As seguradoras têm dificuldade para responder a perguntas sobre fraude e risco porque suas plataformas de dados não foram desenvolvidas para compreender relacionamentos.
Imagine uma cena comum dentro da maioria das seguradoras: um subscritor ou analista de uma unidade de investigação especial (SIU, na sigla em inglês) faz uma pergunta específica — “quais agentes estão conectados a grupos de segurados que apresentam alta frequência de sinistros?” — e a resposta demora muito mais do que deveria.
Um analista de dados rastreia manualmente a cadeia de relacionamentos entre sinistros, clientes, apólices e agentes. Ele cria a consulta, valida os resultados e entrega uma planilha. Semanas depois, um responsável pela área de compliance faz uma versão ligeiramente diferente da mesma pergunta, e todo o trabalho começa novamente, porque os relacionamentos entre as próprias entidades da empresa nunca foram capturados como um ativo. Eles permaneciam na cabeça do analista que havia escrito a consulta.
Os sistemas que armazenam apólices, sinistros, agentes e clientes foram desenvolvidos para executar transações, não para responder a perguntas sobre como esses elementos se relacionam. E são justamente esse tipo de pergunta sobre relacionamentos — grupos organizados para fraudes, concentração da carteira e agrupamento de exposições — que representa o maior valor para o negócio e também os maiores riscos.
Onde as abordagens tradicionais falham
A maioria das seguradoras já investiu pesadamente em plataformas modernas de dados: data warehouses em nuvem, modelos dimensionais e camadas semânticas de business intelligence. Essas ferramentas são excelentes para responder a perguntas como “quanto” e “quantos” — por exemplo, prêmios emitidos no último trimestre, frequência de sinistros por região e índice de sinistralidade por linha de produto.
Elas não foram desenvolvidas para responder a perguntas como “como X está conectado a Y”. Três lacunas aparecem repetidamente:
Não existe um vocabulário empresarial compartilhado. Cada equipe define “cliente”, “parte” ou “evento de perda” de maneira ligeiramente diferente, usando códigos que somente seus integrantes compreendem. O conhecimento institucional sobre como as entidades da empresa se relacionam permanece na cabeça das pessoas, e não nos próprios dados.
Os relacionamentos não são tratados como um ativo. O fato de um agente ter contratado uma apólice, ou de uma apólice estar vinculada a um cliente durante um determinado período, fica oculto na lógica da aplicação — e não disponível para consulta ou validação por um usuário do negócio.
As iniciativas de IA esbarram na mesma lacuna. À medida que as seguradoras avançam em direção a análises feitas por meio de linguagem natural e self-service, a limitação subjacente volta a aparecer: um assistente de IA que gera consultas sobre tabelas desconectadas precisa deduzir os mesmos relacionamentos que um analista teria de deduzir, todas as vezes.
A solução mais comum — acrescentar um banco de dados de grafos dedicado ao data warehouse existente — resolve o problema da conectividade, mas cria outros três: uma segunda plataforma para proteger, uma segunda equipe para operá-la e a necessidade de manter os dois ambientes sincronizados. Para um setor regulado, essa expansão de governança e custos é algo que a maioria das seguradoras preferiria evitar.
Construindo um grafo de conhecimento
O problema pode ser traduzido em uma pergunta simples: é possível capturar como os dados da empresa se conectam e tornar essa conectividade consultável sem sair da plataforma de dados que já operamos e administramos?
A resposta é sim. Podemos construir um grafo de conhecimento e uma ontologia empresarial — uma definição estruturada e compartilhada das entidades da empresa, como cliente, agente, apólice, sinistro e cobertura, além da forma como elas se relacionam — inteiramente dentro do ambiente de dados já existente na seguradora.
Na prática, isso significa:
- Cada entidade relevante para a empresa — clientes, agentes, agências, apólices, sinistros e coberturas — é representada uma única vez, de maneira consistente, com seus relacionamentos com todas as outras entidades explicitamente definidos e atualizados automaticamente à medida que novos dados chegam.
- Usuários do negócio e subscritores podem fazer perguntas sobre conexões — “mostre todas as partes envolvidas em eventos de perda neste trimestre” — e obter uma resposta sem que alguém precise escrever uma consulta personalizada do zero.
- O sistema inclui rotinas analíticas integradas para as duas perguntas mais frequentes que as seguradoras fazem sobre suas redes: quais relacionamentos se agrupam de maneiras que sugerem fraude e quais agentes representam um risco de concentração na rede de distribuição.
- Uma camada de IA conversacional é posicionada sobre o sistema, permitindo que uma pessoa da área de negócios faça uma pergunta em linguagem natural e receba uma resposta precisa, encaminhada corretamente, sem precisar conhecer a estrutura subjacente dos dados.
- Como é construído sobre a plataforma de dados que já está em produção, o sistema herda tudo aquilo em que a seguradora já investiu: os mesmos controles de acesso, a mesma trilha de auditoria e os mesmos limites de compliance. Há um único local onde os dados ficam armazenados, um único local onde são administrados e uma única equipe responsável por eles.
Os benefícios para o negócio
Respostas mais rápidas para as perguntas que envolvem maior risco e oportunidade. A detecção de grupos organizados para fraudes e a análise da concentração da rede, que antes exigiam dias de elaboração manual de consultas por parte de um analista, passam a ser executadas em segundos, sob demanda.
Self-service para o negócio, não apenas para a equipe de dados. Subscritores, investigadores de SIU e responsáveis por compliance podem fazer perguntas diretamente sobre os relacionamentos, em linguagem natural, em vez de abrir uma solicitação e aguardar na fila da equipe de dados.
Conhecimento institucional capturado uma única vez. A forma como as entidades da empresa se relacionam deixa de ficar presa à cabeça de analistas individuais ou espalhada pelo código das aplicações. Ela passa a ser definida uma única vez, de forma centralizada, e reutilizada em todos os lugares.
Crescimento sem uma reestruturação da arquitetura. A inclusão de uma nova linha de produtos, de um novo tipo de entidade ou de um novo relacionamento torna-se uma alteração de configuração, e não uma reconstrução do sistema. A empresa não precisa escolher entre avançar rapidamente e fazer as coisas da maneira correta.
Um único limite de governança, e não dois. Como tudo permanece dentro da plataforma que a seguradora já opera e audita, não há um segundo sistema para proteger, um novo relacionamento com fornecedor para administrar ou risco de sincronização entre dois ambientes de dados — uma consideração importante para qualquer seguradora regulada.
O que isso custa e o que não resolve
Nenhuma iniciativa desse tipo é gratuita, e vale a pena ser direto sobre os compromissos que um patrocinador do projeto deve considerar.
Essa abordagem utiliza mais armazenamento do que um modelo tradicional, porque mantém tanto os dados originais quanto a visão conectada desses dados. Para a maioria das seguradoras, o custo desse armazenamento adicional é modesto em relação ao valor das perguntas que o sistema consegue responder — mas ele não é zero e deve ser incluído no orçamento.
A abordagem também é mais adequada para perguntas analíticas sobre recortes razoáveis do negócio — uma carteira, um período de sinistros ou uma região — do que para uma análise em tempo real, abrangente e em escala máxima de todo o histórico da seguradora. Para a grande maioria das perguntas cotidianas sobre fraude e redes, isso é mais do que suficiente. A solução não pretende substituir uma infraestrutura especializada em processamento de grafos em tempo real e em escala extrema.
Por fim, uma ontologia só é tão boa quanto sua manutenção. As definições sobre como as entidades se relacionam precisam ter um responsável claro e um processo de revisão simples, à medida que o negócio evolui — com novos produtos, novos canais de distribuição e novas categorias regulatórias. Trata-se de um compromisso de governança, e não de um projeto pontual.
Conclusão
As perguntas mais valiosas que uma seguradora pode fazer sobre seu próprio negócio — onde o risco está concentrado, onde está a fraude e quem está conectado a quem — são perguntas sobre relacionamentos. As plataformas tradicionais de dados dimensionais nunca foram desenvolvidas para respondê-las adequadamente, e a solução usual, que consiste em acrescentar uma plataforma de grafos separada, troca um problema por vários outros.
Ao construir a camada de conectividade diretamente dentro da plataforma de dados que a empresa já opera, obtemos respostas mais rápidas para perguntas de maior valor, uma base que permite o self-service em linguagem natural para os usuários do negócio e um sistema que cresce junto com a empresa — tudo isso sem ampliar o perímetro de compliance que a organização já precisa administrar.
Escrito por Shanth Gopalswamy, líder da área de serviços de engenharia aplicada da PremiumIQ.
