Trabajar con terceros implica una tarea de facturación que, en ocasiones, puede verse afectada por errores o anomalías. Esta es habitual en el día a día de las compañías de seguros, al contratar a empresas reparadoras y/o autónomos que solucionen los siniestros de sus clientes. Por ello, destinan diferentes recursos a la revisión de las mismas.
Cada aseguradora tiene su propio proceso para detectar anomalías en facturas. Desde un equipo humano de profesionales dedicado a ello hasta reglas lógicas y automáticas que identifiquen los posibles errores o sobrecostes en los propios documentos.
Sin embargo, la Inteligencia Artificial puede ayudar a mejorar esta supervisión. Con técnicas de Machine Learning en el sector asegurador, se puede aprender del histórico de facturas, identificar patrones que relacionan conceptos, variables o cantidades en los documentos, y detectar los anómalos en nuevas facturas automáticamente.
Detectar anomalías en facturas del sector asegurador
Con el objetivo de mejorar la eficacia en la detección de anomalías en facturas, el Instituto de Ingeniería del Conocimiento (IIC) ha trabajado con una compañía de seguros en el desarrollo de un modelo de Machine Learning que detectara automáticamente si una factura puede tener algún tipo de error en base al histórico de datos.
Este tipo de técnicas permiten aprender de gran cantidad de información e identificar, analizándola y relacionándola, los patrones que luego se detectarán en las nuevas facturas, y que muchas veces escapan del ojo humano. Para ello, el modelo necesita una fase de entrenamiento, con ejemplos concretos de facturas, y una segunda fase de pruebas en la que la propia aseguradora validó los resultados.
Detección de patrones en facturas del sector asegurador
Casi todo proyecto de Inteligencia Artificial, y especialmente de Machine Learning, empieza por recopilar datos e información que sirvan como referencia para el aprendizaje del modelo o como ejemplo de lo que después tendrá que hacer automáticamente. En el proyecto en cuestión, se utilizaron facturas históricas de la aseguradora.
Con esta información tratada, comienza la fase de entrenamiento en la que el modelo, a partir de estos ejemplos, identifica los patrones anómalos e infiere sus propias reglas para detectarlos en las nuevas facturas.
Al elegir un aprendizaje no supervisado, el modelo aprendió de facturas sin etiquetas que digan si es correcta o resultó tener algún error. Por tanto, se centra en la información contenida en los documentos, en los conceptos de las facturas y en su interacción, para determinar esos patrones.
Validación de resultados por la aseguradora
Tras probar el modelo con nuevas facturas, como resultado del análisis, se entregan a la aseguradora ordenadas de más a menos anómalas. De esta forma, la aseguradora puede comprobar primero las reparaciones correspondientes a las facturas en las que el algoritmo determina que hay algún error.
Así comienza el proceso de validación del modelo, en el que el IIC trabajó en continuo feedback con la aseguradora para probar y redefinir el modelo. El equipo que se ocupa de supervisar las facturas en la compañía pudo empezar a guiarse por los resultados del algoritmo y acudir a los hogares, por ejemplo, a cotejar las facturas con lo que realmente se ha reparado, para determinan si el modelo es eficaz y abandonando el criterio aleatorio en que se basaba este proceso de auditoría.
Transformación digital en el sector asegurador
Las técnicas de Machine Learning dotan de inteligencia y automatizan muchos de los procesos que las empresas manejan habitualmente, impulsando la transformación digital exigida actualmente. En el caso de las aseguradoras, como vemos, pueden ser útiles en la clasificación automática de textos o la extracción y búsqueda de información.
Con el proyecto mencionado, se ha mejorado la detección de las anomalías en facturas y toda la operativa de revisión de la aseguradora en cuestión, integrando en sus sistemas habituales una capa analítica más a las reglas automáticas que ya manejaba y mejorando su eficacia. Con esto, se podría acelerar todavía más el proceso de auditoría, adelantándolo incluso al pago de las facturas, y desarrollar un servicio online que aplicara el algoritmo en tiempo real a las facturas que se dan de alta en los mismos sistemas de producción.
Es cierto que todos estos procesos implican un esfuerzo de recopilar la información, de recoger y organizar las facturas y los reportes tras la auditoría, quizás etiquetarlos, para que el modelo pueda seguir aprendiendo. Y si se hace de forma digitalizada, mejor. Este esfuerzo, sin embargo, permite mejorar la calidad de los servicios, emprendiendo acciones con inmediatez y evitando errores y sobrecostes.
