Desafío: Siniestralidad en Flotas de Transporte Refrigerado

Una aseguradora especializada en riesgos logísticos enfrentaba un incremento del 34% en la siniestralidad de flotas de transporte refrigerado durante el último ejercicio. Los siniestros más recurrentes incluían averías en equipos de frío, accidentes por fatiga del conductor y pérdidas de mercancía perecedera. El cliente necesitaba una solución de auditoría predictiva que permitiera identificar patrones de riesgo antes de que se materializaran las pérdidas.

El principal reto residía en la fragmentación de los datos: la compañía gestionaba más de 1.200 vehículos con telemetría dispersa en tres plataformas distintas, sin un sistema unificado de análisis. Además, los informes actuariales tradicionales no lograban capturar la correlación entre variables operativas (temperatura, horas de conducción, rutas) y la frecuencia de siniestros.

Enfoque: Modelo de Riesgo Basado en Telemetría

Nuestro equipo de T.I.L. Audit Systems diseñó un enfoque basado en Big Data y machine learning para integrar y analizar los flujos de telemetría en tiempo real. Se implementó un pipeline de datos que normalizaba la información de los tres proveedores de telemetría, añadiendo capas de contexto geográfico y meteorológico.

El modelo predictivo se entrenó con datos históricos de 18 meses, identificando 47 variables críticas. Se aplicaron técnicas de clustering para segmentar las flotas según su perfil de riesgo, y se desarrollaron dashboards interactivos para que los gestores de riesgos pudieran visualizar alertas tempranas. El enfoque priorizó la interpretabilidad del modelo, permitiendo a los actuarios validar cada recomendación.

Implementación: Integración y Despliegue

La implementación se realizó en tres fases durante 14 semanas. En la primera fase, se desplegaron conectores API para la ingesta continua de datos de telemetría, GPS y sensores de temperatura. Se estableció un data lake en la nube con capacidad para procesar 2,5 millones de registros diarios.

• Fase 1 (semanas 1-4): Integración de fuentes de datos y limpieza de históricos. Se unificaron 1.200 vehículos en un solo esquema de datos.
• Fase 2 (semanas 5-9): Desarrollo del modelo predictivo con Random Forest y validación cruzada. Se alcanzó una precisión del 87% en la predicción de siniestros a 30 días.
• Fase 3 (semanas 10-14): Despliegue de dashboards en Tableau y sistema de alertas por email y SMS. Se capacitó a 12 gestores de riesgos en el uso de la plataforma.

Se estableció un ciclo de retroalimentación semanal donde los actuarios podían ajustar los umbrales de alerta según la experiencia en campo. La plataforma se integró con el sistema de gestión de pólizas existente, permitiendo la actualización automática de las primas de riesgo.

Resultados: Reducción de Siniestralidad y Optimización de Coberturas

Tras 12 meses de operación, los resultados superaron las expectativas iniciales. La siniestralidad total de la flota se redujo en un 28%, con una disminución del 41% en los siniestros relacionados con averías de equipos de frío. El modelo permitió identificar 23 rutas de alto riesgo que fueron renegociadas con los asegurados.

La optimización de coberturas generó un ahorro del 18% en primas para los clientes con mejor perfil de riesgo, mientras que las primas para flotas de alto riesgo se ajustaron con un incremento del 12%, mejorando la rentabilidad de la cartera. El índice de renovación de pólizas aumentó al 92%, gracias a la transparencia en la gestión de riesgos.

El sistema de alertas tempranas evitó 47 siniestros potenciales durante el período, con un valor estimado de pérdidas evitadas de 2,3 millones de euros. La aseguradora incorporó el modelo como estándar para todas sus pólizas de flotas industriales.