planes a medio plazo y están realizando ya pruebas de concepto con un alcance relativamente limitado”. Esto es, “como parte del proceso de aprendizaje y cambio de cultura que les permita valorar con mayor precisión la envergadura de un proyecto de estas características” e “incorporar pequeñas ventajas a los procesos de los que tienen operativos”. “En general, las compañías aseguradoras están todavía basando sus estudios en análisis tradicionales de datos. Pero también hay otras”, corrobora Andrés González, CTO y socio cofundador de CleverData, “que están apostando por el Machine Learning y están empezando a hacer aplicaciones muy interesantes que van directamente al corazón de su negocio y con muy buenos resultados”.

El Pricing & Product Management Leader de Willis Towers Watson para España y Portugal, Jesús Catalán, recuerda que “muchas compañías aseguradoras utilizan desde hace años técnicas de modelización predictiva” en los “departamentos técnicos”. Otras, “sobre todo en determinadas áreas más relacionadas con el marketing, han utilizado desde hace tiempo técnicas tipo Machine Learning. Y cada vez más compañías están considerando la posibilidad de utilizarlas de manera complementaria a otras técnicas para disponer de la mayor capacidad predictiva del comportamiento y necesidades de los clientes y captarlos más y mejor”. Tal y como reflexiona Andrés González, “el Machine Learning ha llegado para quedarse. Quien primero lo aproveche encontrará ventajas competitivas que le hará crecer en la nueva era de los datos. Y mejor hacerlo antes que la competencia”.