1 de noviembre de 2021
CLAVES DEL ANÁLISIS
Si algo ha caracterizado la sociedad de hoy en día es que la tecnología ha ido avanzando a un ritmo exacerbado, solucionando dificultades y simplificando la vida de las personas. La Inteligencia Artificial es un claro ejemplo de ello. Según datos de Statista, su mercado proyecta alcanzar los 554 mil millones de dólares en 2024, casi duplicando los 281 mil millones de dólares que representó en 2020. Diferentes sectores de la economía han ido viendo sus beneficios a medida que se implementan este tipo de avances en sus procesos, siendo la industria aseguradora una de las grandes favorecidas, y en concreto, el ramo de Auto.
Con la llegada de la COVID-19, la realidad de las labores de las empresas aseguradoras cambió por completo. Un informe de LexisNexis Risk Solutions asevera que, en la actualidad, el 60% de las gestiones de siniestros de auto se realizan a través de medios digitales, lo que representa un aumento del 45% en comparación a la época previa a la llegada de la pandemia. No obstante, durante el confinamiento, el 100% de estos procedimientos se llevaban a cabo telemáticamente, por lo que este descenso deja entrever que aún queda trabajo por hacer para lograr que las expectativas de los clientes respecto a este tipo de procesos digitales se vean cumplidas en su totalidad.
En este sentido, el procesamiento automatizado de reclamaciones se ha convertido en un procedimiento que supone una revolución en la experiencia del cliente. La digitalización de procesos como el FNOL (First Notice Of Loss) deja de lado las llamadas y los documentos entregados de manera presencial para utilizar app móviles o chatbots que simplifiquen y aceleren el proceso. Estos disponen de softwares de Inteligencia Artificial que aplican el procesamiento inteligente de documentos (IDP), el cual consiste en la conversión de datos no estructurados y semiestructurados en información utilizable mediante el procesamiento de lenguajes naturales, computer vision, Deep Learning y Machine Learning.
Aproximadamente, un 80% de los datos manejados se encuentra en formatos no estructurados (documentos impresos y digitales, correos electrónicos, imágenes, llamadas telefónicas, etc.) por lo que el uso del IDP supone un avance verdaderamente significativo en el ámbito. Gracias a ello, la información y los datos de los usuarios estaría centralizada en un mismo sistema, dejando atrás los riesgos que la documentación impresa supone en materia de seguridad y privacidad. Además, ofrece también la posibilidad de obtener un servicio cada vez más personalizado y adaptado a las necesidades de cada cliente gracias a los algoritmos en los que se basa.
Lo mismo ocurre con la clasificación o el triaje de siniestros. Para hacer frente a un alto número de solicitudes de manera urgente, las aseguradoras deben identificar de forma confidencial y rápida qué reclamaciones deben resolverse primero. A través del uso de datos históricos, la analítica predictiva emplea el Machine Learning y la estadística para identificar la probabilidad de sucesos futuros y llevar a cabo comparaciones que permitan generar decisiones a tiempo real.
En la etapa de evaluación de daños, por ejemplo, el computer vision resulta un avance ventajoso. Mediante funciones de reconocimiento y análisis de imágenes reales a través de app móviles, se logra producir información que la Inteligencia Artificial compara de manera precisa, permitiendo la toma de decisiones automatizadas en cada caso particular. Así, se implementa esta herramienta para detectar y procesar aquellas reclamaciones más sencillas, dejando para el personal humano los casos más complejos. Además, esto favorece los pagos, puesto que la tecnología libera directamente el pago en aquellos casos simples, así como también permite reducir el tiempo de espera del resto de solicitudes.
En temas de verificación y adjudicación, existen dos alternativas para la automatización. Por un lado, la basada en reglas constantes y predeterminadas por la empresa. Por otro, la basada en algoritmos de Machine Learning que permitan interpretar cuestiones fuera de lo común. Ambas pueden complementarse, pues la primera resulta eficiente en casos estandarizados y la segunda lo es para aquellos no estandarizados que requieren de un análisis más complejo debido a la presencia de datos semiestructurados y no estructurados.
Como cuestión adicional, la detección de fraudes se efectúa de una manera más eficiente. Considerando que, según AltexSoft, alrededor del 18% de las solicitudes de siniestro son fraudulentas, el uso de Machine Learning para analizar FNOL, partes policiales y demás documentación permitiría detectar nuevos patrones o esquemas de fraude, evitando la necesidad de implementar controles de seguridad tradicionales que resultan largos y tediosos para el cliente y costosos para la aseguradora.
Los cambios en la experiencia del usuario resultante de estos nuevos modelos de servicios y procesos en el ámbito de los seguros de auto resultarían de esta manera:
Mutua Madrileña ya ha realizado avances significativos en la materia, implementando softwares especializados para mejorar la experiencia del cliente. En este sentido, se ha transformado el proceso de suscripción con el apoyo de Bdeo. Un proceso que anteriormente demoraba varios días precisa ahora se realiza en minutos, brindándole a sus usuarios la oportunidad de llevar a cabo el onboarding de manera inmediata, sencilla y sin necesidad de desplazarse, diferenciándose así de otras compañías aseguradoras de auto por la calidad y vanguardia de su servicio
CASOS DE ÉXITO
Veamos algunos casos de éxito de organizaciones que están haciendo uso del procesamiento automatizado de siniestros para ofrecer una mejor experiencia a sus clientes.
Bdeo es una de las pocas empresas españolas que ofrece servicios en este sector. Su software tiene como sustento el uso de la inteligencia visual para analizar daños y estimar costes de forma precisa y fiable, ayudando a las aseguradoras de auto a automatizar sus decisiones y resolver los siniestros velozmente. Sus servicios se centran en la automatización de procesos como la suscripción de pólizas y la gestión de siniestros de vehículos.
Snapsheet es una startup estadounidense que ofrece, a través de un sistema cloud, un software que permite automatizar procesos como la suscripción de polizas, el registro de FNOL, el peritaje y los pagos a las aseguradoras de auto mediante inteligencia visual, gestión del rendimiento a tiempo real e infraestructuras cloud flexibles y adaptables a cambios. Su sistema ha procesado más de 3 millones de reclamaciones, automatizando más del 70% de los procesos de comunicación entre aseguradoras y clientes.
Tractable se presenta como otro caso de empresa emergente que proporciona un software especializado que hace uso de avances tecnológicos para transformar la experiencia del cliente al momento de procesar peticiones en sectores como los seguros de auto, propiedades y flotas. Por su parte, han implementado técnicas de computer vision en reclamaciones de seguros, facilitando a los clientes el registro de reclamaciones mediante fotografías a través de una app que ayuda a las aseguradoras a tomar decisiones de manera más sencilla. Su sistema procesa compras y reparaciones de vehículos valoradas en un total de 2 mil millones de dólares al año.
Ant Financial dispone de un sistema especializado que permite identificar daños en vehículos a través de vídeos realizados por los usuarios, simplificando el proceso de reclamación mediante computer vision. La app analiza la imagen tomada por el cliente, identifica los daños y su gravedad y, finalmente, emite un reporte a la aseguradora donde precisa los daños, su reparación y la manera en que el siniestro afectará a la prima del cliente. La empresa cuenta con un sistema que incluye 46 tecnologías patentadas en cuestiones como localización simultánea y mapeo, modelos móviles de deep-learning, detección de daños mediante streaming, resultados en realidad aumentada, entre otras.
