La simulación de daños o perjuicios con el objetivo de obtener compensaciones es un problema cada vez más acuciante para muchas compañías de seguros. Un análisis realizado por NovaQuality, consultora especializada en analítica y gobierno de datos, estima que el fraude en la reclamación de las pólizas supone en torno al 4,5% de las primas facturadas por las aseguradoras europeas.
Las reglas, procedimientos y valoraciones previas implantados por estas compañías para prevenir el fraude, antes de incurrir en los costes de reparación o compensación, tienen la deficiencia de que no permiten disponer de forma anticipada de una ratio o probabilidad de fraude. Esto permitiría actuar antes de la aceptación del siniestro, de una forma más pormenorizada en la revisión y gestión del daño declarado y sus causas.
Sin embargo, la inteligencia artificial y el machine learning pueden mejorar la identificación de los casos de fraude gracias a su capacidad para analizar un número muy alto de variables. “Su empleo combinado a través de algoritmos detecta complejos patrones y relaciones con las que identificar y gestionar el fraude con mayor antelación”, asegura Pedro Herrera Nachón, socio fundador y director general de Novaquality.
Según esta consultora, las principales aplicaciones del machine learning que están llevando a cabo las compañías de seguros para lograr una mayor eficacia en la detección del fraude son:
- Perfilar a clientes por su probabilidad de fraude. Solo con los datos del asegurado y del bien cubierto póliza se pueden establecer grupos de clientes o cluster con una importante disparidad en su probabilidad de fraude. Esto permite a las compañías no solo rechazar o aceptar estos clientes, sino modular el precio según el grupo al que se pertenece y, con ello, no perjudicar a todos los usuarios con incrementos en los precios.
- Calcular la probabilidad de fraude en el momento de la declaración del siniestro. Para una compañía de seguros es clave tener una probabilidad de fraude antes de la peritación, pues le ahorrará costes innecesarios previos a la aceptación del siniestro. También sirve de advertencia, para que se verifiquen otras circunstancias que de forma habitual no se haría.
- Calcular la probabilidad de fraude antes de la liquidación. Tras la peritación, el algoritmo dispone de mucha más información y, por tanto, también puede utilizar el mismo modelo de prevención que en la clasificación del siniestro y bloquear la liquidación de este hasta realizar otras comprobaciones.
- Como soporte en demandas judiciales por fraude. A pesar de que el siniestro se detecte como fraude ya una vez liquidado, los algoritmos facilitan datos de las variables que ha utilizado para determinar que ha existido el fraude y que esta información sirva para orientar los procesos de investigación y, con ello, obtener pruebas para el posible proceso judicial.
Junto a todo ello, el aprendizaje automático también puede ser aplicado a otros ámbitos de la gestión de las empresas aseguradoras, como la predicción del coste del siniestro con carácter previo a su peritación o adelantarse a la posible insatisfacción o reclamación del cliente basándose en acontecimientos sucedidos en el pasado.
