Desafío
En los siniestros de automóviles, la selección y asignación de talleres es un elemento clave tanto para el control y la optimización de los costes de reparación como para la satisfacción del cliente. Este proceso adquiere mayor relevancia en un contexto de mercado donde la inflación y el incremento de los costes de reparación han supuesto que la rentabilidad técnica del ramo se haya visto afectada de manera negativa.
La mayor parte de las aseguradoras intentan en una primera instancia canalizar las reparaciones hacia su red de talleres de confianza y donde no solo deben garantizar un nivel de calidad optimo y similar, tanto en la calidad reparación como en la atención al cliente, sino que también deben tener en cuenta los diferentes niveles de especialización, herramientas, procesos, eficiencia y control.
Otro aspecto que hay que tener en cuenta son los costes de reparación, ya que la aseguradora debe mantener un equilibrio entre la calidad de la reparación y su coste, por lo que deben buscar talleres que ofrezcan precios competitivos, pero sin comprometer la calidad, por lo que debe negociar constantemente las tarifas con los talleres que forman parte de su red.
Y por supuesto, en este contexto no se pueden perder de vista los tiempos de reparación que ofrecen los talleres, ya que los asegurados esperan que sus vehículos sean reparados lo más rápido posible, por lo que la compañía debe asegurarse de que los talleres cumplan con los plazos establecidos y eviten demoras innecesarias.
Todo ello en un escenario en el que la transformación digital de los talleres mecánicos en la mayoría de los países aún está en proceso, y en el que muchos talleres se enfrentan a dificultades para adaptarse a las nuevas tecnologías, debido a la brecha digital y a la falta de recursos económicos.
Teniendo en cuenta todo lo anterior, los criterios para seleccionar un conjunto de talleres de la red de una aseguradora, así como el orden en el que se le ofrecen al cliente resultan ser decisiones estratégicas para la aseguradora, ya que la selección de uno u otro taller en cada momento impactará directamente en la satisfacción del cliente, los costes y la reputación de la compañía.
Pero, ¿qué pasa cuando los criterios de asignación incorporan diferentes variables y se deba gestionar su cambio de la forma más dinámica y rápida posible?. ¿Qué pasa si se necesitase incorporar nuevas condiciones en base a la legislación existente, cambios en el sector automovilístico o en la estrategia comercial de la aseguradora? ¿Qué pasa cuando hay diferentes tipos de productos o incluso diferentes plataformas dentro de la compañía encargadas de realizar la asignación de talleres, cada una de ellas con sus propias condiciones y necesidades?
Solución
Gracias a la flexibilidad inherente a las soluciones que integran plataformas para la gestión de las decisiones, se pueden abordar los cambios en los criterios vinculados a las necesidades de una aseguradora de forma rápida, coherente y a escala.
Y, además, se pueden combinar fácilmente con la potencia ofrecida por las soluciones de inteligencia artificial, para conjuntamente convertirse en un factor determinante a la hora de ofrecer el taller perfecto para cada siniestro, cada asegurado y cada compañía aseguradora.
A lo largo del siguiente artículo abordaremos cómo utilizar una plataforma BRMS (para gestionar decisiones de negocio y reglas) y cómo combinarla con inteligencia artificial para que se pueda realizar la selección de un conjunto de talleres, que se muestren de forma ordenada y satisfagan las necesidades de todos los involucrados, de una manera ágil y controlada por los usuarios de negocio.
Conclusión
En las soluciones en las que se combinan IA y plataformas de gestión de reglas de negocio (BRMS), las IA se usarán como motores de aprendizaje, ya que pueden analizar grandes volúmenes de datos históricos sobre los siniestros, los talleres y el desempeño de estos en las reparaciones, mientras que los BRMS se usarán como motores de ejecución, ya que ofrecen a los usuarios de negocio la posibilidad de definir y, por lo tanto, de controlar las lógicas para la toma de decisiones.
Un enfoque muy útil a la hora de abordar cualquier problema que requiera la implementación de una solución completa y que incluya las lógicas que rigen una o varias decisiones es realizar un modelo, apoyándose en la notación estándar para el modelado de decisiones (DMN), que permita identificar el contexto en el que se debe tomar esa decisión. Por ejemplo ¿qué información se necesita para tomar una decisión concreta y donde se encuentra o cómo se puede generar esa información?
Algunos ejemplos de qué información se necesita para abordar la selección y ordenación de los talleres de la red de talleres de una aseguradora serían, por ejemplo:
Además de todo lo anterior, una información muy diferenciadora sería el propio desempeño histórico de cada taller, algo difícil de valorar con un análisis manual pero que se puede identificar usando algoritmos de IA, destinados a procesar grandes volúmenes de datos históricos sobre siniestros, talleres, tiempos de reparación, costes, etc.
De esta forma el desempeño previsto para cada taller en función de las características del siniestro, del vehículo y de la póliza se utilizaría como un valor asociado a cada taller con el que los usuarios de negocio podrían jugar en las reglas responsables de decidir la selección y ordenación de los talleres dentro de la plataforma BRMS de la compañía, y de esta forma se aprovecharía la facilidad a la hora de gestionar decisiones que proporciona una plataforma de reglas, permitiendo a los usuarios modificarlas y adaptarlas a medida que vayan cambiando las necesidades de selección y ordenación de talleres.
En base a lo anterior, el uso de un BRMS permite estandarizar el proceso de asignación y selección de talleres, y reducir los tiempos de tramitación del siniestro asociados a la asignación de talleres. Además, el uso de una IA predictiva para asignar un peso a los talleres en base al desempeño histórico general o incluso en base al desempeño de los talleres frente a un tipo de siniestros y de vehículos, permitiría identificar y categorizar a los talleres de la red de talleres de la aseguradora, y usar la previsión de la capacidad de los talleres para cumplir con los plazos de entrega, de cara a minimizar los tiempos de inactividad de los vehículos de los asegurados. Todo lo cual ayuda en la reducción del coste de siniestralidad.
En resumen, la combinación de IA y BRMS ofrece un gran potencial para mejorar la asignación y selección de talleres en el sector asegurado.
