CONGRESO DERECHO DE SEGURO
Ponencia
“Nuevas Tecnologías aplicadas al derecho de seguro Big Data y Data Mining”
La utilización de las nuevas tecnologías y sus beneficios en
materia de seguros
Por Lorena Villagra
Sumario: 1-Introducción. 2-Que es Big Data? 3-Que es Data
minig? 4- Ente regulador Sujetos Obligados, legislación vigente
5-Usos y aplicaciones del Big Data y Data Mining en materia de
seguros 6-Data mining: algoritmos de detención de fraude 7-Big
Data, data mining y recursos humanos 8-Ponencia.
1- Introducción: Big Data y Data Mining
En estos últimos años las compañías de seguros han atravesado
muchos cambios no solo a nivel normativo sino también
tecnológico obligándonos a quebrar con una vieja estructura para
permitir un cambio de paradigma en pos de adaptarse a las
exigencias del mercado, han cambiado no solo la legislación sino
también el entorno que nos rodea en el cual nuestros clientes se
han vuelto más selectivos, más tecnológicos y por excelencia
exigentes, lo cual nos obliga a mejorar nuestra competitividad a
través de un análisis de rentabilidad para incorporar nuevas
tecnologías que nos permitan no solo analizar datos, sino detectar
y extraer información valiosa que nos permita prevenir ciertas
conductas de los usuarios de seguros.
El Big Data y Data Mining son herramientas que en el mundo de
los negocios tienen gran relevancia en la actualidad; seguramente
han escuchado hablar de ellas y del Businnes Intelligence también
y esto las convierte en herramientas fundamentales para generar
más negocios rentables a través del uso de datos
2-Que es Big Data?
Cuando hablamos de Big Data nos referimos a conjuntos de datos
o combinaciones de conjuntos de datos cuyo tamaño (volumen),
complejidad (variabilidad) y velocidad de crecimiento
(velocidad) dificultan su captura, gestión, procesamiento o
análisis mediante tecnologías y herramientas convencionales. ¿A
qué datos nos referimos? ¿Cualquier dato es valioso? Para que los
datos se consideren Big Data deben cumplir cuatro requisitos
fundamentales y estos son: ser un gran volumen de datos,
velocidad, variedad y veracidad. En nuestro cotidiano generamos
datos constantemente, tan solo con trasportar nuestro celular en el
bolsillo estamos emitiendo señales de localización, cuando damos
“me gusta” a alguna página de redes sociales o cuando miramos
un avance de alguna película estamos generando datos, luego
estos datos recopilados se derivan a un software (Handoop) que
procesa dichos datos y nos muestra estos datos traducidos en
información para la toma de decisiones en nuestro negocio
Como mencionamos anteriormente, Big Data debe reunir cuatro
requisitos y vamos a detenernos en cada uno de ellos para explicar
porque es importante esta herramienta en el ámbito del seguro.
-El gran volumen de datos: Big Data maneja una cantidad de
datos por ejemplo si lo llevamos a nuestro campo podemos saber
cuántos clientes tenemos, desde que año son clientes, cuantos
autos aseguraron desde que contrataron la póliza por primera vez
hasta la actualidad, etc.
-Velocidad: las pólizas y los siniestros, las primeras se emiten a
la misma velocidad que se producen los segundos, un pago de
prima fuera de término o el incumplimiento de tal genera
automáticamente responsabilidades.
-Variedad: nuestros clientes han cambiado con el correr de los
años al introducirse la tecnología como una fuente esencial de
recursos en sus vidas y cada vez son más los canales en los que
nuestros clientes tienen participación a través de redes sociales,
canales de videos, almacenamiento de sus datos en la nube, entre
otros.
-Veracidad: a través del uso de redes sociales nuestros clientes
comentan su conformidad o desacuerdo respecto a temas
sensibles, aunque no siempre podemos tener la total certeza de
que estos datos sean veraces.
3- Que es Data minig?
La minería de datos, es una herramienta la cual nos proporciona
no solo un muestreo de datos como lo hacía el Big Data la cual
deviene en información sino más bien utiliza Estadística ,
Inteligencia Artificial, algoritmos, matemáticas y otras
disciplinas para presentar dos modelos de extracción de datos uno
es el descriptivo ya que hace una exploración en busca de nuevos
datos y el otro modelo que ofrece el Data Mining es el predictivo
o llamado comúnmente “aprendizaje supervisado” tomo datos
determinados es decir, necesito delimitar un patrón de búsqueda
para aplicar basado en la experiencia anterior para poder
determinar cuál es la probabilidad de que suceda el patrón
esperado. Todos estos datos extraídos nos permiten descubrir
información desconocida y valiosa acerca de nuestros clientes e
importante a la hora de tomar decisiones
Este no es un Congreso de Ingeniería Informática ni de Marketing
y aún no hemos respondido la pregunta ¿porque nos interesa el
empleo del Big Data y Data Mining en nuestro campo del
Derecho de Seguros? Vamos a hablar un poco acerca de su
empleo como herramienta necesaria para el negocio.
4-Usos y aplicaciones del Big Data y Data Mining en materia
de seguros
La respuesta es muy sencilla, las nuevas tecnologías como el Big
Data y el Data Mining nos permiten combatir males asociados a
nuestra actividad, como por ejemplo: fraude en siniestros,
prevención en siniestros mediante la detección temprana de
comportamientos inusuales en nuestros clientes, el lavado de
activos y financiación del terrorismo entre otros.
5- Sujetos Obligados, legislación y ente regulador
Las compañías de seguros desarrollan su actividad supeditados a
un considerable número de leyes, reglamentaciones, decretos y
resoluciones.
Es menester por tal motivo supervisar todas las decisiones que
toma la compañía y ser en cierta medida un agente de control ante
las situaciones emergentes propias de la actividad desarrollada,
porque decimos esto? Porque todas las compañías son sujetos
obligados, por lo tanto deben hacer frente a varias cuestiones a la
vez, por un lado se rige por la ley de seguros Nº 17.418, por otro
lado la regula el SSN con sus decretos-ley y para finalizar
atraviesa un conflicto de intereses propio del reordenamiento
jurídico sobreviniente por la unificación del actual código civil y
comercial de la nación y la reforma de la ley de defensa al
consumidor, lo cual dificulta aún más el panorama existente en
materia de siniestros con la modificación de la prescripción de 2
a 3 años.
Vamos a dar ciertos ejemplos los que a la luz de todo lo expuesto
nos brindará un sustento de los temas desarrollados sobre las
nuevas tecnologías:
Comencemos por las obligaciones como sujeto obligado que nos
impone la SSN y la UIF en materia de prevención de lavado de
activos y financiación del terrorismo ley Nº25246, a través de Big
Data y Data Mining logramos obtener información y conocer
datos a la vez también detectar si nuestros clientes están
realizando algún tipo de maniobra inusual, ya sea compra de
vehículos de alta gama adquiridos a través de fondos que no están
debidamente justificados sobre cuál es su procedencia u origen y
denuncias de siniestros por DT o robo, entre otras acciones de
fraude. Cualquiera de estas situaciones detectada a tiempo y
remitida dicha información a la UIF exonera a la compañía de
eventuales multas a que podría verse sometidos al no detectar
dichos eventos y contrarrestar así las pérdidas que arrogan este
tipo de situaciones.
De cara a la reforma de nuestro código civil y comercial y la
extensión del plazo de prescripción a 3 años nos ubica en un
panorama no menos que desfavorable sumada la Resolución
dictada por la SSN 40512/17 en la cual se exige a las compañías
que sus reservas se encuentran actualizadas para todos los casos
de juicios que se encuentran en estado pendiente. La prevención
es la mejor manera de combatir el fraude en siniestros aquí el data
mining entra en escena y se manifiesta brindando no solo datos
predictivos sobre cuándo, como, donde y porque un asegurado o
potencial cliente puede tener tendencia a cometer fraude podemos
decir que en base a la extracción de todos esos elementos
podremos evaluar la prima adecuada en función al riesgo
asegurado o por asegurar.
6-Data mining: algoritmos de detección de fraude
La identificación temprana del fraude a nivel de aplicación, ayuda
a las compañías de seguros a reducir el número de denuncias por
fraude y evitar grandes pérdidas.
Podemos emplear un sistema de clasificación que permita
identificar a solicitantes de alto riesgo de dos formas diferentes:
Aplicando modelos analíticos para construir un perfil de riesgo
asociado a una identidad, creando un scoring basado en el riesgo
que predice la probabilidad de fraude de una solicitud y su posible
pérdida ocasionada.
En base a esta categorización, se puede confeccionar un protocolo
de actuación ante este tipo de clientes, que incluya un estudio
mucho más riguroso y completo. Este procedimiento permite
identificar de forma temprana las solicitudes potencialmente
fraudulentas a nivel operativo, teniendo como consecuencia la
reducción de pérdidas potenciales y reportando resultados
altamente efectivos en cuanto a la: Gestión del riesgo en base a
pautas de la dirección, gestión de solicitudes basadas en su riesgo.
Cualquiera que sea la estrategia que se decida aplicar, es
fundamental planificar la monitorización del riesgo, tanto en base
a perfiles, como en lo referente a solicitudes, para comprobar que
se mantienen los niveles que se consideran aceptables y no se
pierde alineación.
7-Big Data , data mining y recursos humanos
Aquí se preguntaran que tienen que ver las nuevas tecnologías
con los recursos humanos y la respuesta es que mucho.
Para empezar estas herramientas me permiten formularme
diversas preguntas y en base a los datos obtenidos traducidos en
información o en base a los datos extraídos determinar un patrón
singular que me va a permitir por ejemplo predecir que
probabilidad tengo de que un reclamo pueda derivar en un juicio,
si por la entidad del reclamo es necesario que intervenga un
estudio jurídico externo con amplia experiencia en el rubro o si el
reclamo es de menor cuantía por ejemplo, un reclamo
extrajudicial solo por daños materiales o recupero de otras
compañías entre otros y puede ser llevado directamente por un
letrado interno de la compañía. De esa manera estamos trazando
un plan de acción en función al riesgo que nos representa cada
siniestro cuan rentable es que actuemos representados por un
estudio externo si el reclamo es de gran envergadura o por
nuestros propios recursos humanos internos.
8- Ponencia
En sintonía con todo lo expresado en la presente ponencia,
considero que en virtud del avance significativo y constante que
ha tenido la implementación de nuevas tecnologías en el mercado
del seguro; sin lugar a dudas estamos frente a un nuevo desafío
que debemos afrontar. ¿De qué manera? Perfeccionándonos en
materia de recolección de datos, herramienta la cual nos permita
conocer, seleccionar y testear las distintas preferencias a la hora
de definir como es nuestro potencial cliente, cuales son sus puntos
fuertes y sus debilidades, estas nuevas tecnologías representan
hoy más que nunca para nosotros un recurso, una fuente, una
garantía a largo plazo de las metas trazadas ligadas al corazón del
seguro que es el riesgo.
La tecnología atraviesa hoy en día todos los ámbitos profesionales
y es un soporte para agilizar la labor diaria proveernos de material
rico en información y alcanzar estándares ideales de resolución a
las metas fijadas. Así entonces, llegamos a la idea de que un
seguro es adecuado a un determinado riesgo si los datos previos
obtenidos así lo indican, también es dable soslayar en qué casos
será conveniente disminuir o aumentar la prima si el riesgo varia,
situación habitual que se da a menudo cuando nuestros
asegurados cambian de trabajo, de actividad o simplemente se
mudan, ese cambio de rutina nos da un alerta sobre cuáles son las
probabilidades de que un riesgo nuevo vaya a aumentar o a
disminuir. Por esa razón el uso de data big data y data mining
favorece la correcta interpretación de esta nueva situación.
Podemos decir en pocas palabras que la tecnología en materia de
seguros ha venido a quedarse y hoy por hoy ocupa un lugar
central. Dada su alta fidelidad para brindar rapidez, evolución y
productividad es sin dudas un aliado a la hora de seleccionar,
definir y delinear que producto queremos y a quien queremos
dirigirlo. Zanjando también otras barreras del pasado a la hora de
afrontar reclamos extrajudiciales, judiciales, contractuales y
extracontractuales. Los cuales se volvían tediosos por la
dificultad de sistematizar los recursos para satisfacer la demanda
y evitarnos juicios sobrevinientes como desenlace de una larga
gestión que parecía interminable, sumados los altos costos que
soportan las compañías si un reclamo no logra un acuerdo
extrajudicial temprano.
Por último, debemos decir que big data y data mining son parte
de un sinnúmero de oportunidades para evitar el fraude en
siniestros, uno de los mayores perjuicios que día a día sufrimos
las compañías y que socavan no solo el patrimonio de la empresa
sino también su liquidez y es aquí donde hacemos hincapié
mencionando a los ya conocidos “actores” que forman esa masa
numerosa a la que deberíamos llamar “industria del siniestro”
donde no hay más que puntos oscuros y que conforman una
verdadera organización con fines de dudosa procedencia los
cuales atentan contra las aseguradoras a riesgo de padecer como
le ha sucedido a varias compañías en estos últimos años en los
cuales la SSN retira a las compañías el permiso para seguir
operando.
Para finalizar, quiero compartir una máxima del Derecho Civil:
“quien paga mal, paga dos veces”
Este principio general del Derecho Romano nos propone una
profunda reflexión ante este camino que estamos transitando las
aseguradoras con la introducción de nuevas tecnologías aplicadas
al derecho del seguro abriendo paso a la prevención del mayor de
los riesgos que afrontamos; el fraude.
Fuentes:
-http://cdn2.hubspot.net/hub/239039/file-1958725915-
pdf/docs/PWD_-_Ebook_-_Seguros_Big_Data-_9_estrategias_-
FINAL_v1.pdf
-http://cdn2.hubspot.net/hub/239039/file-1958725915-
pdf/docs/PWD_-_Ebook_-_Seguros_Big_Data-_9_estrategias_-
FINAL_v1.pdf
- https://www.cronista.com/seguros/Data-mining-del-seguro-
basado-en-el-uso-al-Gran-Hermano-de-la-industria-20160713-
0002.html
-https://image.slidesharecdn.com/dmaplicacionessectorseguros-
110523192751-phpapp01/95/data-mining-aplicado-al-sector-
seguros-9-1024.jpg?cb=1306356429
-
http://cs.uns.edu.ar/~cic/dm2009/downloads/transparencias/01_
dm%20(intro).pdf