La tecnología o la experiencia de cliente son algunos de los factores que más peso están adquiriendo en la evolución que vive el sector Seguros. Así, en los últimos años estamos observando un interés cada vez mayor en la ciencia de datos y aplicaciones de machine learning de las compañías aseguradoras. Pero, este interés también lleva consigo un mayor riesgo de interpretaciones erróneas o de que se realice un uso inapropiado de ellas. 

¿De dónde pueden venir estos riesgos? Existen ciertas suposiciones equivocadas, como pensar que un modelo analítico sofisticado nos va a proporcionar mejores resultados que otro más básico, cuando la realidad es que la calidad de los datos puede ser aún más decisiva que el modelo en sí. Este tipo de suposiciones nos pueden llevar a tomar decisiones erróneas, especialmente cuando recurrimos a métodos sofisticados como el machine learning. 

¿Sabes cuáles son algunas de las trampas en las que han caído las compañías del sector Seguros en relación con el aprendizaje automático? 

Pensar que el big data y la analítica avanzada resolverían todos sus problemas

La analítica es muy útil para obtener insights sobre una organización, pero para aprovechar al máximo su potencial es necesario prestar atención primero a la gestión de los datos, garantizando el acceso e integración de todos los tipos y fuentes de datos apropiados, que éstos pasan por una fase de limpieza y que la información está actualizada. 

Si esto no se produce es más probable encontrarse con algunos de los problemas básicos de la analítica, como falsos positivos fruto de la casualidad, puntos ciegos en los datos causados por sesgos escondidos o incluso confundir correlación con causalidad. 

Confiar demasiado en los datos observacionales 

Avances en tecnología como los dispositivos inteligentes o la telemática y la disponibilidad de almacenamiento de big data relativamente barato, junto al deseo de inyectar más ciencia de datos en decisiones de negocio, han llevado a que las organizaciones estén prácticamente inundadas de datos observacionales. Pero una alta disponibilidad de datos puede no ser tan positiva, ya que en realidad estamos enfrentándonos a datos no aleatorios que reflejan las decisiones históricas y las condiciones económicas que había cuando se recogieron estos datos, lo que nos puede llevar a conclusiones erróneas.  

Es aconsejable buscar algo de forma deliberada cuando se utiliza una técnica potente como el machine learning. En este sentido, es preferible usar los datos observacionales para descubrir ideas potencialmente poderosas y confirmar esas hipótesis con pruebas AB o multivariantes para separar los hechos de la ficción. 

Ignorar barreras existentes o problemas internos de la compañía 

Algunos proyectos de inteligencia artificial o machine learning no consiguen los resultados esperados. Las razones pueden ser diversas: desde problemas con la integridad de los datos y la infraestructura, falta de unidad en la organización, hasta el reto que supone poner los modelos en producción.   

Antes de poner en marcha un proyecto de machine learnig, hay que analizar qué personas y divisiones de la organización son necesarias para conseguir su éxito y prepararse para la oposición también. Hay que tener en cuenta que, si una empresa aún está luchando para implementar soluciones simples de ciencia de datos, disponer de mejores algoritmos y de machine learning no será la solución. 

Dejarse llevar por palabras de moda 

Conforme las matemáticas, la computación y la analítica de datos siguen evolucionando, empiezan a surgir nuevas palabras de moda, que dan un nombre más atractivo a un concepto ya existente.  

Hay que tener cuidado con las personas que solo se refieren a palabras de moda y hacen promesas vacías y protegerse mediante la formación, profundizando en temas como la ciencia de datos aplicada, ya que los conocimientos ayudan a tener un criterio fundamentado. 

Pensar que una formación adecuada no es necesaria

Para crear buenos modelos los científicos de datos necesitan un conocimiento sólido de los fundamentos y las reglas matemáticas, algo que solo se consigue con una formación adecuada. 

Podríamos poner aquí el ejemplo de un “citizen data scientist” que se encuentra con data sets y estimaciones muy grandes con un modelo con niveles de confianza muy bajos y que, dado el tamaño de la muestra y la precisión de las estimaciones, puede caer en la trampa de ignorar una ley básica de la modelización. Hay que tener siempre presente que la ciencia de datos no es magia, sino que se basa fundamentalmente en reglas matemáticas. 

Demostrar un exceso de confianza 

No hay que tener miedo de compartir y tomar decisiones en base a lo que se conoce, pero es importante también reconocer lo que no se sabe. Las personas y organizaciones con más éxito cuestionan, miden y reevalúan de forma rutinaria. No tienen miedo de cambiar lo que no funciona o lo que debe evolucionar con el paso del tiempo. Estar abierto a las críticas y a los retos es el mejor camino hacia el éxito. 

En SAS ya hemos ayudado a organizaciones aseguradoras líderes , como Santalucía, o Caser Seguros, a resolver algunos de sus retos mediante la analítica avanzada. 

¿Quieres conocer nuestras soluciones para el sector Seguros?