Hoje, organizações de seguros de alta performance estão usando data science para impulsionar os negócios em um mercado competitivo. Em um webinar recente, Sudaman Thoppan Mohanchandralal, Regional Chief Data and Analytics Officer na Allianz Benelux, discutiu o estado atual da data science em seguros e casos de uso empolgantes de machine learning no setor.
Por que data science é valiosa no setor de seguros hoje
Nos últimos anos, a demanda do setor migrou para serviços mais personalizados, em vez de ofertas voltadas ao grande público. Este relatório da McKinsey descreve a mudança a que Sudaman se refere. Ele explica como é possível construir relacionamentos um a um em larga escala com consumidores por meio de marketing e serviços personalizados de forma estratégica.
Essas mudanças em necessidades e relacionamentos são viabilizadas pelo crescimento massivo de dados disponíveis sobre cada cliente, além dos avanços em machine learning e infraestrutura. Neste artigo, a IBM mostra que seguradoras observam uma melhoria de 22% a 25% no tempo para atingir lucratividade ao criar serviços personalizados em comparação com produtos de apelo massivo. E só é possível desenvolver esses produtos em escala com machine learning.
O estado da data science em seguros
No webinar, Sudaman explica que o machine learning gera valor quando é usado para previsões, e não para inferência causal, e quando o problema é suficientemente autocontido. Hoje, o machine learning falha quando as organizações tentam usar esses algoritmos como uma bola de cristal ou uma caixa-preta, em vez de uma ferramenta para orientar pessoas sobre caminhos a explorar. Veja um panorama de alguns casos de uso abordados no webinar:
1. Detecção de fraude em sinistros
O machine learning tem ótimo desempenho em tarefas de previsão com grande volume de dados. Por isso, a detecção de fraude é um excelente caso para treinar e implantar um algoritmo de classificação, como regressão logística ou árvore de decisão. Esse sistema pode sinalizar sinistros suspeitos. Assim, a prevenção de fraudes fica muito mais gerenciável para o analista, pois o fluxo de trabalho é potencializado ao destacar os casos com maior probabilidade de fraude.
2. Identificação de clientes para ações de retenção
Outro caso essencial para ganhar escala é melhorar a retenção de clientes. O machine learning ajuda a identificar quais clientes correm risco de deixar sua organização. Detectar esses clientes em larga escala e oferecer incentivos para que permaneçam aumenta o valor do ciclo de vida do cliente no longo prazo — e abre espaço para uma personalização ainda mais profunda.
3. Otimização de preços com séries temporais (modelagem de prêmio de risco)
Entender o risco de um cliente abrir um sinistro é fundamental para definir o preço e a estrutura corretos de um plano. Todas as seguradoras já fazem isso em algum nível. Com a expansão dos dados disponíveis, a acurácia dos modelos para determinar o perfil de risco pode ser aprimorada, oferecendo preços mais competitivos para cada indivíduo.
4. Previsão de doenças futuras
Semelhante ao caso anterior, entender riscos de doenças futuras é crítico para otimização de portfólio e precificação. O setor de seguros terá que pagar mais de US$ 100 bilhões em sinistros relacionados à COVID. Embora prever a pandemia com antecedência fosse desafiador, compreender e antecipar desfechos de saúde permite que as seguradoras priorizem e personalizem seus serviços.
5. Otimização de portfólio
O último caso é a otimização de portfólio. O gerenciamento de portfólio envolve algumas etapas: identificar agrupamentos de risco relevantes para análise, embasar decisões ótimas e apontar oportunidades. Cada uma dessas subtarefas pode ser resolvida com técnicas de otimização em data science.
Se você quer saber mais sobre o futuro da data science em seguros, assista ao webinar aqui.
