He aquí una pregunta que merece la pena plantear a todo responsable de gestión de riesgos: ¿qué decisiones estás tomando hoy para las que te gustaría disponer de mejores datos?
Las respuestas siempre son interesantes. No porque pongan de manifiesto carencias tecnológicas, sino porque revelan carencias en la forma de abordar la tecnología. La mayoría de los departamentos de gestión de riesgos ya disponen de los datos que necesitan. Simplemente no pueden acceder a ellos de una forma que resulte útil.
Ese es el problema de la inteligencia sin aprovechar. Y está más extendido de lo que el sector suele reconocer.
La ilusión de la madurez de los datos en los sistemas de gestión de información empresarial (RMIS)
La mayoría de las organizaciones que cuentan con un sistema de información de gestión de riesgos (RMIS) empresarial creen que disponen de una visión global de sus datos. Cuentan con registros de siniestros que se remontan a años atrás. Disponen de registros de incidentes, listas de riesgos, datos de pólizas y conclusiones de auditorías. Cuentan con cuadros de mando que se actualizan periódicamente e informes que se envían al consejo de administración cada trimestre.
Sobre el papel, parece un entorno de datos bien desarrollado. En la práctica, suele ser algo más parecido a un almacenamiento organizado.
La distinción es importante. Almacenar datos y activarlos no es lo mismo. La activación significa que los datos están desempeñando una función: sirven de base para la toma de decisiones, revelan patrones y generan conocimientos que, de otro modo, no existirían. El almacenamiento significa que los datos están disponibles, en teoría, si alguien formula la pregunta adecuada, de la forma correcta y en el momento oportuno.
La mayoría de las implementaciones de RMIS se sitúan mucho más cerca del almacenamiento que de la activación. No porque la tecnología sea inadecuada, sino porque los datos nunca se han conectado, enriquecido ni analizado adecuadamente a gran escala.
Tres aspectos en los que la inteligencia de riesgos puede verse limitada
1. Silos de datos
Los datos sobre riesgos rara vez se encuentran en un único lugar. Las reclamaciones se almacenan en un sistema, los listados de bienes en otro y los registros de incidentes de seguridad en un tercero. Cada sistema recoge su propia visión de la realidad, sin que exista una forma fiable de unir esas visiones para obtener una imagen coherente. La información que se obtendría al conectarlas —patrones en las reclamaciones y los incidentes, correlaciones entre la exposición al riesgo y las pérdidas— permanece encerrada en la brecha entre las plataformas.
2. Datos no estructurados
Una parte importante de los datos sobre riesgos no está estructurada: informes de los peritos de siniestros, descripciones de incidentes, correspondencia con los corredores de seguros, informes de inspección. Este contenido se archiva y se olvida. No alimenta los modelos. No revela tendencias. Permanece en los sistemas de gestión de documentos, y solo se puede recuperar si ya se sabe lo que se busca. La información relevante que se esconde en ese texto suele ser más valiosa que los campos estructurados que la rodean.
3. Falta de enriquecimiento
Los datos internos te indican lo que ha ocurrido dentro de tu propia empresa. No te indican cómo se compara eso con el mercado, cómo se sitúa tu perfil de pérdidas respecto al de otras empresas del sector, ni qué factores externos podrían estar influyendo en los riesgos a los que te enfrentas. Sin el aporte de fuentes externas —puntos de referencia, datos de pérdidas del sector, señales meteorológicas y climáticas, indicadores macroeconómicos—, tu RMIS solo dispone de la mitad de la información.
Si solucionas estas tres cosas, no habrás comprado tecnología nueva. Habrás puesto en marcha lo que ya tienes.
Cómo se aplica en la práctica la activación de datos de riesgo
Las organizaciones que han logrado avances significativos en la activación de datos suelen compartir algunas características.
Invierten en la integración antes que en la IA.El trabajo poco glamuroso de conectar sistemas, estandarizar modelos de datos y establecer flujos de datos fiables rara vez da lugar a una presentación ante el consejo de administración. Pero es la base sobre la que se construye todo lo demás. Las organizaciones que se saltan este paso y pasan directamente a la capacidad de IA se dan cuenta de que la IA no tiene nada fiable con lo que trabajar.
Consideran los datos no estructurados como un activo.En lugar de dejar el contenido narrativo en archivos de documentos, los departamentos de gestión de riesgos más avanzados utilizan el procesamiento del lenguaje natural para extraer de él información estructurada: temas, factores causales e indicadores de cuasiaccidentes que no aparecen en ningún campo de datos estructurados. Esta capacidad ha madurado considerablemente en los últimos dos años. Lo que antes habría requerido un esfuerzo manual considerable, ahora se puede gestionar a gran escala.
Abordan el enriquecimiento de datos de forma sistemática.En lugar de considerar su sistema de gestión de riesgos (RMIS) como un sistema cerrado, definen qué fuentes de datos externas mejorarían de manera significativa su comprensión del riesgo y establecen las conexiones necesarias para incorporar esos datos. Índices de referencia de pérdidas del sector a través de una relación con un corredor. Datos sobre exposición climática procedentes de un proveedor externo. Datos sobre la salud financiera de los proveedores integrados en el proceso de gestión de riesgos de la cadena de suministro. Las fuentes concretas varían, pero la disciplina de preguntarse qué falta —y, a continuación, subsanar esa carencia— no cambia.
La verdadera pregunta para los responsables de gestión de riesgos
El potencial sin explotar de tu RMIS no es un fallo tecnológico. Es un fallo de diseño. Los sistemas se implementaron para recopilar y almacenar datos, no para conectarlos y ponerlos en práctica. Ese era el diseño adecuado para su época. Sin embargo, cada vez resulta más inadecuado para la actual.
La pregunta que hay que plantearse no es si tu sistema actual funciona. Probablemente sí lo haga, según los criterios para los que se diseñó. La pregunta es si esos criterios siguen siendo los adecuados: si la recopilación y la presentación de datos son suficientes cuando hoy en día existe la tecnología para conectar, enriquecer y extraer conclusiones a un nivel que antes no era posible.
La mayoría de los departamentos de gestión de riesgos, cuando analizan con sinceridad esta cuestión, se dan cuenta de que sus datos actuales encierran un valor considerablemente mayor del que están extrayendo en la actualidad.
Esa brecha no es inevitable. Se trata de una elección, tomada por defecto, que se puede abordar de otra manera.
Preguntas frecuentes: RMIS e inteligencia de datos de riesgo
¿Qué significa «inteligencia sin explotar» en el contexto del RMIS?
La «inteligencia sin explotar» hace referencia a la información sobre riesgos que existe en los datos de una organización, pero que nunca sale a la luz, ya sea porque los datos están aislados en silos, no están estructurados o carecen de contexto externo. La mayoría de las organizaciones ya disponen de los datos necesarios para responder a preguntas clave sobre el riesgo; el reto consiste en sacarlos partido.
¿Cuál es la diferencia entre almacenar datos sobre riesgos y activarlos?
Almacenar datos sobre riesgos significa que están disponibles si alguien formula la pregunta adecuada en el momento oportuno. Activar los datos sobre riesgos significa que estos están en constante funcionamiento: sirven de base para la toma de decisiones, revelan patrones y generan información de forma automática. La mayoría de las plataformas RMIS están diseñadas para el almacenamiento; la activación basada en la inteligencia artificial requiere capacidades adicionales de integración, enriquecimiento e inferencia.
¿Por qué son importantes los datos no estructurados para la gestión de riesgos?
Los datos no estructurados —informes de peritos de siniestros, descripciones de incidentes, informes de inspección— suelen contener información más rica que los campos estructurados. El procesamiento del lenguaje natural permite extraer a gran escala factores causales, indicadores de cuasiaccidentes y temas recurrentes de este contenido, convirtiendo los documentos archivados en inteligencia activa.
¿Qué fuentes de datos externas mejoran el rendimiento del RMIS?
Entre las fuentes de datos externas útiles se incluyen los índices de referencia de siniestralidad del sector, los datos sobre exposición climática y a catástrofes, los indicadores macroeconómicos y los datos sobre la solvencia financiera de los proveedores. Las fuentes adecuadas dependen del perfil de riesgo de la organización, pero la disciplina de identificar e integrar de forma sistemática la información que falta es de aplicación general.
¿Cómo puedes saber si tu RMIS tiene un problema de inteligencia sin aprovechar?
Algunas señales: las decisiones sobre riesgos se toman sin confianza en los datos subyacentes; los informes se elaboran según un calendario, pero rara vez dan lugar a medidas concretas; los datos sobre reclamaciones, incidentes y exposición se almacenan en sistemas independientes, sin una visión global; y el contenido narrativo, como las descripciones de los incidentes, se archiva pero nunca se analiza. Cualquiera de estos aspectos apunta a una deficiencia en la activación.
