Trabajo Final Grupal

Dinámica de Sistemas
“Predicción de Fuga de clientes
en Charles Taylor Insuretech "
Table of Contents
Introducción............................................................................................................................................3
Objetivos.................................................................................................................................................3
Solución Propuesta................................................................................................................................. 5
Churn prediction en 4 pasos............................................................................................................... 5
Descripción........................................................................................................................................... 10
Plan....................................................................................................................................................... 11
Conclusiones.........................................................................................................................................11
Referencias........................................................................................................................................... 12

2
Introducción
Presentar la idea que fue seleccionada para su desarrollo. Análisis de la oportunidad: ¿por
qué sería útil? ¿Por qué ahora? Fundamentos de la elección del tema.

La revolución tecnológica, cambio los modelos de negocios en varios sectores, como por
ejemplo el de las finanzas, con el surgimiento de las Fintech. La llegada de la tecnología al
sector asegurador era algo inevitable. Charles Taylor Insuretech, es una empresa de
tecnología especializada en seguros (B2B), con más de 134 años de historia y casi 3000
empleados en 29 países. Si bien su base está en Londres tiene presencia internacional, el
50% de los ingresos actuales proceden de los clientes del Reino Unido y el otro 50% restante
procede de clientes globales, la mayoría de los cuales se encuentran en América Latina.

El contexto mundial de los últimos años impulso el sector, el Covid-19 tuvo un impacto
positivo en el mercado Insuretech debido a la repentina necesidad de pólizas de seguros,
lejos de ser un obstáculo se convirtió en oportunidad. El crecimiento en el uso de soluciones
tecnológicas avanzadas entre las aseguradoras durante la pandemia para proporcionar
servicios basados en la tecnología a sus clientes, genero un aumento de la demanda general
de soluciones Insuretech. Pero en palabras del CPO en la revisión anual de 2020 “Hay
excelentes experiencias de compra digital, pero no tantas de post venta. Allí es donde más
se sintió el efecto del aislamiento y distanciamiento social. Todas las empresas, no sólo las
aseguradoras, priorizaron su inversión en digitalizar el proceso de venta, pero hoy todos
entendimos el valor del “on-line y “on demand”.

Esta cita complementada con la experiencia en los últimos años en consultoría de servicios
IT donde se percibe una clara tendencia a la baja en la satisfacción de las compañías clientes
e incluso en algunos casos llegaron a materializarse en cancelación de contrato de servicios,
nos hizo repensar el proceso de post venta interno y como podría mejorarse. Es decir,
comenzar aplicando nosotros mismos las mejoras en la experiencia postventa que queremos
luego comercializar entre nuestros clientes.

Objetivos
Cuál es el problema concreto a resolver. Contexto: - Antecedentes, otros productos
competidores o similares. Estado de data maturity en el área de desarrollo / aplicación.

El presente trabajo tiene por objetivo general desarrollar un modelo predictivo que evite la
fuga de clientes. Habiendo identificado como problema recurrente en los últimos años la
baja en la satisfacción de las compañías clientes, se pretende capitalizar los datos generados
actualmente en la interacción diaria con los clientes a través de distintas plataformas para
medir continuamente su grado de satisfacción con el servicio prestado y generar indicadores
que midan la evolución para finalmente generar reportes dirigidos a los Managers alertando
sobre la alta de probabilidad de fuga de un cliente si no se modifica en breve la calidad del
servicio o los tiempos de entrega, entro otros.

Una herramienta como esta puede aportar como beneficios, que los datos obtenidos se
conviertan en información valiosa, conocer con anticipación que un cliente abandonará la
organización, y esa información se traduzca en decisiones y acciones, revisar el proceso de
entrega de valor, acelerar los tiempos de corrección de incidentes, mejorar la calidad de las
entregas, sumar nuevos recursos al equipo de soporte o de servicios, etc.

3
Charles Taylor InsureTech es esencialmente un negocio de plataformas SaaS y productos de
software. Atiende una serie de clientes clave que va desde aseguradoras, reaseguradoras,
corredores y hasta el mercado de Lloyds. Con una trayectoria de mas 100 años, la compañía
tiene un largo camino recorrido en el mundo de los datos, de hecho, recientemente fue
calificada como “Especialista en el tratamiento de datos” por InsTech London, lo que
demuestra que tiene un data maturity que al menos incluye la capacidad de generar datos,
de gestionarlos y hacer análisis descriptivo o predictivo.

Dentro de la cartera de productos que ofrece, existen productos como el:

● Kcenter, es un sistema para la automatización de procesos y gestión de

documentación que ofrece beneficios cuantificables. Ya que se configura para los
requerimientos del negocio, funciona de la manera que cada negocio necesita y
ofrece el tipo de beneficios que todos desean, como la reducción de los costos y la
mejora de la eficiencia.
● Trax, proporciona una plataforma única diseñada para estandarizar y limpiar los
datos de manera que sigan un formato coherente y permita gestionar todos los
siniestros en Lloyd's y otros mercados globales. La automatización durante todo el
ciclo de siniestros permite un proceso acelerado.
● Charles Taylor InsureTech fue seleccionada por LIMOSS (London Insurance Market
Operations & Strategic Sourcing) para crear la aplicación Delegated Data Manager,
permite a las MGAs (managing general agents) introducir datos en diferentes
formatos en una plataforma centralizada que devuelve una visión singular y unificada
de su negocio delegado.

Sin embargo, esa cultura de datos muestra un rezago en las subsidiarias de Latinoamérica
respecto al grado de preparación, de absorber y aprovechar los datos. La organización está
invirtiendo en soluciones que le permitan ser rápida y ágil debido a que es justamente lo
que está faltando en los procesos de post venta, tecnologías que ayuden en lo predictivo,
que usen información histórica para predecir comportamientos de los siniestros que están
ingresando, o tecnologías que reconozcan, a partir de la voz, en qué situación emocional se
está realizando la interacción con la compañía, ya que allí radica la diferencia entre que un
proceso de liquidación de siniestros tarde dos segundos, como en el caso de Lemonade, o
semanas como suele suceder con los procesos tradicionales.

https://100seguro.com.ar/la-caja-sumo-los-servicios-de-inteligencia-artificial-de-control-exp
ert-para-optimizar-sus-procesos-de-aseguramiento/

Solución Propuesta
Mapeo del problema de negocio a tipo de solución (arquitectura de datos / visualización /
machine learning). Estimación de recursos y tiempos necesarios. Diagrama de arquitectura
(alto nivel). ¿Cuál será la forma del MVP?

4
La predicción de la fuga de clientes es uno de los usos de big data más populares, lo ideal
sería reducir la fuga al mínimo de manera que la compañía se concentre no sólo en adquirir
nuevos clientes sino en ser más eficientes en el up selling y el cross selling.

La solución propuesta funciona como un modelo de análisis de los datos: se observa el

comportamiento de los usuarios e identifica cuáles tienen mayor actividad en un plazo de
tiempo determinado. Por actividad nos referimos a carga de incidentes de soporte y su
frecuencia, carga de requerimientos por nuevos desarrollos y su frecuencia, tiempo
transcurrido entre que un tiquete se abra y se cierra, facturación de los servicios prestados y
su pago/no pago. A partir de esto, se infiere qué usuarios están insatisfechos con el servicio
prestado y significan una amenaza por dejar el servicio.

Plan de ejecución:

1- Obtención de datos: es un aspecto clave sino el más relevante de todo el proceso de fuga
de clientes, un modelo predictivo sólo será bueno si y solo si los datos que hayan sido
ingresados también lo sean. El objetivo será obtener la mayor y más variada cantidad de
datos posible sobre nuestros usuarios. Las técnicas de machine learning permitirán
aprovechar mucha más información y variables de lo que sería posible obtener
manualmente. De todos modos, no basta contar con todos los datos “en crudo”; será
necesario dar el siguiente paso para poder hacer un buen uso de nuestros datos.

2- Preparación de los datos y feature engineering: acá entran en juego las reglas propias del
negocio y el contexto en el que se desplegará el modelo predictivo: cómo se comportan
nuestros usuarios y cuál es la mejor manera de entenderlos. Sin esas precisiones la
preparación de los datos sería una tarea “a ciegas” y difícilmente aportaría algún valor
agregado. El desafío que se plantea en esta instancia es poder representar a cada usuario
como una colección de variables (features), surgidas de los datos recolectados en el paso

5
anterior, pero también del diseño de nuevas variables (feature engineering). A partir de un
análisis exploratorio de los datos, nos haremos las siguientes preguntas:

● ¿Qué variables diferencian a los usuarios activos de los que se fueron?

● ¿Existe correlación entre algunas variables que permitan segmentar a los usuarios?

● ¿Qué features pueden introducir un sesgo en el modelo, cuáles ser propensas a

introducir ruido y cuáles serán decididamente superfluas?

Tras responder esas preguntas, decidiremos eliminar algunas features o adaptarlas para que
nos sean útiles en la siguiente etapa: feature engineering. Básicamente, de construir
nuevas features a partir de los datos que ya tenemos y que vayan a aportar al poder
predictivo del modelo que diseñaremos.

Un caso de uso de feature engineering

Entre las features que teníamos disponibles se encontraba la antigüedad del usuario en la
suscripción a la plataforma.

A simple vista, se podría haber pensado que la antigüedad del usuario podría ser relevante
para predecir su permanencia. Sin embargo, utilizar el valor absoluto de esta feature hacía
correr el riesgo de introducir un sesgo en el modelo, al predecir el churn sólo entre los
usuarios más recientes.

Para sortear este obstáculo, decidimos dejar de considerar a la antigüedad como valor
absoluto y diseñar 3 nuevas features en su reemplazo:

Porcentaje del tiempo hasta que se registró el primer evento del usuario

Porcentaje del tiempo entre el primer evento y el último que se tiene registro

Porcentaje del tiempo entre el último evento y la fecha actual

3- Diseño del modelo predictivo: Si bien existen distintos modelos de machine learning que
pueden resultar útiles -dependiendo del tipo de negocio y de datos que tengamos
disponibles-, nos vamos a centrar en los más utilizados:

Random Forest: Se trata de un modelo que hace uso de una gran cantidad de árboles de
decisión, cada uno construido aleatoriamente.

En un árbol de decisión cada nodo está asociado a una pregunta sobre el valor de
una feature y cada posible respuesta está representada por ramas que llevan a otros nodos
o directamente al valor final de la predicción.

Red Neuronal: La información de cada usuario se procesa capa por capa, en orden. La última
capa de neuronas es la que hace la predicción final en base a la información procesada que

6
recibe de las capas anteriores, ya muy distinta a los datos iniciales que se le proveyeron al
comienzo. Alimentamos la red con la mayor cantidad de casos que tengamos disponibles de
usuarios, clasificados por su status de churn. Así, aprenderá las diferencias finas entre los
dos grupos de usuarios, comparando automáticamente sus predicciones con el estado real
del cliente para ajustar su aprendizaje en caso de que hubiera cometido un error.

4- Predicciones: El resultado final que obtenemos luego de aplicar los modelos de machine
learning elegidos es un listado de todos los usuarios y la probabilidad de que realicen churn.

Esta probabilidad la podemos interpretar de distintas maneras:

Se puede aplicar un punto de corte para decidir qué usuarios serán considerados con alto
riesgo de churn. Por ejemplo, podemos tomar a todos los que tengan una probabilidad de
churn mayor al 50%, o quizás sólo nos interese los que tengan probabilidad mayor a 75%.
Esta es una decisión que se debe tomar a nivel negocio.

Otros insights útiles para prevenir el churn

Además de ayudarnos a identificar usuarios propensos al churn, los modelos son capaces
de detectar qué factores pueden estar contribuyendo a que el usuario se dé de baja.
Podemos analizar qué features tienen más peso en las decisiones que toman los clientes,
obteniendo así una lista de posibles puntos a atacar para reducir la tasa de churn.

No es ninguna novedad que “reconquistar” clientes que ya nos “abandonaron” es algo muy
costoso. Y que la retención de clientes individualizada es desafiante cuando se tienen
muchos. Se vuelve vital adelantarnos, identificando a los clientes con riesgo de irse de
nuestra plataforma y enfocando los esfuerzos de retención únicamente en ellos.

Machine Learning es la tecnología que permite hacer un procesamiento inteligente de las

huellas que tus clientes dejan en tu plataforma. Conociendo en forma detallada su
comportamiento, podés mantener el churn rate de tu startup en niveles bajísimos, sin
demasiado esfuerzo. Uso eficiente de los recursos de la organización + mejora en la
experiencia del usuario + impacto directo en las utilidades de la empresa.

Descripción
Tecnologías a emplear justificando brevemente la elección, haciendo referencia al diagrama
de arquitectura anterior. Roles de equipo, justificando brevemente la necesidad de cada uno.
Estimación de tiempos y costos. Datos necesarios: ¿existen? ¿Hay que recopilarlos? ¿De qué
fuentes? Relacionar con lo indicado anteriormente sobre data maturity.

Plan
Lista tentativa de tareas. Línea de tiempo, considerando según corresponda items como
conformación del equipo, establecimiento de la data maturity necesaria, obtención de
recursos, desarrollo de la solución, etapas iterativas hasta la obtención del MVP etc.

Conclusiones
7
Recapitular la propuesta. Mencionar cómo imaginan que evolucionaría a futuro el MVP, qué
tipo de funcionalidad se podría agregar, otros casos de uso que podría llegar a tener, etc.

8
Referencias
Recursos internet. Evento Online Charles Taylor InsureTech. Fecha de consulta: 01 de septiembre de
2021. Disponible en https://www.youtube.com/watch?v=1uRpSDFl1Q8

Recursos internet. TOP 10 Software de Seguros. Fecha de consulta: 01 de septiembre de 2021.

Disponible en https://www.comparasoftware.com.ar/seguros

Recursos internet. The 40 companies to watch in 2021 . Fecha de consulta: 09 de septiembre de

2021. Disponible en https://www.instech.london/civicrm/contribute/transact?reset=1&id=12

MARR, Bernanrd. Data Strategy, Cómo beneficiarse de un mundo de Big Data, Analytics e Internet
de las cosas. 1a. ed. Bogotá: Ecoe Ediciones, 2018. 184 p

LÓPEZ MURPHY, Juan José y ZARZA, Gonzalo. La ingeniería del big data, Cómo trabajar con datos. 1a.
ed. Barcelona: Editorial UOC, 2017. 182 p