Durante décadas, el seguro de automóvil se tarificó con variables proxy: edad, género, código postal, antigüedad de la licencia, historial de siniestros. Son indicadores estadísticamente correlacionados con el riesgo, pero indirectos: describen quién es el conductor, no cómo conduce. La telemática rompe con esa lógica al medir el comportamiento real de manejo, y con ello abre la puerta a los seguros basados en el uso, conocidos como Usage-Based Insurance (UBI).
Qué es la telemática y qué datos captura
La telemática vehicular consiste en recolectar y transmitir datos de conducción mediante dispositivos conectados. Las fuentes principales son tres: dispositivos OBD-II conectados al puerto de diagnóstico del vehículo, sistemas integrados de fábrica en autos conectados, y aplicaciones de smartphone que aprovechan el acelerómetro, el giroscopio y el GPS. Cada una ofrece un balance distinto entre costo, precisión y fricción para el asegurado.
Los datos típicos incluyen kilometraje recorrido, velocidad, aceleraciones y frenados bruscos, giros agresivos, horarios de manejo (por ejemplo, conducción nocturna), tipo de vía y uso del teléfono al volante. A partir de estas señales se construye un driving score que resume el perfil de riesgo conductual del asegurado.
Del pay-as-you-drive al pay-how-you-drive
Existen dos grandes modalidades. El pay-as-you-drive (PAYD) tarifica principalmente en función de cuánto se maneja: menos kilómetros implican menor exposición y, por lo tanto, menor prima. El pay-how-you-drive (PHYD) va más allá y ajusta el precio según la calidad de la conducción, no solo su cantidad. Un conductor que frena suave, respeta límites y evita el manejo nocturno puede acceder a descuentos que el modelo tradicional nunca habría reconocido.
La diferencia es conceptualmente importante para el actuario. El PAYD refina la exposición, una variable que siempre estuvo en el modelo. El PHYD incorpora información conductual causal, más cercana al mecanismo que genera los siniestros, lo que en principio mejora el poder predictivo y la equidad actuarial.
El papel del machine learning
El volumen y la granularidad de los datos telemáticos hacen inviable un análisis puramente manual. Aquí entra el machine learning. Los flujos de datos crudos, muestreados a alta frecuencia, se transforman en variables agregadas mediante procesos de feature engineering: distribución de aceleraciones, proporción de kilómetros en horario de riesgo, frecuencia de eventos severos, entre muchas otras.
Sobre esas variables se entrenan modelos predictivos. Los Generalized Linear Models siguen siendo el estándar regulatorio y de interpretabilidad en la tarificación, pero cada vez conviven con técnicas como gradient boosting o redes neuronales para capturar interacciones no lineales. Un enfoque frecuente es usar modelos complejos para descubrir patrones y luego trasladar ese conocimiento a estructuras tarifarias más transparentes. La tarificación deja de ser estática y se vuelve dinámica: la prima puede recalcularse periodo tras periodo conforme llega nueva información de manejo.
Beneficios: mejor riesgo e incentivos de conducta
Los beneficios del UBI operan en varios niveles. Para la aseguradora, la segmentación mejora: al observar el comportamiento real, se reduce la antiselección y se afina el pricing. Para el buen conductor, la promesa es un precio más justo, alineado con su riesgo individual y no con el promedio de su grupo demográfico.
- Selección de riesgo más precisa: las variables conductuales complementan y a veces superan el poder predictivo de las variables tradicionales.
- Incentivos de comportamiento: al ligar el precio a la conducta, el UBI premia el buen manejo y puede reducir la siniestralidad, un efecto virtuoso para asegurado y asegurador.
- Retroalimentación al conductor: muchas apps ofrecen reportes que ayudan a corregir hábitos de riesgo.
- Prevención y no solo indemnización: el modelo desplaza el foco hacia la gestión activa del riesgo.
Los retos: privacidad, consentimiento y equidad
El UBI no está exento de tensiones serias. La primera es la privacidad. Recolectar ubicación, horarios y patrones de movimiento equivale a construir un registro detallado de la vida del asegurado. El manejo de estos datos exige un marco de gobernanza robusto, en México bajo la lógica de la Ley Federal de Protección de Datos Personales en Posesión de los Particulares.
Ligado a lo anterior está el consentimiento informado. El asegurado debe comprender qué se mide, con qué fin, por cuánto tiempo se conserva y con quién se comparte. Un consentimiento genuino, y no una casilla enterrada en un contrato, es condición de legitimidad del modelo.
El tercer reto es la equidad. Aunque el UBI promete precios más individualizados, las variables conductuales pueden actuar como proxy de características protegidas. Por ejemplo, penalizar la conducción nocturna podría afectar de forma desproporcionada a quienes trabajan por turnos. El actuario debe vigilar que el modelo no reproduzca sesgos ni discrimine de manera indirecta, un tema que organizaciones como la Society of Actuaries (SOA) y la Casualty Actuarial Society (CAS) han abordado en su literatura sobre fairness y uso responsable de datos en predictive analytics.
Implicaciones para el actuario
El UBI redefine la práctica actuarial en daños. Ya no basta con dominar la estadística de siniestros: se vuelve necesario entender ingeniería de datos, validación de modelos, interpretabilidad y consideraciones éticas. La telemática también plantea preguntas sobre reservas, estabilidad de las variables en el tiempo y comparabilidad de carteras con distinta madurez de datos.
La telemática y el UBI no son una moda pasajera, sino una manifestación concreta de la insurtech: la convergencia entre datos, tecnología y técnica actuarial. Para el profesional mexicano, la oportunidad es clara. Adoptar estas herramientas con rigor estadístico, sensibilidad ética y respeto a la privacidad permitirá construir productos más justos, más preventivos y más sostenibles. El precio del seguro, por primera vez, puede aprender a conducir contigo.