Durante los últimos 3-4 años hemos visto emerger startups de análisis de datos en todas las industrias, incluido el sector asegurador. Poco a poco se han ido originando departamentos de análisis de datos, así como se han recibido inversiones por lo que ya no tenemos ninguna duda del poder de los datos. Así mismo, la calidad y el origen de los datos son los aspectos más básicos a tener en cuenta cuando se trabaja con conjuntos de datos. Necesitamos que estos dos factores estén claros antes de añadir cualquier otra complejidad. Para las aseguradoras, los datos se dividen en dos: internos y externos. Este post hablaremos del poder de los datos externos (Open Data) y en cómo estos pueden ayudar a mejorar el ratio de siniestralidad de las aseguradoras gracias a su calidad.

¿Qué son los datos abiertos (Open Data)?

En el ámbito de los seguros comerciales, los datos abiertos son aquellos que se refieren a la información que se puede encontrar públicamente en cualquier sitio web o fuente relacionados con nuestros clientes comerciales.

Open data que es

Desde horarios hasta el número de empleados. Los datos externos no sólo incluyen información relacionada con nuestras normas de suscripción actuales, sino que también ofrecen una visión que va más allá.

¿Qué tipo de Open Data puede utilizarse para mejorar el índice de siniestralidad?

Datos tradicionales y datos nuevos.

  • Datos tradicionales: puntos de datos que también se utilizan actualmente en los modelos actuariales y de precios.
  • Nuevos datos: opiniones online, reputación online, riesgo de gestión, etc. Los nuevos tipos de puntos de datos también están relacionados con el riesgo del negocio pero no están siendo considerados actualmente por muchas aseguradoras.
Ejemplo tipo de datos

¿Cómo se pueden mejorar los datos tradicionales?

Antes de comenzar a construir modelos complejos, hay que mejorar los procesos actuales. Según Accenture, entre el 15% y el 20% de los datos clave que las aseguradoras recogen a través de corredores y agentes son erróneos. La experiencia de Wenalyze es que esta cifra es entre un 15% y un 35% mayor cuando se trata de PYMES. Por tanto, muchos de nuestros actuales clientes pueden estar asegurados con una prima que no se ajusta a su ratio de riesgo real. Open Data puede ayudar a solucionar este problema. ¿Cómo? Recogiendo datos actualizados y sustituyendo los actuales datos erróneos.

De un modo u otro, se pueden encontrar datos online de una gran cantidad de empresas. Como muchas de ellas quieren que sus potenciales clientes las encuentren con facilidad, la información que publican se mantiene actualizada. También se pueden encontrar datos en registros públicos con información oficial y actualizada. E incluso sus clientes a través de sus opiniones pueden confirmar si los datos que proporcionan son fiables o no. Por ejemplo, eso de “esta tienda ya no está aquí” lo hemos leído muchas veces.

Open Data puede incluir el mismo tipo de datos que necesitan las aseguradoras: nombre, dirección, número de empleados y actividad empresarial.

¿Cómo pueden las aseguradoras aplicar los nuevos datos?

Una vez que nuestros datos actuales han aumentado su calidad, podemos empezar con la parte compleja. Los nuevos datos pueden estar relacionados con el riesgo del negocio. Los gestores actuariales y gestores de precios tendrán que confirmarlo antes de implementarlo en sus modelos. Para explicar esta parte, os desvelaremos uno de los secretos de Wenalyze:

El sistema Wenalyze construye indicadores de riesgo que ayudan a clasificar las empresas por niveles de riesgo. Por ejemplo, obtenemos una puntuación para un indicador llamado Opiniones en línea. Algunos de los aspectos que contiene este indicador son: fecha de la opinión (reciente vs. antigua), tasa de la opinión (buena vs. mala), fuente de la opinión (Google vs. Yelp), palabras clave identificadas (“horrible” vs. “impresionante”), autor de la opinión (verificado vs. no verificado), y hasta 14 puntos de datos más se unen para dar un valor de 0 a 10 al indicador de riesgo

Además de las opiniones en línea, muchos otros indicadores son procesados por el aprendizaje automático (Machine Learning), que, haciendo su magia, encuentra qué indicadores de riesgo están correlacionados con los niveles de propensión a sufrir un siniestro.

Las aseguradoras con las que trabajamos han comprobado que añadir este tipo de datos en sus modelos de fijación de precios les permite aumentar la precisión con la que pueden predecir un siniestro y, por tanto, mejorar la selección de riesgos.

No alt text provided for this image

Conclusión y resultados

Gracias al Open Data se puede mejorar la calidad de los datos actuales y permitir a las aseguradoras suscribir con mayor precisión. Añadir a los modelos de fijación de precios estos indicadores nuevos relacionados con el riesgo, aumentará la precisión de los modelos de predicción de siniestros de las aseguradoras. Con una mayor predicción de siniestros, las primas ofrecidas tanto a los clientes actuales como a los nuevos pueden ajustarse para mejorar el equilibrio de la cartera de siniestros.

Aplicando estos métodos, hemos experimentado una mejora del 3% en el ratio de siniestralidad de una cartera de una aseguradora comercial y este aún puede ser más alto. Desde un punto de vista competitivo, una mejor selección del riesgo permitirá a las aseguradoras que adopten estas tecnologías suscribir mejores riesgos, mientras que sus competidores, en caso de no contar con este tipo de soluciones, estarán aceptando peores riesgos al ignorarlo.

Entradas recomendadas