Quando acessamos o Google para realizar uma simples pesquisa não pensamos na quantidade de pessoas que tiveram a mesma ideia naquele momento: são mais de 4,5 milhões de buscas por minuto e esse número cresce diariamente. Além disso, não temos a dimensão da quantidade crescente de dispositivos móveis conectados à internet, que já ultrapassam a casa das dezenas de bilhões, e das possibilidades que isso representa para a expansão da IoT (Internet das Coisas).

A humanidade certamente nunca esteve tão conectada, produzindo e consumindo tantos dados e isso traz inúmeras oportunidades para o mercado de seguros, que agora pode aplicar diversos recursos tecnológicos para otimizar processos e conquistar mais resultados. Mas para que seja possível filtrarmos e utilizarmos essa quantidade enorme de informação, é fundamental a existência de uma plataforma que analise e integre esses dados e decida, em tempo real e através de um motor de regras, qual caminho seguir.

Daniel Arraes

São inúmeras as aplicações analíticas no mercado de seguros e elas possibilitam uma tomada de decisão mais rápida e efetiva em diversos momentos do relacionamento com o cliente. Desde campanhas de marketing, com o direcionamento do público-alvo, oferta de produto e escolha do melhor canal; onboarding do novo segurado, o que envolve questões como autenticação, risco, fraude e prêmio; gestão do cliente, com o gerenciamento de aprovações e solicitações, cross sell e gestão de risco; sinistros, fraudes, abusos e desperdício; e renovações (oferta, momento ideal, risco, fraude e prêmio).

Dentro desse contexto, as seguradoras devem ter em mente que quanto mais complexa for a análise das informações, maior o impacto nos resultados. Em um primeiro momento, buscamos a monetização dos dados por meio de uma abordagem automatizada com o objetivo de criar, calcular e ordenar o valor das variáveis em larga escala. Em seguida, o objetivo é a segmentação desses dados para compreender e agrupar comportamentos e capturar padrões. Já a etapa seguinte seria o momento de previsão: utilizamos machine learning e modelagem preditiva para prever padrões futuros. E, por fim, chegamos na fase de otimização matemática para tomada de decisão, utilizando métodos de programação baseados em restrições de processo e de negócio.

Para que a aplicação do machine learning seja efetiva para as seguradoras, o modelo deve ser preciso, adaptável, explicável e fácil de implementar. Um exemplo disso é a prevenção de fraudes: quem busca burlar o sistema está sempre investigando novas possibilidades, então a ferramenta deve ser dinâmica e permitir atualizações, seu algoritmo deve ser transparente, fornecendo a explicação de um pagamento de sinistro negado caso surja algum questionamento. Outro diferencial não está na técnica de machine learning que se utiliza amplamente disponível em open source, mas sim na capacidade de sua execução em tempo real.

Há inúmeros exemplos de seguradoras que utilizam com sucesso técnicas de machine learning e inteligência artificial para reduzir o número de fraudes. Isso é um indicativo do grande potencial da aplicação dessas tecnologias no mercado de seguros brasileiro, visando seu crescimento e um melhor atendimento aos clientes.

* Por Daniel Arraes, diretor de desenvolvimento de negócios da Fico para a América Latina

Deixe uma resposta