• Michel

Machine Learning para Seguradoras

Atualizado: 10 de Abr de 2018

Como o Machine Learning é usado para transformar a indústria de seguros.


Considerando quantas vezes ele aparece nas conferências de resultados de grandes empresas, o aprendizado de máquina (machine learning) tornou-se um assunto popular entre os executivos[1].

Machine Learning possibilita que computadores detectem padrões em dados que passaram inadvertidos para os seres humanos, fato que lhes permite aprender com os erros cometidos. Essa tecnologia pode ser usada para muitas coisas, como projetar o comportamento dos consumidores ou evitar fraudes.

Por exemplo, técnicas de machine learning podem ser usadas para detectar fraudes em bancos de dados de seguradoras. Com base em alguns casos que são conhecidos ou suspeitos de serem fraudulentos, a técnica de detecção de anomalia calcula a probabilidade de cada novo registro ser fraudulento analisando o comportamento recente do segurado.

A indústria de seguros sempre utilizou análises e insights como uma vantagem competitiva chave, e tem havido avanços significativos em recursos de análise. No entanto Machine Learning representa um grande salto a frente nestas análises. Machine Learning tem o potencial de transformar radicalmente uma empresa Seguradora [2].

Aplicações nas Seguradoras e Planos de Saúde


Conquista de Clientes

Os clientes se tornam cada vez mais seletivos requerendo necessidades exclusivas. Quem precisa de cobertura de saúde individual? Quais consumidores podem pagar? Como atingi-los? Como maximizar a adesão com estratégias de marketing diferenciadas para grupos de clientes com características especificas.


Gerenciamento e Manutenção de Clientes

Os clientes têm muitas escolhas de produto nos dias de hoje. Manter a sua lealdade é fundamental para preservar as receitas.

Identificar onde e como os clientes estão experimentando problemas com o serviço da sua organização e certifique-se em se concentrar na melhoria de áreas que terão o maior impacto nas receitas. Através dos dados é possível identificar quais clientes são mais propensos a mudar para um concorrente e por que, e assim, implementar uma campanha de retenção em tempo hábil.


Detecção de Fraudes e Desperdícios

Pagamentos incorretos por organizações de seguros ocorrem por causa de erros, abusos e fraudes. A escala deste problema é grande o suficiente para torná-lo uma questão prioritária para os sistemas de saúde. Métodos tradicionais de detecção de abuso e fraude na saúde são ineficientes e demorados.

Um modelo preditivo ajuda a detectar desperdícios, fraudes e abusos relacionados com a administração de pagamentos de seguros de saúde. O modelo preditivo pode ser executado em tempo real e, conforme o caso, pode gerar um aviso de suspeita.


Maturidade Tecnológica


A maioria das empresas seguradoras dispõe hoje de massivas quantidades de dados, porém elas tem dificuldades de extrair valor real destes dados.

Mas colocar Machine Learning em prática não é simples questão de instalar alguma nova tecnologia. As tecnologias impulsionadoras são fundamentais, mas é necessário também que a empresa adapte seus processos de negócio de modo a explorar os insights gerados. No gráfico a seguir observamos a evolução de uma empresa em função de sua maturidade tecnológica.

O modelo da Gartner, mostrado abaixo, apresenta uma visão geral dos diferentes tipos de análises dentro de uma empresa.


De maneira geral, estima-se que empresas que atingem um alto grau de maturidade analítica e conseguem usar plenamente os seus dados poderão ver uma melhoria de 30% a 50% na eficiência global. [1]

As organizações têm diferentes pontos de partida e diferentes taxas de progressos ao longo da evolução apresentada no gráfico acima. Segundo o Prof. Thomas Davenport o estágio de maturidade analítica de uma empresa se enquadra em uma das cinco situações abaixo:


Estágio 1 (Analytically Impaired): a organização não tem um ou vários dos pré-requisitos para conduzir trabalho analítico sério, tais como dados, habilidades analíticas, ou interesse da gestão sênior;

Estágio 2 (Localized Analytics): há pequenos pacotes de atividade analítica na organização, mas eles não são coordenados ou focalizados em alvos estratégicos;

Estágio 3 (Analytical Aspirations): a organização visa um futuro mais analítico, tem capacidades analíticas estabelecidas, e tem umas poucas iniciativas significativas em curso, mas o progresso é lento- frequentemente porque algum fator crítico tem sido difícil de implementar;

Estágio 4 (Analytical Companies): a organização tem os recursos humanos e tecnológicos necessários, aplica Machine Learning regularmente, e conquista alguns benefícios. O Machine Learning já oferece alguma vantagem competitiva visível;

Estágio 5 (Analytical Competitor): a organização rotineiramente usa Machine Learning como uma capacidade distintiva nos negócios. Ela enfoca toda a empresa, compromissou e envolveu lideranças, e tem atingido resultados em larga escala.

Implantação da Aprendizagem de Máquina

Para avançar nos estágios acima seguimos os seguintes etapas:


Integração dos dados




Os dados não devem ficar divididos por departamentos. Armazene os dados localmente ou na nuvem, sejam eles Big Data, um banco de dados SQL, uma planilha ou aplicativos na nuvem, como o Google Analytics, tornando mais fácil para os analistas e outros usuários finais extrair o valor desejado de uma grande e variada quantidade de informações sob demanda.

Para uma Seguradora provavelmente será necessário dispor de pelo menos os seguintes dados:


Criar dashboards

A maioria das empresas não tem pessoal habilitado para encontrar insights em dados. Dasboards como os gerados pelo PowerBI, Tableau ou Qlik são ferramentas que os gerentes e supervisores de áreas podem usar e configurar sem ter conhecimento de programação.

Eles próprios podem gerar suas análises visuais em tempo real com painéis interativos que os ajudam a fazer descobertas e agir imediatamente.



O Cientista de Dados

Finalmente é essencial dispor de expertise, em novas funções como o Cientista de Dados. O Cientista de Dados é um profissional multidisciplinar, com conhecimentos em ciência da computação, matemática, estatística e, principalmente, conhecimentos do negócio onde está inserido. Quem exatamente é esta figura ainda não está claro, mas podemos dizer que o papel de um Cientista de Dados é gerir os dados da empresa, através de uma estratégia baseada em valor para o negócio.



Fases de um Projeto


Entender o negócio

Qual é o resultado a obter e qual a variável de saída? Quais são as variáveis (preditores) a serem usadas para as previsões e que irão influenciar esse resultado? Ao construir um modelo e criar as probabilidades de resultados futuros, quais são as probabilidades aceitáveis? Os chefes de departamento ficarão convencidos pelo modelo analítico?


Entender os dados

Que dados que são necessários? Os dados são para todas as regiões, linhas de produtos, etc.?

Preparar os dados

Os dados são suficientes para a análise? Os dados precisam ser limpos? Todas as variáveis necessárias estão disponíveis? Os dados estão em formato adequado para importar facilmente para um pacote de software de Machine Learning?

Particionar os dados

Antes de construir o modelo precisamos dividir aleatoriamente o conjunto de dados em duas partes - dados de treinamento e dados para teste. Treinamos o modelo sobre a base de dados para treinamento (digamos 70% dos dados escolhidos aleatoriamente) e testamos o modelo com os 30% não usados para o treinamento. Os dados para o teste nunca são usados na construção do modelo.

Modelar

Procuramos resultados conjuntos de segurados (clusters) ou individuais? Que algoritmos usar? Existe bibliografia referente a aplicação para pesquisar?

Avaliar

Aplicamos o modelo gerado na base de dados separada para o teste. Baseado em resultados históricos, o modelo está funcionando satisfatoriamente? Se necessário, agora é a hora de tentar novos preditores e novas técnicas de modelagem.

Implantar

Como implementar o modelo nos computadores da empresa? Como treinar os operadores? Como medir os resultados ao longo do tempo. O modelo poderá variar ao longo do tempo? Deve haver uma tentativa de criar uma análise ROI para esta operação?

[1] https://www.gartner.com/doc/3136418/itscore-overview-bi-analytics

[2] https://economia.uol.com.br/noticias/bloomberg/2017/10/06/aprendizagem-de-maquina-e-o-tema-mais-popular-entre-executivos.htm?cmpid=copiaecola

[3] https://www.forbes.com/sites/blakemorgan/2017/07/25/how-artificial-intelligence-will-impact-the-insurance-industry/#433380356531

3 Dimensões

Inteligência Artificial nas Empresas

Al. das Papoulas, 147 - Santana de Parnaíba - Alphaville, SP 06539-180 - (11) 4153 6004  - (11) 9 9795 9765

michel@3dimensoes.com.br