Antes de sumergirme en todo tipo de definiciones y explicaciones, permítanme contarles un pequeño secreto: Puedo ser friki cuando se trata de música. De ahí el título de este blog, inspirado en el famoso álbum de Guns and Roses «Apetito por la destrucción» (Appetite For Destruction), lanzado en 1987. Al principio, el álbum recibió poca atención de la industria de la música, y sólo más tarde se reconocieron algunas grandes canciones del álbum. Y eso se relaciona muy bien con el razonamiento que estoy a punto de hacer: ¿por qué es importante que las aseguradoras vinculen la precisión (a menudo llamada tasa de éxito) con su apetito por el riesgo? Si no lo hacen, se perderán de una información muy importante. Dicho de otra manera, eventualmente sería autodestructivo.
Preparar el escenario para una precisión del 100%
Comencemos con algunas palabras que usamos para clasificar correctamente el fraude:
Precisión: el número de siniestros correctamente clasificados dividido por el importe total de los siniestros devueltos
Recuperación: el número de siniestros correctamente clasificados dividido por la cantidad total de casos de fraude en un conjunto de datos históricos
F1: dos veces el tiempo de precisión multiplicado por la recuperación dividido por la precisión más la recuperación
Nuestro estudio reciente muestra que los profesionales de seguros creen que el 18% de los siniestros contienen un elemento de fraude. Si nos fijamos en un conjunto de 200.000 siniestros, definitivamente habrá algún fraude para ser encontrado. Si identifica solo un caso, con la ayuda de un modelo de detección de fraude, es posible que solo encuentre el más obvio. Desde una perspectiva de ciencia de datos decimos que hay un 99,9% de probabilidad de que este sea un caso de fraude. La precisión (o tasa de aciertos) en este caso sería del 100%. Ahora eso es una tasa de éxito que a cualquier ajustador de siniestros le encantaría presentar a su gerente.
No perder de vista al cliente honesto
¿Por qué no querría hacerlo?
En el ejemplo anterior, la mayoría de los estafadores pasarían inadvertidos. Porque si bien creemos que tenemos una precisión del 100% y todo fraude está clasificado, en realidad, sólo 1 de cada 200.000 siniestros fue identificado por el sistema.
Si desea detectar todo el fraude, debe clasificar los 200.000 siniestros. Esto permitiría una estrategia de tolerancia cero, pero la Unidad Especial de Investigaciones (SIU, por sus siglas en inglés) se inundaría de falsos positivos. Dado que la gran mayoría de los clientes son buenos clientes, merecen un pago rápido sin las demoras innecesarias provocadas por la SIU.
Para hacer una selección adecuada para investigaciones adicionales, debe ser más selectivo en la clasificación de los casos fraudulentos.
Encontrar el equilibrio adecuado
Es por eso que creemos que es de vital importancia trabajar junto con nuestros clientes para equilibrar la precisión con el apetito por el riesgo. Nuestras potentes técnicas de IA, como modelos predictivos, análisis de redes y minería de texto, combinadas con más de 600 indicadores de riesgo y fraude listos para usar, pueden marcar automáticamente cualquier tipo de fraude potencial.
Si hay la capacidad de la SIU es limitada, ajustamos el sistema a una precisión más alta para que solo se marquen los casos más riesgosos para una investigación adicional. Si hay suficiente capacidad y existen procesos adecuados para realizar un seguimiento de las alertas, desea una menor precisión y una mayor recuperación.
Investigar más siniestros también significa que nuestros modelos reciben más comentarios de la SIU. Esta retroalimentación vuelve a entrenar automáticamente nuestros modelos, lo que en última instancia conduce a una mayor precisión. Esta es una espiral de retroalimentación positiva y beneficia en gran medida la tasa de detección de fraude de nuestros clientes. Encontrar el equilibrio entre precisión y recuperación es lo más valioso para nuestros clientes.
Este es el desafío que nuestros científicos de datos enfrentan diariamente al implementar FRISS, y, personalmente, me siento muy orgulloso de lo bien que lo hacemos. Sin olvidar el constante bombardeo a mis colegas con pésimas bromas musicales…
Sobre el autor
Daan Bakker es científico de datos en FRISS y su carrera profesional se centra en la detección de fraude. Daan y sus colegas de ciencia de datos mejoran los productos y algoritmos de FRISS a diario, con el único propósito de garantizar un seguro equitativo para todos.
