Precios de los coches: Aprendizaje automático

Artículo redactado en colaboración con el bufete de abogados GALEA associés. 

El mercado de los seguros de automóviles se encuentra en un punto de inflexión. En este mercado ya saturado, que ofrece pocos márgenes y está a la espera de los vehículos autónomos, el desarrollo de nuevos actores está aumentando la competencia. Además, la ley Hamon (que facilita el cambio de aseguradora) y el crecimiento de las ofertas de pago por uso hacen cada vez más difícil retener a los clientes y a los buenos riesgos en particular. 

En los próximos años, las aseguradoras de automóviles seguirán perfeccionando su capacidad de individualizar sus tarifas, respetando al máximo el principio de agrupación de riesgos, que es la base del seguro. Aquellas que consigan que cada asegurado pague su «precio justo» podrán fidelizar a sus miembros manteniendo el equilibrio técnico. Por el contrario, unas tarifas menos adaptadas conducirán a una mayor antiselección. El proceso de tarificación parece, pues, la principal palanca de la excelencia técnica. 

Como parte de su trabajo, los consultores de Galea realizaron un estudio para probar dos formas de mejorar el cálculo de las primas: 

Clásicamente, el cálculo de las primas se basa en un modelo lineal generalizado (GLM). La primera idea es comparar los resultados obtenidos por este modelo con los de los enfoques de ciencia de datos. ¿Los diferentes modelos de aprendizaje automático (como CART, Random Forest o XGBoost) mejoran las predicciones y afinan los criterios de tarificación?  El modelo se enriquece con la aportación de nuevos datos externos, especialmente los procedentes de la telemática proporcionada por nuestro socio Ellis-Car. ¿La integración de estos datos permite aislar comportamientos específicos que los datos históricos de que disponen las aseguradoras no detectan?  Este estudio se ha realizado en colaboración con Ellis-Car, que ofrece una solución para flotas de vehículos y particulares que combina telemática a bordo, formación y rentabilidad. 

La start-up ofrece una solución de geolocalización y perfilado de la conducción mediante un simple smartphone para flotas de empresas. Desarrollados en el mundo académico, muchas veces recompensados y afinados por cientos de millones de kilómetros de conducción, los algoritmos de autoaprendizaje propuestos por la startup son capaces de detectar en tiempo real cualquier desviación en el comportamiento de conducción en relación con todos los conductores. Un sistema de alertas vocales y visuales permite modificar el comportamiento del conductor de forma muy significativa y beneficiosa para la empresa. Estas mejoras en el comportamiento de conducción son además sostenibles gracias a la gamificación de la experiencia del usuario. 

El algoritmo de Ellis-Car se basa en un conjunto de varias capas cartográficas, que se alimentan de numerosos datos Open Data: meteorología, tráfico, visibilidad de la carretera, señales de tráfico, historial de accidentes, etc. Estas capas también se enriquecen con cualquier viaje realizado por un conductor, con el objetivo de poder comparar el comportamiento de la conducción con toda la base de conocimientos y estimar el riesgo.