¿Cómo puede ayudar analytics con la renovación del seguro en un mercado duro?

Cuando el futbolista Kevin De Bruyne se sentó a la mesa de negociación con los directivos del Manchester City, llevaba bajo el brazo mucho más que su palmarés como uno de los mejores centrocampistas del planeta. El futbolista fue a negociar su ampliación de contrato con los datos en la mano, con un enfoque que resultará familiar a los gestores de riesgos. De Bruyne había hecho uso de herramientas de análisis de datos para establecer su valor potencial para el club y negociar a partir de esa información.

El centrocampista belga es un caso poco común en el mundo del fútbol, ya que no tiene agente que negocie sus contratos. En su lugar, para la renovación con el club de Manchester, contrató a una empresa de analytics que analizó su rendimiento en el pasado y proyectó la evolución de su valor en el futuro. Gracias a los modelos predictivos utilizados, De Bruyne logró renegociar la propuesta inicial del City e incrementar sus ingresos en un 30 %.

El uso del análisis de datos en el deporte no es nuevo. El caso de los Oakland Athletics, un equipo de béisbol de California, es quizá el más conocido, gracias a haber sido llevado al cine en la película Moneyball. Este club, con un presupuesto mucho más bajo que el de los favoritos, confió en los datos para acometer sus fichajes y acabó ganando su división en la Major League Baseball de Estados Unidos en 2002. En los últimos 20 años, el uso del big data en el deporte no ha dejado de crecer y es cada vez más habitual. Pero, ¿qué tiene que ver todo esto con el mercado asegurador?

¿Cómo abordar los desafíos de un mercado de seguros duro?

El mercado en el que se mueven De Bruyne o los Oakland Athletics poco tiene que ver con el de los seguros. Sin embargo, sí que se dan situaciones difíciles de negociación, en las que, por ejemplo, las aseguradoras buscan subir las primas de forma significativa dejando al asegurado en una tesitura complicada. Aquí es donde entra en juego el análisis de datos.

En un caso real reciente, un gran cliente recurrió a los servicios de WTW en busca de apoyo analítico al descubrir que su prima total en todas las líneas de seguro iba a aumentar casi un 30 % y sus aseguradoras buscaban multiplicar por cuatro las franquicias en algunos de sus mayores riesgos. El administrador de riesgos y el equipo de finanzas del cliente tenían la sensación de que el precio del programa de seguros estaba por encima de los valores del mercado. Pero, ¿cómo llegar a esta conclusión con un nivel razonable de confianza?

Mediante el análisis de datos, fue posible predecir que el cliente no iba a generar más reclamaciones de lo habitual, así como estimar sus pérdidas probables en diferentes escenarios.

El equipo de Risk & Analytic analizó su histórico de reclamaciones para cada línea de seguro y cómo habían cambiado sus exposiciones a los riesgos durante el mismo periodo. Combinando esta información con datos del mercado, el equipo de Analytics pudo construir modelos a través de los que proyectar la evolución de estos parámetros en el futuro. Mediante el análisis de datos, fue posible predecir que el cliente no iba a generar más reclamaciones de lo habitual, así como estimar sus pérdidas probables en diferentes escenarios.

A partir de los resultados y teniendo en cuenta su estructura de seguros, fue posible predecir con detalle las pérdidas que retendría el cliente dentro de las franquicias y las pérdidas que iban a ser transferidas a las aseguradoras, tanto para líneas individuales como para todas las líneas en conjunto. El modelo utilizado por WTW confirmó lo que ya habían intuido el administrador de riesgos y el equipo financiero: el programa de seguros actual era demasiado caro. Aunque había ciertas líneas en las que el seguro era rentable, a nivel agregado no había generado suficiente valor.

Al implementar técnicas efectivas de analytics, el cliente pudo identificar oportunidades de valor en el mercado de seguros.

En un contexto de mercado duro, en el que las primas seguirán subiendo en muchos ramos, estos conocimientos permitieron al cliente tomar una serie de acciones inmediatas que mitigasen el impacto de los altos precios:

• Desarrollar un plan concreto para las renovaciones en el que se determinase, entre otros aspectos, qué riesgos podían retenerse por completo, dónde podían tolerar franquicias más altas y dónde podían redistribuir el gasto de manera más rentable.
• Buscar de inmediato opciones alternativas de transferencia de riesgos para las líneas para las que el seguro contratado no proporcionaba un valor suficiente. Al mismo tiempo, podían explorar cómo su aseguradora cautiva podría usarse de manera eficiente no solo para retener el riesgo, sino también para convertirse en una herramienta central de la gestión de riesgos con la  recopilación de datos o  financiación de fondos para la reducción de riesgos.

Al implementar técnicas efectivas de analytics, el cliente pudo identificar oportunidades de valor en el mercado de seguros y asegurarse de que su gasto en primas estuviese  justificado. Y, al igual que De Bruyne hizo con el Manchester City, gracias al análisis de datos el equipo de riesgos pudo demostrar de forma sólida que las decisiones tomadas iban a aportar valor.

Este artículo fue escrito originalmente en nuestro blog en inglés por Arun Kurian, Associate Director, Risk & Analytics