Cómo preparar tus datos de clientes y pólizas para poder usarlos con IA sin montar un proyecto eterno de IT

La mayoría de proyectos de IA en una correduría tropiezan en el mismo punto: los datos. La empresa lleva años acumulando información de clientes, pólizas y siniestros en distintos sistemas, Excels, correos y carpetas compartidas. Cuando llega el momento de aplicar IA a esa cartera, alguien dice "primero hay que limpiar datos" y, segundos después, esa frase se convierte en un proyecto de IT que dura tres años, nadie quiere afrontar y todos se temen.

Esta dinámica produce dos resultados, ninguno bueno: o bien la correduría se queda paralizada esperando a tener "los datos perfectos", o bien lanza proyectos de IA sobre datos malos y obtiene resultados decepcionantes. Hay una tercera vía: preparar datos lo suficientemente bien para los proyectos concretos que se quieren acometer, sin pretender perfección. Este artículo explica cómo.

Por qué los datos en una correduría suelen estar regular

No es por dejadez: es la consecuencia natural de cómo se acumulan los datos en una organización viva.

• Diferentes sistemas a lo largo del tiempo. Cambios de gestor, fusiones, migraciones a medias.
• Datos que viven en correo. Información del cliente que solo está en hilos de email.
• Excel como pegamento. El comercial mantiene su propia cartera en Excel, con datos que no están en ningún otro sitio.
• Campos heterogéneos. Misma información registrada con criterios distintos por personas distintas.
• Información en cabezas. El responsable conoce al cliente, pero ese conocimiento no está documentado.
• Duplicaciones. El mismo cliente con dos fichas distintas en sistemas distintos.

Cualquier correduría con más de cinco años de actividad tiene algunos o todos estos problemas. La cuestión no es evitarlos —es demasiado tarde— sino gestionarlos para no bloquear los proyectos.

El principio: datos suficientes para el caso de uso

La pregunta clave no es "¿están bien todos mis datos?". Es "¿están bien los datos que necesito para este caso concreto de IA?". Y la respuesta suele ser que con un esfuerzo razonable se pueden poner a punto los datos relevantes para un caso, aunque el resto siga siendo un desastre.

Esto cambia mucho la conversación. En vez de "primero limpiamos todo", se pasa a "preparamos lo necesario para este proyecto y aprovechamos el camino para mejorar lo que toque".

Los cinco grupos de datos que importan

En una correduría, casi todos los proyectos de IA dependen de algunos subconjuntos de estos cinco grupos:

Grupo 1 — Datos básicos del cliente

Identificación, contacto, dirección, perfil (particular, autónomo, pyme, empresa), sector si aplica. Este grupo suele ser el más limpio porque está en el gestor.

Grupo 2 — Cartera de pólizas

Pólizas activas y pasadas, ramo, compañía, fechas, primas, coberturas básicas. Datos esenciales para casi cualquier proyecto de gestión de cartera, cross-selling o detección de oportunidades.

Grupo 3 — Histórico de siniestros

Siniestros del cliente, tipo, importe, fecha, resolución. Importante para análisis de cartera, detección de fraude y modelos de riesgo.

Grupo 4 — Documentación asociada

Pólizas, condicionados, anexos, correos relevantes. Necesario para asistentes internos, copilotos y procesamiento documental.

Grupo 5 — Interacciones y notas

Conversaciones, llamadas, visitas, decisiones tomadas. El grupo más desordenado en muchas corredurías. Importante para CRM avanzado y asistentes a comerciales.

Por dónde empezar: el caso de uso primero, los datos después

La forma sensata de abordar el problema:

Paso 1 — Define el caso de uso

¿Qué proyecto de IA quieres lanzar primero? Detección de oportunidades en cartera, copiloto interno, lead scoring, automatización documental, otro. Cada uno depende de un subconjunto distinto de los cinco grupos.

Paso 2 — Identifica los datos críticos para ese caso

Para cada caso, qué datos son imprescindibles, cuáles son útiles, cuáles son nice-to-have. Por ejemplo, para detección de oportunidades en cartera: imprescindibles son cartera de pólizas + datos básicos del cliente; útil es histórico de siniestros; nice-to-have son interacciones.

Paso 3 — Evalúa el estado actual de esos datos

Para cada categoría imprescindible, qué calidad tiene hoy:

• ¿Está completo? ¿En qué porcentaje?
• ¿Está estructurado? ¿O hay campos libres y heterogéneos?
• ¿Está actualizado?
• ¿Es accesible para extracción?

Paso 4 — Plan mínimo de mejora

Para los problemas detectados, plan acotado:

• Qué se limpia (duplicaciones obvias, campos clave faltantes).
• Qué se estructura (homogeneizar criterios en campos clave).
• Qué se extrae (volcar información de correo o Excel al sistema).
• Qué se acepta como está (porque la mejora costaría más de lo que aporta al proyecto).

Importante: este plan no es para tener datos perfectos. Es para tener datos suficientes para el caso de uso elegido.

Paso 5 — Ejecuta el caso de uso con esos datos

A medida que el proyecto corre, se descubren más problemas en los datos. Algunos se solucionan; otros se aceptan. Y se aprende para los siguientes proyectos.

Errores comunes en la preparación de datos

• Pretender perfección. Lleva al "proyecto eterno" y nadie se beneficia mientras tanto.
• Limpiar todo a la vez. Mejor limpiar lo que importa para el caso, y luego ampliar.
• Hacer la limpieza sin definir el caso de uso. Sin el caso, no se sabe qué prioritizar.
• Subestimar el coste de mantener. Los datos limpios se ensucian con el uso si no hay disciplina.
• No documentar criterios. Si limpia hoy A con un criterio y mañana B con otro, vuelve el caos.
• No involucrar al equipo. Quien crea datos sucios suele ser parte del equipo. Sin ellos, las mejoras no se sostienen.

Implicaciones de cumplimiento

Cualquier proyecto de limpieza y preparación de datos en una correduría toca cumplimiento:

• Base legal del tratamiento.
• Minimización: no procesar más datos de los necesarios.
• Seguridad durante el proceso de limpieza y migración.
• Anonimización cuando sea posible (p. ej., para análisis estadísticos).
• Trazabilidad de qué se ha hecho, para poder responder ante el cliente o ante autoridades.

Esto no es opcional, pero tampoco es prohibitivo. Una buena política de datos cubre prácticamente todos los proyectos.

Mini-casos

Correduría con software heredado. Querían empezar con detección de oportunidades en cartera. El gestor tenía pólizas razonablemente completas pero datos del cliente con campos faltantes en muchos casos. En seis semanas, una persona dedicada a tiempo parcial completó los campos críticos para el 70 % de la cartera (los más activos). Con eso fue suficiente para arrancar el proyecto, que luego incentivó al equipo a completar el resto.

Correduría con datos en cabezas. El conocimiento del equipo sobre clientes especiales no estaba registrado. Antes de cualquier IA, hicieron sesiones individuales con comerciales en las que volcaban "todo lo que sabes sobre estos clientes" en una plantilla. Esa información, debidamente anonimizada cuando aplicaba, se convirtió en un activo aprovechable.

Correduría que aceptó la imperfección. Su histórico de siniestros tenía huecos serios en pólizas anteriores a 2020. Decidieron que el caso de uso de análisis de siniestralidad solo se aplicaría a partir de 2020. Dejaron de pretender arreglar lo viejo y pudieron arrancar.

Cómo empezar: las primeras seis semanas

Para una correduría que quiera afrontar este tema con disciplina:

1. Semanas 1-2. Definición del caso de uso prioritario y de los datos imprescindibles.
2. Semana 3. Auditoría rápida del estado actual de esos datos.
3. Semana 4. Plan mínimo de mejora.
4. Semanas 5-6. Ejecución de la mejora mínima.

A las seis semanas, los datos necesarios para el primer caso de uso deberían estar en estado utilizable.

Cierre

La preparación de datos no debería ser el monstruo que paraliza la adopción de IA en una correduría. Atacándola por casos de uso concretos, aceptando imperfección donde no estorba y manteniendo disciplina en lo que importa, se puede empezar a tener resultados de IA con los datos que ya hay, mientras se mejora gradualmente la base.

Las corredurías que entienden esto avanzan. Las que esperan a tener "los datos perfectos" no llegan a empezar nunca. Y, mientras tanto, los datos no mejoran solos: se siguen ensuciando.

Si quieres evaluar el estado de tus datos para un caso concreto y diseñar el plan mínimo necesario para arrancar, una sesión inicial de auditoría suele ser el mejor punto de partida para no perder más tiempo bloqueado.