Page 7 - PERICIA 67

en portada

¿Cómo lo hacemos? Gracias a decir, si hay repetitividad de patro- • Analizar si esa póliza está a
la palabra de moda: Big Data. nes entre los actores que intervie- punto de caducar y el cliente ha
Atacar el fraude requiere de una nen. Por ejemplo: mostrado malestar con el segu-
acción global conjunta y coordina- • Siniestros y argumentos simi- ro. Los modelos nos dicen que
da de varios ámbitos de actuación: lares por parte del cliente y ac- cuando alguien quiere defrau-
desde búsqueda de anomalías, tuando las mismas personas dar y salir del seguro lo hace en
pasando por modelos predictivos que en otros (tramas organiza- los últimos meses del mismo.
a análisis de redes sociales hasta das que cambian los roles). • Conocer si ese usuario ha acce-
comparativa de información. Big dido vía web a su póliza o bien
Data es el conjunto de técnicas y • Talleres que reportan siniestros por el contact center, pregun-
paradigmas para tratar esa infor- del mismo tipo a la aseguradora tando por alguna cobertura.
mación de una forma ágil, eficiente con un porcentaje más alto que
y económica. la media. • Comprobar con los datos me-
teorológicos si realmente se ha
• Periodicidad de repetición de producido ese fenómeno.
El caso DE la trama esos partes.
En Equipo • …
• Mediadores que tramitan sinies-
Pongamos un ejemplo clásico tros muy parecidos a lo largo del Para los dos primeros casos, la
que nos encontramos en el sector tiempo. solución que podemos aplicar es
para entender mejor qué podemos un modelo de anomalías donde re-
hacer. El ejemplo de la trama de • … flejaremos los siniestros de forma
fraude en equipo y cómo detectar- gráfica buscando todos aquellos
lo aplicando técnicas Big Data. Este anomalías que se salgan de la norma y detec-
caso tiene múltiples vertientes y Un segundo ejercicio puede ir tando los falsos positivos.
puede darse en Autos, Hogar, etc. más en la naturaleza del siniestro y Muy útil y eficaz se ha declarado
Supongamos un siniestro de Au- de la póliza. Veamos algunos ejem- el uso de modelos predictivos su-
tos o de Hogar donde entran en plos: pervisados. Esto en términos mun-
juego al menos estos actores: Pe- danos, no es más que, partiendo
rito, Agente de seguros (media- • Analizar si ese siniestro re- del histórico de fraude de nuestra
dor), Taller (empresa reparadora) lacionado con viento, rayos, compañía, analizar los patrones y
y Cliente. Todos ellos tienen una etc. tiene un impacto en otros extrapolarlos a las pólizas futuras
interacción clara en la aprobación clientes que están a dos man- para determinar la probabilidad
o rechazo de un siniestro, pero no zanas de nuestro beneficiario. de que sea un nuevo posible timo.
siempre los datos están claros. Encontramos muchas veces, En estos modelos predictivos, la
rayos muy caprichosos que algoritmia es nuestra gran aliada
patronEs solo afectan a clientes que para esta detección, con porcenta-
viven en un 2º piso y que les jes de acierto notablemente altos
Un primer ejercicio que pode- afecta solo a sus componentes con técnicas como: la regresión,
mos analizar es si esta casuística electrónicos más caros y solo las redes neuronales, árboles de
se ha producido anteriormente, es les ocurre a ellos en el edificio. decisión, etc.

En un siniestro de Autos o de Hogar, entran
en juego al menos estos actores Agente
(mediador), Taller (empresa reparadora),
Perito y Cliente.

7