Artigo escrito em colaboração com o escritório de advogados GALEA associés.
O mercado do seguro automóvel está agora num ponto de viragem. Neste mercado já saturado, que oferece poucas margens e espera por veículos autónomos, o desenvolvimento de novos intervenientes está a aumentar a concorrência. Além disso, a lei Hamon (que facilita a mudança de seguradora) e o crescimento das ofertas de veículos por conta própria estão a tornar cada vez mais difícil a retenção de clientes e de bons riscos, em particular.
Nos próximos anos, as seguradoras automóveis continuarão, portanto, a aperfeiçoar a sua capacidade de individualizar as suas tarifas, respeitando ao mesmo tempo o princípio do agrupamento de riscos, que é a base do seguro, tanto quanto possível. Aqueles que conseguirem fazer com que cada segurado pague o seu “preço justo” poderão fidelizar os seus membros, mantendo ao mesmo tempo o equilíbrio técnico. Inversamente, taxas menos adaptadas levarão a mais e mais anti-selecção. O processo de fixação de preços parece, portanto, ser a principal alavanca para a excelência técnica.
Como parte do seu trabalho, os consultores da Galea realizaram um estudo para testar duas formas de melhorar o cálculo dos prémios:
Classicamente, o cálculo do prémio baseia-se num modelo linear generalizado (GLM). A primeira ideia é comparar os resultados obtidos por este modelo com os das abordagens da ciência dos dados. Será que estes diferentes modelos de aprendizagem mecânica (tais como CART, Random Forest ou XGBoost) melhoram as previsões e refinam os critérios de preços? O modelo é enriquecido pela contribuição de novos dados externos, nomeadamente da telemática fornecida pelo nosso parceiro Ellis-Car. A integração destes dados torna possível isolar comportamentos específicos que os dados históricos disponíveis para as seguradoras não detectam? Este estudo foi realizado em parceria com a Ellis-Car, que oferece uma solução para frotas de veículos e particulares que combina telemática a bordo, formação e rentabilidade.
O start-up oferece uma solução de geolocalização e de perfil de condução utilizando um simples smartphone para frotas empresariais. Desenvolvidos no mundo académico, muitas vezes recompensados e afinados por centenas de milhões de quilómetros de condução, os algoritmos de auto-aprendizagem propostos pelo arranque são capazes de detectar em tempo real qualquer desvio no comportamento de condução em relação a todos os condutores. Um sistema de alertas de voz e visuais torna possível modificar o comportamento do condutor de uma forma muito significativa e benéfica para a empresa. Estas melhorias no comportamento de condução são também sustentáveis graças à gamificação da experiência do utilizador.
O algoritmo Ellis-Car baseia-se num conjunto de várias camadas cartográficas, que são alimentadas por numerosos dados Open Data: tempo, trânsito, visibilidade da estrada, sinalização rodoviária, histórico de acidentes, etc. Estas camadas são também enriquecidas por qualquer viagem feita por um condutor, com o objectivo de poder comparar o comportamento de condução com toda a base de conhecimentos e estimar o risco.
