October 14, 2019

Please reload

Entradas recientes
Entradas destacadas

Nuevas tecnologías aplicadas al derecho de seguro Big Data y Data Mining(*)

Sumario: 1- Introducción. 2- ¿Qué es Big Data? 3- ¿Qué es Data mining? 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 Business Intelligence también y esto las convierte en herramientas fundamentales para generar más negocios rentables a través del uso de datos

 

  1. ¿Qué 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- ¿Qué es Data mining?

 

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 ¿por qué 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, ¿por qué 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 Nº 25246, 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 sometido 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 encuentren actualizadas para todos los casos de juicios 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 preguntarán que tienen que ver las nuevas tecnologías con los recursos humanos, y la respuesta es que mucho.

Para empezar estas herramientas me permiten formular 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 varía, 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:

 

  • “Data Lake: Superando las limitaciones del Data Warehouse”, Publicado 23-04-2018, Power Data; blogpowerdata.es

  • “Data Management: La Gestión de Datos Eficaz”, Publicado 2018; guía gratuita, Power Data; blogpowerdata.es

  • https://www.argentina.gob.ar/superintendencia-de-seguros

  • http://servicios.infoleg.gob.ar/ Resolución 40512-E/2017

  • http://servicios.infoleg.gob.ar/ Ley 25.246

- “Estrategias definitivas de Big Data para el sector Seguros” Cuando la aseguradora va más allá del Business Intelligence punto 4. Costes y externalización de los litigios pag.6 (consultado el 03-03-2018).

 

  • “Data mining del seguro basado en el uso al Gran Hermano de la industria”-El cronista, edición online -13/07/2016 (consultado 03-03-2018).

 

- Data Mining aplicado al sector seguros, Jorge Rodriguez M. Publicación online, es.slideshare.net; el 23 de mayo de 2011

 

- “Data Mining” Practical Machine Learning Tools and Techniques, Cap. 1; de Ian H. Witten, Eibe Frank, second edition (2005), editorial Elsevier

 

 

 

 

 

 

 

(*) Ponencia presentada en el XVII Congreso Nacional de Derecho de Seguros. Mendoza, 2 al 4 de mayo de 2018. Organizadores: Colegio de Abogados y Procuradores de la Primera Circunscripción Judicial de Mendoza y de la Asociación Internacional de Derecho de Seguros, Rama Argentina (A.I.D.A.)

 

(**) Abogada (Daños Materiales, Caja de Ahorro y Seguros S.A.) Profesorado en Ciencias Jurídicas (En Curso) UBA (Universidad de la Ciudad de Buenos Aires).

Citar: elDial.com - DC2528 
 

Share on Facebook
Share on Twitter
Please reload

Síguenos
Please reload

Archivo
  • Facebook Basic Square
  • Twitter Basic Square
  • Google+ Basic Square
This site was designed with the
.com
website builder. Create your website today.
Start Now