¿Pueden pensar las máquinas? ¿Existirán sistemas digitales imaginables que tengan un buen desempeño en el juego de imitación?
Estas dos preguntas que seguramente han pasado alguna vez por tu cabeza, ya se las planteaba Alan Turning en 1950 en su ensayo “Computing Machinery and Intelligence”
El Machine Learning o Aprendizaje Automático, es una rama de la Inteligencia Artificial cuyo objetivo es desarrollar técnicas que permitan a las máquinas “aprender” y cuyos pilares fundamentales son el análisis de gran cantidad de datos, la estadística y la resolución de problemas complejos. De esta manera el objetivo del Machine Learning es que un sistema sea capaz de crear conocimiento, ya sea de manera supervisada o por su cuenta.
¿Y cómo logra una máquina “aprender”? Es un algoritmo que comparan datos nuevos con datos que hemos proporcionado anteriormente, busca patrones de comportamiento basado en procesos anteriores y predice comportamientos futuros. Un ejemplo de esto sería la manera en que un sitio de e-commerce ofrece artículos complementarios al consumidor cuando ya ha elegido algún otro y lo ha puesto en su carrito de compra. Lo hace porque ha analizado que artículos ha visto anteriormente, en que páginas se ha detenido más tiempo y por ende, se adelanta a ofrecer al usuario sugerencias de compra.
Sin ir más lejos Google Images es otro gran ejemplo de algoritmo Machine Learning. Dado que una computadora no ve de la manera en que hacen los humanos, para identificar una flor, por poner otro ejemplo, Google analiza los parámetros de formas, colores, imágenes que previamente se le han proporcionado como modelo para ayudarle a identificar lo que es una flor. De este modo un modelo de aprendizaje contiene muchos parámetros que convierten una imagen en un patrón identificable para el ordenador.
¿Cómo puede el Machine Learning ayudar al sector asegurador?
- Conocer mejor a nuestros clientes: como ya lo hemos dicho, estos algoritmos hacen una recopilación de datos acerca de los usurarios, quiénes son, de dónde nos visitan, qué edad tienen, y qué necesidades específicas tienen. Toda esta información proporcionada conjuntamente con Big Data crean perfiles y fichas detalladas de cada usuario.
- Mejorar la relación entre el cliente y los centros de atención, porque es capaz de reconocer también lenguaje natural hablado y escrito, de esta manera a través de interacciones Machine Learning ofrece soluciones rápidas y eficientes a un cliente de manera personalizada. Los chatbot o asistentes virtuales son uno de los mayores exponentes de esta atención, cada vez podemos ver que es más frecuente que haya pequeñas ventanas de chat o soporte en vivo en páginas de empresas para orientar al usuario o ayudarlo a resolver incidencias mediante el procesamiento del lenguaje natural.
- Optimizar el Customer Journey o el “viaje” que hace un cliente mediante interacciones a través de nuestra empresa. En las etapas de oferta de servicios y contratación de seguros nos permite analizar que productos se adaptan más al perfil de un cliente nuevo, y posterior a la compra permite saber su grado de satisfacción o sentimiento hacia el mismo. De este modo además puede predecir posibles bajas y abandono de clientes antes de completar el proceso y ayudar a tomar decisiones y medidas para evitarlo.
- Prevenir fraudes mediante el análisis de las relaciones existentes entre entidades implicadas y eventos que pudiesen resultar sospechosas o de interés, por lo que el algoritmo de aprendizaje recoge, compara y cruza datos e identifica patrones para establecer dichas relaciones.
- Establecer pricings dinámicos que se adapten al perfil y comportamiento de cada cliente. Tradicionalmente los seguros de automóviles por ejemplo, establecían precios estáticos en base a la situación del mercado, la competencia o al modelo del automóvil entre otras variables. Sin embargo surge la problemática de abandono o disminución de tasas de contratación cuando los clientes buscan alternativas más económicas al sentir que el precio establecido sobrepasa realmente sus necesidades Haciendo uso de tecnologías como Internet de las Cosas y Machine Learning podrían instalarse en este caso dispositivos en los vehículos que registren el comportamiento y patrón de conducción del cliente. Variables como qué tipo de vías circula, a qué velocidad suele ir o qué distancias recorre serían ahora las que establecerían un rango más realista de precio en función del riesgo, por lo que una persona mayor de 70 años seguramente no pagaría lo mismo que un adulto joven de 25.
- Gestiones pro activas: imaginemos que una aseguradora tiene 3 clientes distintos en un mismo lugar para cuestiones de daños y desperfectos en el edificio de oficinas, a uno de sus asegurados se le han dañado las tuberías por antigüedad y han causado una inundación. Arreglar la incidencia no sólo implicaría el gasto de la reparación de las tuberías, si no que probablemente también habría que cambiar tarimas, moqueta y otros objetos dañados por el agua. Entonces el aprendizaje automático, en base a lo que ha ocurrido, sabrá que es muy posible que esto le ocurra a los otros dos asegurados en el mismo edificio, por lo que en lugar de esperar a que se rompa la tubería y haya que reparar un desastre, sugerirá que nos adelantemos al acontecimiento y reparemos las tuberías antes de que se dañen. Esto nos hace una compañía pro activa en lugar de reactiva, lo cual es un gran valor para los clientes.
Y como menciona Thomas H. Davenport de The Wall Street Journal
“Los humanos pueden crear típicamente uno o dos modelos buenos a la semana, mientras que una máquina puede crear miles de modelos en una semana”
Entonces el aprendizaje automático indudablemente aportaría valor y ventaja competitiva a las aseguradoras. Después de todo la tecnología y los datos están ahí.
