El uso de herramientas de analítica e inteligencia artificial, se vuelven aliados de las aseguradoras para reducir al mínimo los riesgos de fraudes a los que están expuestas, señala especialista de SAS.
Por Revista Summa
Las aseguradoras pierden poco más del 5% de sus ingresos anuales debido a diversas situaciones de fraudes, según estimó la Asociación de Certificadores de Fraude de Estados Unidos. La entidad, además, señala que se registran, en promedio, 2,500 casos de fraudes por año en 125 países del mundo. Esto tomando en cuenta solo los reportes en firme, por lo que los impactos financieros podrían ser aún mayores.
Según el informe de la entidad, esta situación se da principalmente en pólizas relacionadas con autos y salud. No obstante, el riesgo de padecer una situación de fraude se da en todos los tipos de póliza.
De acuerdo con Yuri Rueda, Domain Expert de Fraude para SAS, número 1 en el mercado de analítica avanzada y predictiva según IDC durante los últimos 28 años, “estos delitos suceden en todo tipo de pólizas, desde aquellas de hogar, salud, automóviles, pensiones y gastos médicos mayores. Sin duda, el rubro donde resulta más común es el de autos, con casi un 85% del total de casos, pero esto sucede porque la cartera de este sector es la más grande dentro de las aseguradoras. Le seguiría con un 5 a 7% lo relacionado con la salud; sin embargo, aunque tienen un porcentaje menor, las pérdidas económicas son mayores”.
Un ejemplo que brindó el especialista es el de un fraude en un siniestro de un auto. En él, el cliente paga un deducible para recibir el arreglo que necesita. El vehículo se envía a un taller de reparación, pero si en el fraude participan los ajustadores o los propios talleres, es posible que al auto se le haga una estética menor, que la aseguradora sí pague las piezas a intercambiar, y que éstas queden en manos de los talleres para comercializarlas por fuera. Incluso, hay clientes que presentan dos o tres choques en un período de dos meses y, posteriormente dan de baja el seguro para reincorporarlo con otro nombre y seguir con el fraude sin que se le tenga en la mira.
Otro caso de fraude, en este caso en una póliza de salud, es cuando un paciente recibe un servicio distinto al que realmente tenía acceso con su diagnóstico. Por ejemplo, desde el cambio de una cirugía, el recibir post operatorios que no se relacionan con su padecimiento, el pago de estudios que no son necesarios para su expediente médico o de medicamentos que no corresponden a la especialidad en la que se le atiende, todo ello genera una serie de pérdidas a las aseguradoras.
Rueda añadió que los tipos de fraude se pueden clasificar en tres categorías. Estas son 1) los oportunistas, 2) el deliberado, y 3) el organizado.
“Los oportunistas son los que se dan de manera ocasional. Incrementan los daños de un siniestro real o compensan una experiencia previa negativa. Estos primeros suceden con alta periodicidad e importes bajos. El deliberado es aquel que lleva una planificación para exagerar o fabricar siniestros falsos. Finalmente, el organizado implica un grupo de personas, incluso colaboradores o proveedores de las propias aseguradoras, quienes tienen alto conocimiento de los términos y condiciones de las pólizas. En esta categoría el volumen es menor, pero generan pérdidas de medias a altas”, explicó Rueda.
¿Cómo combatir los casos de fraudes a aseguradoras?
Rueda explicó que, para combatir los fraudes a aseguradoras, primero es necesario entender el problema, y este, señaló el especialista de SAS, es la gran cantidad de información que representa cada cliente y póliza. Por ejemplo, en el caso de las de salud, cada paciente, así como la manera en la que se tienen que relacionar desde el nombre de los medicamentos, de los hospitales y especialistas, los procedimientos que se incluyen en su póliza y más.
“Unir todos los puntos con sistemas manuales genera vacíos y pérdidas, que sólo la Inteligencia Artificial puede manejar en tiempo real para detectar los fraudes”, mencionó Rueda.
En este sentido, agregó el uso de herramientas de analítica e inteligencia artificial, se vuelven aliados de las aseguradoras para reducir al mínimo los riesgos de fraudes a los que están expuestas.
El Domain Expert de Fraude para SAS América Latina, dijo que cuando el manejo de datos de los clientes se da a través de la analítica digital, como la que ofrece SAS, se tiene la capacidad de relacionar nombres, accidentes, ajustadores, talleres a los que estos vehículos son enviados. Así como tipos de afectación de los autos, entre otra información, por lo que fácilmente se pueden detectar patrones para dar con bandas organizadas. Así como se da en el caso del manejo de la información y datos en pólizas de siniestros, esto mismo se puede aplicar para cualquier tipo de póliza.
“Con la analítica de datos es posible que la revisión y seguimiento de los mismos incluyan a miembros de puestos de suscripción o renovación de pólizas. Ello blinda, aún más, a las aseguradoras. Además, se trata de implementaciones a largo plazo dentro de los equipos, ya que las acciones fraudulentas no son exclusivas de un país o región, pero sí son más detectables en áreas de mayor población o ciudades con alto número de pólizas”, afirmó Rueda.
Otro aspecto importante que beneficia el uso de la analítica y la inteligencia artificial por parte de las aseguradoras, es hacia el usuario. Este, mencionó el especialista de SAS, necesita rapidez y pulcritud en las respuestas que recibe. Por ello, se debe buscar el balance entre la necesidad de colocación del mayor número de pólizas en el mercado, pero que estas colocaciones sean sanas y que permitan que los clientes reciban sus servicios con la menor fricción posible.
Es acá donde nace un nuevo reto para las aseguradoras: disminuir los tiempos de respuesta y obtener análisis certeros. “SAS agiliza en este sentido los servicios, por lo que se mejora la experiencia y se disminuyen costos, a través del uso de machine learning”, detalló Rueda.
Según datos de SAS, sólo alrededor de un 30% de las aseguradoras tienen actualmente la implementación de un manejo inteligente de datos. Por su parte, el restante 70% utiliza tecnología heredada, procesos manuales o equipos in house que carecen de madurez y aprovechamiento de la data.