Reply is the place to meet an incredible variety of enthusiastic, passionate, ideas-driven people, who want to make a difference and an impact.Would you like to know more?
As companhias de seguros tradicionais tentam diferenciar e recompensar motoristas "seguros" pelo seu comportamento na direção ao longo do tempo, sua frequência de acidentes, os quilômetros rodados durante a noite ou em autoestradas, a quantidade de horas e horários em que dirige; tudo isso com o objetivo de alinhar prêmios ao risco empírico, baseando-se em como o segurado realmente dirige. Os motoristas mais seguros pagam menos, porque a companhia de seguros sabe como eles dirigem e, já que os segurados estão conscientes disso, inicia-se uma espiral virtuosa na qual os comportamentos imprudentes são evitados em troca de descontos.
Infelizmente, o mercado da assistência com caixa-preta parece não ter capitalizado os recentes avanços na tecnologia GPS, acelerômetros e telemetria, e isso, unida à consolidação da oferta de assistência, levou a uma ampla utilização de políticas de “Pay as You Drive” ou “Pay Per Use” (“pague o quanto usar” ou “pague por uso”, respectivamente). Já é hora das seguradoras recuperarem os dados de seus clientes, salvarem o fluxo dos dados de condução de veículos, desenvolver previsões e aplicar descontos e tarifas sob medida e diferenciadas.
Isto se simplifica com o aumento da granularidade dos dados coletados. Mas uma maior granularidade implica em custos mais elevados, logo, a empresa conserva apenas 25% dos dados disponíveis, enquanto o tempo de processamento normalmente leva cinco dias úteis. Adotando uma arquitetura Hadoop, uma seguradora pode reter 100% dos dados de geolocalização de seus segurados e processar este enorme fluxo de dados em poucas horas. A velocidade dos novos instrumentos de análise de Big Data permite analisar rapidamente grandes quantidades de dados, tendo assim um poderoso aliado na reconstrução rápida e precisa dos acidentes e garantir um combate imediato e eficaz contra fraudes.
Qualquer tempo de inatividade é uma potencial perda de receita para as empresas, por causa da falta de produção, custos de reparo e perdas geradas no processo. Para minimizar esse risco, os produtores normalmente utilizam programas de manutenção preventiva, que quase sempre aplicam uma abordagem baseada em prazos, ou seja, que se refere à necessidade de manter ou substituir peças em intervalos pré-definidos. Por exemplo: pode ser prevista a substituição de um componente depois de um certo período de tempo ou um determinado número de operações. Ao contrário, um programa de manutenção baseado nas condições incide sobre o estado do equipamento e do seu funcionamento, ao invés de ser sobre um intervalo de tempo, ou um programa pré-definido. Com a melhoria da tecnologia, cada dispositivo de engenharia está agora equipado com sensores e RFID (radio frequency identification – identificação por radiofrequência), que podem transmitir ativamente informações básicas sobre as variáveis do veículo, tais como temperatura, nível do óleo, trepidamento, umidade, taxa de produção, medição de consumo e defeitos. Ao enviar a um data lake, uma enorme quantidade de log de dados gerados pelo carro e combinando com as configurações dos defeitos registrados e com o seu histórico de manutenção, certamente será facilitada a identificação de padrões que levam ao defeito, dando forma às condições do equipamento em manutenção, a fim de prever quando uma intervenção deste tipo será necessária.
Cada companhia de seguros está preocupada em minimizar o risco e maximizar as oportunidades de equilibrar a capacidade de recolher prêmios com o risco de pagar indenizações, na qual poucos indivíduos podem causar prejuízos extraordinários se suas atividades mal-intencionadas passarem despercebidas. Companhias de seguros armazenam e processam grandes quantidades de dados, mas geralmente estes dados permanecem isolados em silos funcionais, enquanto a sua integração no Apache Hadoop pode proporcionar uma melhor compreensão para melhorar as margens operacionais e antecipar os eventos únicos que poderiam causar prejuízos desastrosos.
Cada seguradora já possui sistemas para a análise de dados estruturados em um nível adequado. Infelizmente, as informações coletadas em uma base de “indenização por indenização” são na maioria dos casos limitados a áreas funcionais diferentes e separadas da companhia (gestão de indenizações, administração, finanças, gestão de fraudes) e raramente são utilizados pelas funções atuariais para melhorar os modelos de preços. Notas de indenização menos estruturadas e análises com base nas redes sociais acrescentariam um valor significativo para uma melhor compreensão de soft links entre as partes envolvidas em um acidente ou, mais geralmente, em um processo de gestão de indenizações. Mas essa abordagem não está funcionando e passa facilmente nos armazéns de dados tradicionais; a combinação de dados de texto ou sociais com dados estruturados em um ambiente RDBMS não é, na verdade, uma opção economicamente viável. Um sistema com "esquema de leitura", como o Apache Hadoop, permite a aquisição de uma gama muito maior de tipos de dados, para que depois possam ser colocados em data lake de forma rápida e simples, para obter uma imagem mais clara e holística do risco real. Esta grande reserva de dados pode ser posteriormente analisada com as ferramentas de Business Intelligence existentes e a competência dos funcionários, graças à integração da plataforma Hadoop com as plataformas de BI mais utilizadas que estão atualmente conectadas ou, melhor ainda, pela nova classe de ferramentas de data discovery. A abordagem proposta, que supera as hierarquias de papéis, levando a uma visão unificada dos fenômenos, proporcionando uma oportunidade de compreender antecipadamente as novas tendências ou modelos de fraude – que não poderiam ser facilmente detectadas pela simples análise dos fenômenos através da investigação setorial de costume.
Toda empresa, com a combinação de muitos clientes e muitos pontos de interação entre clientes, se esforça para alcançar a proverbial perspectiva do cliente em 360 graus. No entanto, o agrupamento de dados de vários sistemas administrativos separados, sistemas de pedidos de indenização e outras fontes de dados (geralmente uma mistura de softwares comerciais e aplicativos criados por conta própria) não é tão simples, enquanto remover, substituir ou simplesmente tocar nestes sistemas de gravação de importância crítica é geralmente fora de questão.
Então, como uma grande companhia de seguros poderia acessar informações a partir dessas várias fontes? Nos últimos anos, os bancos de dados NoSQL afirmaram-se como uma opção diferente e escalável para reunir os dados adquiridos a partir de inúmeros sistemas legacy que contêm dezenas de terabytes de dados, a fim de fundi-los em um único registro que é atualizado quase em tempo real, no momento em que os dados de um novo cliente são inseridos. É fácil entender o impulso efetivo que uma "perspectiva do cliente com um registro único", que representa uma cronologia do estado, das transações, das reivindicações e dos pedidos do cliente, possa dar em termos de eficiência dos processos e consequentemente na satisfação do cliente. Além disso, o valor de uma simples integração de informações semiestruturadas e estruturadas, como imagens de registros clínicos, atestados médicos, reclamações, dados administrativos ou baseados em arquivos e dados transacionais torna-se cada dia mais necessária para a melhoria da qualidade do serviço. Outro ponto a favor de NoSQL.
A destruição de silos de dados que impedem a perspectiva de 360 graus do cliente pode ser uma tarefa impossível, mas, a integração de dados via arquitetura NoSQL para acompanhar e apresentar todas as interações com o cliente nos pontos de contato, logins de vários sites e interações pessoais com agentes de seguros ou especialistas da área de indenizações para compreender as necessidades dos clientes e ajudá-los com o produto certo no momento certo e pelo preço certo, pode ser realizado em mais ou menos quinze minutos.