Machine learning: un magnífico aliado contra reclamaciones fraudulentas

La tasa del fraude a las aseguradoras en España (i) se ha doblado en la última década y ya roza el 2%. Es decir, que se producen alrededor de dos intentos de engaño por cada 100 siniestros declarados. Esta cifra tiene una doble lectura. Por una parte, los intentos de estafa tienden a crecer en periodos de crisis. Pero por otra, el desarrollo de la tecnología aplicada también engorda la estadística, ya que las compañías resultan mucho más eficientes a la hora de detectar y acreditar reclamaciones fraudulentas.

Aunque las primeras implantaciones de machine learning —ML, inteligencia artificial especializada en aprendizaje automático de los sistemas— datan de 2018, su actual avance promete un punto de inflexión en un fenómeno que, como recuerda la patronal Unespa (ii), merma la competitividad y puede perjudicar a los asegurados honestos.

La alianza de ML con big data se considera un paso natural para un sector obligado a gestionar cantidades ingentes de información y predecir el nivel de riesgo en los sucesos futuros. “A menudo, las empresas se ven sobrepasadas por el volumen y la complejidad de los datos, en particular a la hora de responder ante un intento de fraude o un ciberataque”, apunta un analista de KPMG. Según un informe sectorial (iii), solo en 2021 las aseguradoras españolas gestionaron 237.000 reclamaciones fraudulentas, por ejemplo.

Así, el modelo ML modifica el paradigma para convertir esos datos en activo como fuente de conocimiento. La capacidad de estructurar, analizar, descubrir patrones en fraudes intentados o consumados y aprender de su propia experiencia, consolida un enfoque predictivo de mejora continua, más eficiente y por tanto mucho más rentable que el retroactivo.

En consecuencia, los algoritmos ML (iv) contribuyen a superar una clásica dificultad del sector: el cálculo de la ratio o probabilidad de fraude en contratos concretos. A su vez, alcanzar un conocimiento más preciso sobre la gestión de riesgos permite a las compañías tomar mejores decisiones.

Algunas reportan beneficios directos (v) en detección de fraude, reducción de falsos positivos y la capacidad de generar informes de seguridad en tiempo real, un factor clave para fortalecer ese enfoque previsor. Si la implantación del ML es correcta, procesa todo tipo de fuentes de información —históricos de clientes, vídeos e imágenes de siniestros, documentación en diferentes formatos, pólizas, comparativas, etc.— para detectar trucos como facturas falsas, imágenes de internet usadas para aumentar la indemnización o el uso de circunstancias fortuitas como un temporal para fingir o exagerar percances.

Algunas compañías y consultorías como Novaquality suman estos otros beneficios:

• La estructuración de bases y fuentes de datos e informes sobre fraude con acceso desde todos los departamentos de la empresa.
• Un modelo dinámico, con algoritmos actualizados para enfrentar cambios en las estrategias de fraude que pueden aprovechar incluso la IA para simular imágenes o información falsas.
• La capacidad de procesar muchas más variables de análisis que el modelo tradicional, incluso las más subjetivas en el comportamiento humano.
• La garantía de un scoring —evaluación de la posibilidad de impago— más eficiente gracias a reglas heurísticas y modelos predictivos que minimizan positivos falsos y descubren negativos falsos. Permite perfilar a los clientes en función de la probabilidad de fraude.
• La disponibilidad de análisis e informes que fortalecen las pruebas de las compañías en las demandas judiciales.
• Un ágil retorno de la inversión, al repercutir en el ahorro de costes. Esto favorece el desarrollo de plataformas comerciales especializadas en ML y la gestión externalizada que permite a las aseguradoras derivar su talento a tareas de valor como la propia supervisión del modelo o la gestión de riesgos.
• Por último, la orientación ML potencia otras transformaciones tecnológicas como la automatización de procesos —es en sí misma una capa clave en este modelo— y otros servicios como la predicción de costes de siniestros antes de peritar o mejorar la atención al cliente a partir de los patrones en reclamaciones similares.

En este sentido, el factor híbrido es un requisito de eficiencia a varios niveles: en la formación de la plantilla en cultura preventiva y tecnología ML, en la organización de los departamentos para que optimicen su uso, y en la coordinación entre personas y máquinas tanto en la supervisión del ML como su uso en las investigaciones. La tecnología aporta el procesamiento inteligente, pero necesita la guía humana para evolucionar y adaptarse a los objetivos cambiantes de cada aseguradora.

De cara al futuro, queda pendiente alcanzar un amplio consenso sobre el uso ético de la IA (vi) en general y en el sector en particular, ya que hacerlo permitirá consolidar lo antes posible un marco legal garantista que reduzca potenciales riesgos sin por ello renunciar a las innegables oportunidades que esta tecnología ofrece.

(i)   https://elpais.com/economia/2023-03-21/las-aseguradoras-detectan-el-doble-de-fraudes-que-hace-una-decada.html

(ii)   https://www.unespa.es/notasdeprensa/fraude-seguro-2021/

(iii)   https://www.icea.es/es-es/informacion-seguro/almacen-datos/fraude-reclamaciones-anulaciones

(iv)   https://agenciab12.mx/noticia/como-funcionan-algoritmos-deteccion-fraude-seguros

(v)   https://www.muysegura.com/la-gestion-transversal-del-fraude-como-elemento-diferencial-en-grupo-santalucia/