Machine Learning na indústria de seguros: perspectivas do mercado

Machine Learning na indústria de seguros: perspectivas do mercado

Confira o artigo escrito por Ronaldo Costa, Customer Advisor do SAS

O aprendizado de máquina, conhecido como machine learning (ML) está presente em muitos setores, trazendo significativa geração de valor e potencial de economia de custos. Na indústria de seguros, o ML tem apresentado resultados em áreas como análise de perfil de clientes e gerenciamento de sinistros.

Além disso, existem muitas outras oportunidades de ganhos para o mercado. Entre outros aspectos, os conceitos ML têm condições de apoiar as seguradoras no processamento de textos dos contratos/apólices, análises de documentos, e-mails, laudos de perícias, bem como apoiar nas ferramentas de comunicação online com mais eficiência, além da análise de grandes bases de dados que vão se tornando possíveis a partir da economia digital, acumulados com o advento da Internet das Coisas (IoT).

Esta tecnologia pode permitir às seguradoras criarem sistemas que alertam de forma precoce percepções que possam na prática evitar acidentes e agilizar o processo de regulação dos sinistros, minimizando atritos e impactando de modo muito positivo a experiência do cliente, desde o aviso até a liquidação do sinistro.

Deste modo, a ML pode fazer com que o mercado segurador possa utilizar esse volume de dados para suas projeções de fluxos de caixa, pricing, cálculos de provisões técnicas e assim atender tanto às demandas regulatórias atuais (como o IFRS17, padrão contábil mundial para este mercado), bem como para uma definição mais eficiente de novos produtos e mercados, direcionando as suas estratégias mercadológicas.

Alguns modelos convencionais de ML, como modelos lineares generalizados (GLM), têm se tornado um padrão em seguros, sobretudo para avaliação de riscos e para projeções de fluxo de caixa. Contudo, o que tem sido notado é que sua utilização ainda é restrita e fragmentada. Neste aspecto, um investimento mais efetivo em engenharia de dados será um fator de mudança nesta escala, além de ser um fator de consolidação de todo potencial da empresa em torno das ferramentas de ML e inteligência artificial (IA).

Além disso, pesquisas de mercado mostram que sistemas com ferramentas de ML que abrangem as organizações de forma holística ainda são uma realidade distantes. Estudos mostram que menos do que 10% das empresas vislumbram implantar sistemas de ML nos vários processos, devido em grande parte à qualidade e disponibilidade dos dados.

As abordagens de Inteligência Artificial e ML exigem uma grande quantidade de informação de qualidade para o treinamento e teste de seus algoritmos. O que se observa é que muitas iniciativas de implantação de sistemas de ML acabam por trabalhar com bases de dados sem qualidade, seja porque estão incompletos, incorretos ou mesmo não “limpos”. Nestas condições, os desempenhos dos modelos mostram ser lentos e, principalmente, caros, em relação aos mesmos processos conduzidos por pessoas.

A viabilidade de implantação de sistemas baseados em ML é avaliada sobretudo com base em testes de modelos e algoritmos em pequena escala. Mas isso não é suficiente. Como já dissemos, é necessária uma visão mais abrangente, pois, muitas vezes, atribui-se a falha de implantação a restrições da organização, não a problemas nos modelos. Os critérios de avaliação de novos processos devem incluir a relação custo-benefício direta e indireta.

Apesar de os cientistas de dados estarem se tornando presença cada vez mais comum nas seguradoras, a indisponibilidade ou mesmo a baixa qualidade de dados em toda empresa, além de toda tecnologia subjacente inadequada, prejudicam a eficiência de seus trabalhos, que passam necessariamente pela etapa de preparação de dados. O fluxo de trabalho, as metodologias de suporte à decisão e a produtividade da empresa devem ser os norteadores dos desenhos e das implantações de sistemas, e tanto os temas de inovação em tecnologia de seguros como os assuntos regulatórios relativos às leis de privacidade devem ser levados em conta. Além disso, a comunicação de todo projeto de ML deve ser feita de forma clara, de modo a garantir a adesão de todo time e o apoio da alta gestão.

As seguradoras que saírem na frente na adoção de ferramentas de ML e IA irão colher resultados muito positivos em áreas como liquidação de sinistros e cross selling mais eficiente, bem como em melhor pontuação de risco (bônus/malus), com níveis de precificação e coberturas oferecidas cada vez mais personalizadas. Ao mesmo tempo, as ferramentas necessárias nas tarefas de ML se desenvolvem rapidamente, na medida em que os softwares e os algoritmos tornam-se cada vez mais acessíveis, seja em termos de facilidade de uso, seja em termos de valores de licenças. Em consequência disso, pode-se notar que alguns processos que já são lucrativos com as abordagens atuais de ML e IA, mostrando novos caminhos de crescimento na direção de um uso cada vez mais abrangente destas ferramentas na indústria de seguros.