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
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
•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.
5
Implicaciones para la
industria
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)
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
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?
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
Platform
Economy
Predictable
Disruption
Digital
Trust
Avance de la ciencia de datos
Casos y aplicaciones
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 *
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)
… 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) …
…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
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
Otros casos y
aplicaciones
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
Retos para competir
en el mundo del Big
Data Analytics
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”.
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…
22
Appendix
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.

Datos - Amis

Transcripción

Documentos relacionados

Visión estratégica de los pagos a nivel global (documentación).

Universal Orlando® Resort

Disfruta De los mejores conteniDos en sePtiemBre

Alineación Efectiva de la Cadena de Suministro al Canal Tradicional

U N IV E R SA L C IT Y W A LK

Christmas Spanish Vocabulary

Descargar La protección de la información del futuro

VB17 - GenEd - Resort Wide Map MIUO.indd

Servicios de Seguridad Basados en Nube