Perguntas simples

Há uma ilusão perigosa a instalar-se no setor segurador. A crença de que fazer modelling é pegar em dados, carregar num botão e esperar que apareça uma resposta.

Não é. E quanto mais sofisticada se torna a tecnologia disponível, maior é o risco de acreditar nessa ilusão.

Hoje, um modelo pode ser construído em minutos. Pode processar milhões de observações. Pode identificar relações impossíveis de detetar manualmente. Pode gerar previsões com níveis impressionantes de precisão estatística.

Mas existe uma questão importante. Podemos confiar na realidade que estamos a tentar modelizar? Porque um modelo não cria verdade. Apenas processa aquilo que lhe é dado.

A inteligência artificial não cria conhecimento. Escala a qualidade, ou a mediocridade, da informação que recebe. Um modelo não toma decisões. Amplifica as decisões que já estão embutidas nos dados. E uma base de dados pode conter milhões de observações e continuar a representar mal o risco.

Pode conter erros de codificação. Pode refletir mudanças operacionais que nunca foram documentadas. Pode apresentar exposições mal medidas, sinistros classificados de forma inconsistente ou lacunas que ninguém conseguiu explicar. Pode estar tecnicamente completa. E, ainda assim, estar errada.

O problema é que o algoritmo não sabe disso. Um algoritmo consegue encontrar padrões extraordinariamente sofisticados em dados extraordinariamente errados. E quando isso acontece, o erro não desaparece. Transforma-se apenas numa conclusão estatisticamente convincente.

É aqui que surge a verdadeira questão para os gestores. A maioria das organizações pergunta se o modelo funciona. É uma pergunta legítima. Mas talvez não seja a mais importante.

A verdadeira questão é quanto da nossa confiança neste modelo assenta efetivamente na qualidade dos dados que o alimentam? Porque um modelo sofisticado não corrige uma realidade mal observada. Muitas vezes, apenas lhe acrescenta uma camada de complexidade matemática. E isso cria um problema particularmente perigoso para qualquer executivo.

Uma organização pode começar a confiar mais numa previsão porque ela parece científica. Não porque seja necessariamente mais verdadeira. Existe uma tendência crescente para associar maturidade analítica à quantidade de dados disponível, mas volume não é conhecimento. Uma organização pode acumular terabytes de informação e continuar sem compreender o risco que está a assumir. Dados abundantes não compensam uma realidade mal observada. Apenas tornam o erro mais sofisticado.

Por isso, antes de qualquer exercício de modelização, existe uma fase frequentemente subestimada. A fase em que alguém faz perguntas simples. Os dados fazem sentido? Existem incoerências? O que mudou ao longo do tempo? Por que existem determinados comportamentos? Os valores extremos representam erros ou sinais importantes? As definições mantiveram-se consistentes? Os padrões observados refletem o negócio ou refletem apenas o sistema que os registou?

Estas questões parecem pouco sofisticadas mas, na verdade, são das mais sofisticadas que uma organização pode fazer. Porque é aqui que se decide uma parte significativa da qualidade de qualquer modelo.

À medida que as empresas de seguros investem em data science, inteligência artificial e machine learning, surge um risco novo. O de valorizar excessivamente a capacidade de construir modelos e subestimar a capacidade de compreender o risco. É um erro estratégico.

Um data scientist pode demonstrar que uma determinada variável possui enorme poder preditivo. Mas quem sabe se essa variável ainda significa o que significava há cinco anos? Quem sabe se uma alteração operacional não introduziu artificialmente aquele padrão? Quem sabe se uma mudança de sistema não contaminou a informação? Quem sabe se o comportamento observado resulta de uma característica estrutural do risco ou apenas de uma decisão comercial temporária?

Os algoritmos encontram correlações. As organizações têm de encontrar explicações. E explicações exigem conhecimento do negócio. Exigem contexto. Exigem experiência. Exigem capacidade de desafiar resultados aparentemente perfeitos.

O ativo mais importante não é o modelo. É a confiança no modelo. Para um gestor, esta distinção deve ser crítica. Um modelo pode ser tecnicamente excelente e comercialmente perigoso. Pode melhorar indicadores de curto prazo enquanto prejudica a compreensão do risco no longo prazo. Pode gerar preços mais segmentados sem necessariamente produzir melhor adequação técnica. Pode acelerar processos e, simultaneamente, acelerar erros.

Pode tornar a organização extremamente eficiente, mas eficiente a fazer a coisa errada.

Os conselhos de administração não gerem modelos. Gerem decisões tomadas com base em modelos. Por isso, não deveriam concentrar-se apenas na pergunta sobre a performance do modelo. Devem perguntar o que sabem sobre os dados que sustentam esse modelo. E depois fazer uma pergunta ainda mais incómoda. Que decisões estratégicas mudariam se esses dados estivessem errados?

A resposta a esta pergunta vale mais do que muitos dashboards, relatórios ou indicadores de performance financeira e de risco. Existe uma tentação compreensível de automatizar tudo. A extração de dados. A preparação. A seleção de variáveis. A modelização. A validação. O reporting.

Há uma ironia nesta evolução. Quanto mais automatizamos a componente mecânica, mais valiosa se torna a capacidade humana de questionar o resultado.

A automação reduz esforço operacional. Não reduz responsabilidade executiva. Pelo contrário. Cada nova camada de automação aumenta o valor da capacidade de formular uma pergunta simples. Temos razões para acreditar nisto?

A máquina é extremamente eficiente a processar informação. Não é particularmente eficiente a questionar se essa informação representa adequadamente a realidade. Essa responsabilidade continua a pertencer às pessoas.

Nos próximos anos, muitas empresas de seguros enfrentarão uma decisão estratégica. Podem investir para ter modelos mais sofisticados. Ou podem investir para construir organizações capazes de saber quando devem, e quando não devem, confiar nesses modelos.

A primeira escolha é tecnológica. A segunda é estratégica. E não são equivalentes.

A vantagem competitiva do futuro não será determinada apenas por quem desenvolver os melhores algoritmos. Será determinada por quem conseguir construir uma verdadeira camada de confiança entre os dados e a decisão. Essa camada inclui qualidade dos dados, governação, validação, explicabilidade, challenge, conhecimento do negócio e pessoas capazes de reconhecer quando um resultado estatisticamente impressionante não faz sentido económico.

Porque o verdadeiro investimento estratégico não é em algoritmos. É na capacidade organizacional de distinguir um insight de uma ilusão.

Antes de aprovar mais um investimento em inteligência artificial, machine learning ou advanced analytics, talvez exista uma questão mais importante do que todas as outras. Não é se temos melhores modelos. É se temos melhores razões para acreditar neles.

E talvez exista uma pergunta ainda mais poderosa. Se amanhã descobríssemos que 20% dos dados que alimentam os nossos modelos estão errados, quais das nossas decisões estratégicas permaneceriam exatamente iguais?

A resposta revela mais sobre a maturidade analítica de uma organização do que qualquer métrica de performance.

Porque, no final do dia, o risco não está dentro do modelo. O risco está na realidade. O modelo apenas tenta descrevê-la. E os algoritmos, ao contrário dos gestores, não carregam responsabilidade fiduciária.