Datos - Amis
Transcripción
Datos - Amis
Análisis de información: Generador de eficiencias en el margen de los productos Copyright © 2016 Accenture. All rights reserved. “Antes de que los datos fueran grandes, antes de que “Googlear” fuera un verbo, y antes de que Gordon Moore escribiera su Ley, los aseguradores ya utilizaban matemáticas y estadística para predecir el futuro” Kevin Petrie, Information and Technology, 2015 Copyright © 2016 Accenture All rights reserved. 2 Agenda Big Data Analytics Avance de la ciencia de datos Tendencias Copyright © 2016 Accenture All rights reserved. Implicaciones para la industria Impacto en la cadena de valor Casos y aplicaciones Retos para competir con Big Data Analytics 3 Las leyes tecnológicas de Moore (procesamiento), Kryder (almacenamiento), Gilder (ancho de banda) y Metcalfe (conectividad de red) explican las tres V’s del Big Data: … el proceso de descomposición de un problema en sus partes y la utilización de datos para obtener inferencias que conducen las decisiones. No es una herramienta ni una tecnología, sino una manera de pensar y actuar Tera, Peta, Zetta… Del “batch” al tiempo real Estructurada, no estructurada, interna y externa Gracias al Big Data, en las empresas podemos resolver cualquier problema con analytics: “Big data” en Google Trends Copyright © 2016 Accenture All rights reserved. •Marketing •Ventas •Lealtad •Riesgos •Fraude •Operaciones •Recursos humanos… “Analytics” en Google Trends El análisis de datos es el combustible del mundo digital Las empresas de alto desempeño reconocen que los datos son un activo estratégico, y buscan adoptar una cultura enfocada en datos. Las decisiones basadas en datos conducen a resultados de negocio claros, que producen un retorno de inversión medible. Sin embargo, persiste el reto de encontrar el valor diferenciando las señales importantes del Mercado frente al ruido del Big Data para transformar los resultados de negocio. Copyright © 2016 Accenture All rights reserved. 5 Implicaciones para la industria Copyright © 2015 Accenture. All rights reserved. Copyright © 2016 Accenture All rights reserved. 7 Procesos que estaban diseñados para un mundo de escasez de información, deberán adaptarse al nuevo mundo de la superabundancia de datos La industria aseguradora, “the grand old dame” del análisis de datos, se está viendo inundada por el nuevo caudal de información digital. “Donde alguna vez fue difícil obtener información sobre riesgos potenciales, los aseguradores del presente pueden encontrar una riqueza casi vergonzosa de datos” (mastersindatascience.org) Copyright © 2016 Accenture All rights reserved. 8 Una nueva forma de trabajar con datos – un impacto disruptor Data Driven “Big data proporciona el pegamento entre la oferta, donde existe un deseo de expandir los tipos de productos de seguros que se ofrecen, y la demanda, que está buscando mejores formas de gestionar riesgos y crecer… Por un lado, Big Data está generando nuevos riesgos, y por el otro, el hecho de que tengas analytics permite pensar en cuantificar riesgos y diseñar productos que permitan mitigarlos… observando el comportamiento del consumidor de manera directa” Steven Mildenhall, CEO global de analytics en AON, citado en CMO, 2016 En el pasado: asimetría de información por diseño en la relación asegurador-asegurado. No se podía observar lo que de hecho era más importante - el comportamiento y la disposición del asegurado. Hasta que se generaba una reclamación. En el mundo del Big Data: podemos observar de manera directa variables desde el comportamiento de un conductor, hasta parámetros biológicos, apego a la terapia, y datos provenientes de sensores automatizando el flujo de enormes cantidades de datos Predictable – podemos saber incluso más que el asegurado sobre sus riesgos actuales y Disruption potenciales… y podemos anticiparnos con precisión y efectividad Copyright © 2016 Accenture All rights reserved. 9 Big Data Analytics: una tendencia que llegó para quedarse Y provocará más discusión y reflexión conforme avanza en la transformación de la industria • Enero 2016, la Autoridad de Conducta Financiera del reino Unido (FCA) emitió una consulta pública así: Call for Inputs: Big Data in retail general insurance • Para la FCA, es evidente el incremento de Big Data en todo el sector financiero, pero se está enfocando en seguros por: la importancia del sector; la importancia de los datos en este sector; y el potencial de Big Data para alterar la forma en la que se evalúa el riesgo. – Evaluación en toda la cadena de valor: diseño de productos, suscripción, márketing y distribución, así como la evaluación y procesamiento de reclamaciones. • Datos generados desde varios dispositivos, sensores telemáticos, aplicaciones móviles, datos obtenidos en la prestación de otros productos y servicios por el mismo u otros proveedores, datos obtenidos de terceros, datos de fuentes públicas como redes sociales y agencias gubernamentales, y datos de organizaciones sociales y otras ONGs sobre consumidores en circunstancias vulnerables. • Tres interrogantes: – ¿Cómo afecta los resultados para los consumidores?; – ¿Promueve o restringe la competencia?; y – ¿Cómo afecta el marco regulatorio actual al desarrollo de Big Data Analytics? Copyright © 2016 Accenture All rights reserved. Digital Trust Accenture Technology Vision for Insurance 2016 - one of the four pillars of a successful digital culture Four of the five technology trends likely to have a major influence on insurance in the next 3 to 5 years Data Driven Intelligent Automation Copyright © 2016 Accenture All rights reserved. Platform Economy Predictable Disruption Digital Trust Avance de la ciencia de datos Casos y aplicaciones Copyright © 2016 Accenture All rights reserved. 12 Operación industrial Alianza Accenture MIT para Business Analytics Desarrollando soluciones innovadoras en analytics a través de la colaboración Fundamentos Análisis de riesgo + Inovación en retail Early Warning Detection Improved Mining Operational Performance Enfoque en resultados de negocio Toma de decisions efectiva Equipment Sensors, Process Maintenance & Optimization * Explotando insights de Big Data Plant and Commercial Optimization * Improved Performance for Unconventional Drilling * Learning and Optimizing in Revenue Management Investigación Conjuntando… Análisis Consorcio de innovación en analytics …para ayudar a Datos Conjuntando… Tomar decisiones mejor informadas Modelación Estamos desarrollando • Mentes de primer nivel en analytics de negocios con expertos de MIT y Accenture …para ayudar a los Líderes Analíticos A conducir el proceso de transformación cultural • Exclusivamente por invitación Juntos estamos desarrollando Social Media Impact on Supply/Demand Forecasting Social Media Causal Monitoring & Market Indices – Risk; Pricing * Behavior Data Integration and Offers Platform * Reducing False Positives in Fraud Detection * Collateral Allocation Optimization Holistic Risk Assessment * HR Skills Forecasting * Right Sizing of Capacity and Service Levels Nuevos enfoques Nuevos modelos Innovación Colaboración entre colegas a nivel global Expandiendo las fronteras de los analytics Dando forma al rol de los líderes analíticos Design of Urban Transportation Services * SCADA Security and Risk Link Analytics to High Performance * 2014 Data Science Challenge * Copyright © 2016 Accenture All rights reserved. 13 Ejemplo: Suscripción de 37% de riesgo entre $50MM-$75MM de USD para pérdidas en 1269 locaciones a nivel global para un Cliente X XL Catlin necesita evaluar la exposición al riesgo producido por desgaste (attrition - no relacionado con catástrofes naturales) con daños a la propiedad e interrupción de negocio -Property Damage (PD) & Business Interruption (BI) Copyright © 2016 Accenture All rights reserved. … Sin embargo, valorar el riesgo para clientes comerciales grandes es difícil por la complejidad de la cobertura y la exposición en una misma cuenta. Ejemplo – inspecccionar las 50 locaciones más importantes para estimar el riesgo en la cuenta completa. … Tradicionalmente, el enfoque es escalar el análisis a partir de una selección de locaciones. El riesgo de la cuenta en su conjunto se infiere del riesgo observado en una muestra de locaciones.… La calificación actual de riesgo no permite diferenciar entre cuentas en términos de porcentaje de pérdidas probables % … Sin embargo, el riesgo calculado así no es muy confiable… … XL Catlin cree que apalancándose másen los datos de los clientes podría obtener mejores resultados de la evaluación del riesgo de desgaste (attritional risk). Calificación actual de riesgo Porcentaje Real de Pérdidas En este proyecto, desarrollamos un modelo de evaluación de riesgo que no está basado en reportes de ingeniería (visitas especializadas a locaciones) … Copyright © 2016 Accenture All rights reserved. …Y sin embargo proporciona información de mayor calidad para el proceso de suscripción. La precision de la predicción de riesgos rentables y no rentables superó el 90%. Modelo 1: Predicción de riesgo Calificación de riesgo Calificación de riesgo Un modelo basado en análisis de datos (no en observaciones directas extrapoladas) permite separar cuentas riesgosas con mucha más efectividad Modelo actual Más rápido Más barato Mejor Modelo 2: Predicción de la rentabilidad El modelo permite separar cuentas con mayor probabilidad de ser rentables de aquellas que no lo son, con una certeza de más del 90% Predichas como rentables Predichas como no rentables Realmente rentables 443 17 Predichas como no rentables 3 109 Modelo nuevo Evaluación del riesgo Copyright © 2016 Accenture All rights reserved. Mejor análisis. Mayor eficiencia ¿Qué sigue? ¿Cómo lo hicimos? MIT/Accenture están transicionando los hallazgos a XL Catlin e instalando el código base en el ambiente operative de XL Catlin Análisis avanzado + objetivos relevantes para el negocio + diseño metodológico relevante para el negocio XL Catlin está revisando e internalizando los modelos, y trabajando con el negocio en opciones para la implementación Copyright © 2016 Accenture All rights reserved. Otros casos y aplicaciones Copyright © 2016 Accenture All rights reserved. Reto: incrementar la eficiencia en la prevención y detección de fraudes en una de las aseguradoras más grandes del mundo Una gran oportunidad de hacer la diferencia Una de las aseguradoras más grandes del mundo: más de 8 millones de pólizas activas y más de 20 millones de siniestros en los últimos 5 años Cómo identificar mejor los fraudes? Los métodos tradicionales de detección de fraudes en las reclamaciones tenían una gran oportunidad de mejora, más del 65% de falsos positivos. Metodología Modelos predictivos analíticos para evaluar la probabilidad de fraude en las reclamaciones + App basada en una plataforma de reclamaciones para un proceso transparente que permite apalancar los modelos analíticos a través de los usuarios Necesidad de construir un programa activo y eficiente para la prevención y detección de fraudes. Impacto / Aplicación • 48.6% más de eficiencia enfocando los esfuerzos a la investigación de fraudes • Como proceso continuo – incluyendo automatización para la sustentabilidad operativa y enfoque en el aprendizaje para mejorar el desempeño de manera sistemática Copyright © 2016 Accenture All rights reserved. Retos para competir en el mundo del Big Data Analytics Copyright © 2015 Accenture. All rights reserved. 20 20 Retos de corto plazo para la explotación y aplicación de Big Data Analytics: capacidades a construir Capacidad para combinar múltiples fuentes de datos estructuradas y no estructuradas Capacidad para analizar eficazmente datos variados y complejos – reclamaciones / logs de llamadas – y producir hallazgos accionables Intelligent Automation Platform Economy Capacidad para desplegar acciones habilitadas por analytics en el ‘front line’ “...la industria aseguradora está liderando la obtención de valor real de negocio a partir del volumen, velocidad y variedad de conjuntos masivos de datos… ¿Porqué están enfrentando los aseguradores este reto al mismo tiempo en que transforman sus sistemas core, evolucionan las expectativas del consumidor y enfrentan presiones regulatorias?... Dice Pawan Divakarla, líder de Big Data en Progressive Insurance, “Big data de hecho funciona”. Copyright © 2016 Accenture All rights reserved. Insurance Networking News, Nathan Golia y Chis McMahon, 2015 21 People First: The Primacy of People in the Age of Digital Insurance Accenture Technology Vision for Insurance 2016 Los mayores retos tienen que ver con las personas y los procesos: Cerca de 2/3 de los problemas considerados como barreras para el Big Data están relacionados con personas y procesos, no con tecnología Las principales barreras para la innovación – y en Big Data Analytics en especial, son: 1º- La cultura 2º- Los procesos preestablecidos 3º- Silos en la organización NO los sistemas ni la tecnología… Copyright © 2016 Accenture All rights reserved. 22 Appendix Copyright © 2016 Accenture All rights reserved. 23 AAAP Case Study in Financial Services Best offer for hot prospects Client Italian Insurance company, part of one of the largest Banking groups in Europe Accenture Approach 1.3M Quotations as input to the analysis. Main challenge noisy data. Business Issue Eg: husband ask for a quote with his name a fake plate number, compares a few offers, then get back for the final quotation using wife name real car data. To identify potential clients among all the prospects interacting through WebSite channel to ask for a quotation. Lot of data cleansing, complex data preparation, to define the Potential Sale Record. Identify the best offer to address: Input data: Customer, Relationship with firm, Quotes, Car • «hot» prospects to turn quotations into policies Logistic Regressions for probability scoring, Modeler engine Work on the last batch of quotations (typically week), focuses on those still alive, and then score the success probability. Key Drivers: The high potential, are assigned to channels for further contact. • F customer • Price<400€ • Cylinder Capacity < 1200cc • Closeness Policy expiration date (<7d) • Previous quotations >2 • Other Policies >1 Gains: the 10% top ranked quotations contains 50% of the conversions Next step: Cluster analysis (k-means) on existing clients, using internal and external insurance information and banking behaviour information to segment and profile clients.