Las innovaciones en el ámbito de las TIC están aumentando el alcance y la repercusión de las políticas de seguridad social, así como simplificando en gran medida la prestación de servicios y mejorando significativamente su calidad. En este contexto, los datos desempeñan un papel cada vez más importante en la administración de la seguridad social (AISS 2019a y 2016; Ruggia‑Frick, 2021). Cada vez más, las instituciones de seguridad social estudian nuevas formas de aprovechar los grandes volúmenes de datos que gestionan para agilizar los procesos, prestar servicios personalizados, reducir el fraude y los errores, y formular decisiones de política basadas en hechos empíricos.

Para ayudar a las instituciones miembros a aplicar el análisis de datos de un modo efectivo y seguro, la AISS ha formulado recomendaciones específicas en el marco de las Directrices de la AISS sobre las Tecnologías de la Información y de la Comunicación (AISS 2019b). Las directrices sobre el análisis de datos (directrices 54 a 59 de las Directrices sobre las TIC) se han elaborado en función de las siguientes categorías principales:

• Análisis descriptivos, que consisten en el análisis de datos históricos para fundamentar las decisiones futuras.
• Análisis de diagnóstico, para examinar los procesos y las causas de un acontecimiento.
• Análisis predictivos, para intentar predecir los resultados futuros mediante el uso de métodos predictivos.
• Análisis prescriptivos, que ayudan a tomar decisiones analizando varias alternativas.
• Análisis de Big Data, que consisten en aplicar los métodos antes mencionados a enormes conjuntos de datos.
• Aprendizaje automático a partir de Big Data, que va más allá de los métodos de análisis tradicionales y examina los matices que se observan al aplicar los métodos de aprendizaje automático a los Big Data.

El tipo de análisis que las instituciones de seguridad social pueden aplicar depende de su madurez en materia de datos. Aunque han surgido muchos modelos de madurez analítica en el último decenio, un nuevo modelo de madurez para la administración basada en datos, que se presentó en la Conferencia de la AISS sobre las TIC de 2018, podría ayudar a las instituciones de seguridad social a identificar sus capacidades actuales y a definir su hoja de ruta para el futuro.

Cuadro 1. Modelo de madurez para la transformación basada en datos

	Ad Hoc	Preparado	Demostrado	Comprobado	Inteligente
Estrategia	La estrategia institucional no tiene en cuenta las políticas y prácticas basadas en datos	La estrategia para la transformación digital tiene en cuenta las políticas y prácticas basadas en datos	Se documenta y se respalda la estrategia para la elaboración de políticas y prácticas basadas en datos	La estrategia institucional se elabora a partir de la información que aportan los datos	La estrategia gubernamental se elabora a partir de la información que aportan los datos
Datos	No hay datos disponibles o adecuados para apoyar la transformación basada en datos	Se han identificado las fuentes de datos y se están preparando los datos	Hay datos de calidad disponibles en algunos ámbitos	Los datos se gestionan como recurso estratégico en toda la organización	Los datos se enriquecen de manera continua mediante procesos basados en datos
Tecnología	Los sistemas compartimentados impiden el análisis longitudinal	El análisis longitudinal se apoya en el análisis de datos convencional	Las soluciones puntuales facilitan el análisis predictivo en algunos ámbitos	La plataforma de la organización facilita el análisis predictivo en todos los ámbitos	La plataforma de la organización incluye el perfeccionamiento automático de los modelos predictivos
Cultura	Resistencia cultural al cambio	Apoyo de la dirección ejecutiva para la formulación de políticas y prácticas basadas en datos	Algunos equipos han adoptado prácticas basadas en datos	Se han adoptado prácticas basadas en datos en toda la organización	La cultura basada en datos abarca también a los encargados de formular políticas públicas
Influencia	Las decisiones se basan en intuiciones bienintencionadas	Las decisiones se adoptan a partir de datos incompletos o poco fiables	Algunos ejemplos de decisiones basadas en datos empíricos	Las prácticas institucionales se transforman a partir de la información que aportan los datos	La información que aportan los datos también influye en las políticas gubernamentales
Repercusión	Las políticas gubernamentales y las prácticas institucionales no se ven afectadas por cambios	El examen de las políticas y las prácticas se realiza a partir de la información que aportan los datos	Algunos ejemplos de respuestas dinámicas a acontecimientos importantes y nuevas tendencias	Las respuestas dinámicas suelen fundamentarse en la información que aportan los datos	Las políticas se revisan de manera continua y se mejoran para optimizar los resultados
Fuente: van Leent (2018)

Experiencias relacionadas con la aplicación del análisis de datos en Asia y el Pacífico

Las instituciones de seguridad social de Asia y el Pacífico han aprovechado los datos en varios ámbitos, como la mejora de la prestación de servicios por medio de la automatización, la atención de salud, la detección y la prevención de los errores, la evasión y el fraude, y la elaboración proactiva de programas y políticas sociales, entre otros. Se han presentado ejemplos de buenas prácticas de la región al concurso del Premio de Buenas Prácticas de la AISS, en el Foro Virtual de la Seguridad Social para Asia y el Pacífico, y en webinarios y otras actividades de la AISS. En este artículo se examinan las experiencias de las instituciones miembros en los nuevos ámbitos que pueden tener una repercusión.

Mejora de la prestación de servicios mediante la automatización basada en datos

Servicios Australia (Services Australia)

Servicios Australia, el organismo responsable de la prestación de servicios sociales y de las prestaciones sujetas a la comprobación de recursos en Australia, ha utilizado el análisis de datos para evaluar las solicitudes de manera fiable mediante el uso del procesamiento totalmente automatizado (Straight Through Processing – STP). El STP se basa en la idea de que una solicitud puede tramitarse sin ningún tipo de intervención humana. Cuando la COVID-19 desestabilizó los medios de vida, Servicios Australia amplió sus capacidades para tomar decisiones de forma automatizada, con el fin de acelerar los pagos a la cantidad de solicitantes sin precedentes que había en el marco del programa de ayudas a los solicitantes de empleo JobSeeker (Services Australia, 2020). El objetivo era realizar los pagos a las personas necesitadas lo más rápido posible y garantizar al Gobierno que, sin dejar de ser socialmente responsables y eficientes desde el punto de vista administrativo, los pagos automáticos se realizaran de conformidad con cuatro principios fundamentales, a saber, destinado a la persona adecuada, en el programa adecuado, con la tasa adecuada y a partir de la fecha adecuada.

Si bien Servicios Australia ya había aplicado anteriormente el procesamiento totalmente automatizado en otras categorías de prestaciones, la diferencia fundamental reside en la magnitud y la velocidad a la que debía implementarse en el caso de las solicitudes presentadas en el marco del programa JobSeeker. Por lo tanto, era importante medir y demostrar la eficiencia administrativa que se lograría automatizando el proceso de aprobación de las solicitudes, a la vez que se garantizaba la integridad de los pagos. A pesar de que el organismo había creado un marco de operaciones sólido para guiar el desarrollo de productos de automatización, el proceso de garantía basado en datos que se seguía para realizar comprobaciones en una muestra estadísticamente válida de decisiones de pago automatizadas fue fundamental para garantizar la fiabilidad y la precisión de las operaciones sin intervención humana. El organismo estableció un indicador de referencia de >95 por ciento para la exactitud de los pagos y utilizó una serie de métodos estadísticos, registros automáticos y análisis basados en datos para medir sus resultados en función de este objetivo. Consiguió un objetivo de precisión del 99 por ciento, muy por encima del indicador de referencia de >95 por ciento.

Fondo Nacional de Previsión de Fiji

El Fondo Nacional de Previsión de Fiji (Fiji National Provident Fund – FNPF) ha utilizado los datos para mejorar la eficiencia de varios procesos después de la pandemia de COVID-19. El Fondo puso en marcha una asistencia para la protección de los ingresos en cuatro fases, con el fin de ayudar a sus miembros a hacer frente a los efectos de la crisis. Por primera vez, el FNPF introdujo la automatización robotizada de procesos (Robotic Process Automation – RPA) para automatizar el proceso de registro, procesamiento, aprobación y pago. Pudo aprovechar los datos para identificar a los miembros que seguían estando afectados por la situación, permitiéndoles autorregistrarse gracias a la RPA (Fondo Nacional de Previsión de Fiji, 2020). Además, pudo extraer datos para estimar su exposición máxima y aplicar de manera preventiva estrategias de liquidez para controlar la situación del flujo de efectivo. El análisis de datos permitió al Fondo evaluar de manera proactiva los rechazos y modificar las decisiones correspondientes sin que los afiliados tuvieran que presentar una reclamación formal.

Control del fraude y de los errores en la atención de salud

Organización de Seguridad Social para la Salud, Indonesia

En 2020, los hospitales de Indonesia registraron cerca de 80 millones de intervenciones, por lo que la Organización de Seguridad Social para la Salud (Social Security Administering Body for the Health Sector – BPJS Kesehatan) necesitaba una herramienta para la detección de fraudes que fuera fiable y sólida. Los métodos retrospectivos existentes para detectar los fraudes eran menos eficientes, ya que recuperar el exceso pagado posteriormente suponía un esfuerzo y unos recursos considerables. Además, los protocolos de análisis manuales necesitaban una capacidad de procesamiento de datos enorme, lo que hacía que el proceso fuera engorroso y costoso.

La BPJS Kesehatan de Indonesia ha hecho frente a estos desafíos poniendo en marcha un sistema de aprendizaje automático para la detección del fraude. La ventaja principal de este sistema es que es simultáneo, es decir, las solicitudes de reembolso de gastos hospitalarios se analizan antes de efectuar los pagos. Esto a su vez tiene varias ventajas. En primer lugar, la detección del fraude es más rápida y eficiente, ya que el sistema es capaz de identificar patrones de conductas sospechosas con rapidez. En segundo lugar, el tiempo que el personal ahorra en hacer análisis manuales puede dedicarlo a realizar tareas más estratégicas relacionadas con el control del fraude. Por último, gracias al aumento de los datos históricos, los modelos de predicción son más sofisticados y precisos, a diferencia de los métodos manuales, que simplemente no pueden procesar los datos a semejante escala (Organización de Seguridad Social para la Salud 2019 y 2022).

El modelo de aprendizaje automático se elaboró sobre la base del comportamiento histórico transaccional, utilizando técnicas de aprendizaje supervisadas. El algoritmo se ajusta periódicamente con nuevos datos. El modelo se puso en marcha de forma iterativa, empezando por 10 hospitales en 2019, extendiéndolo a 265 hospitales en 2020 hasta alcanzar 2 511 hospitales en 2021. En 2021, el motor de inteligencia artificial (IA) examinó 5,8 millones de solicitudes transaccionales de hospitales, y señaló 390 000 transacciones que requerían un análisis suplementario. Esta iniciativa ayudó además a más de 700 funcionarios de la BPJS Kesehatan encargados de la comprobación a trabajar de manera más eficaz.

Servicio Nacional del Seguro de Enfermedad, República de Corea

En la República de Corea, el Servicio Nacional del Seguro de Enfermedad (National Health Insurance Service – NHIS) ha realizado avances importantes en el uso de los Big Data para detectar situaciones de fraude y errores entre las solicitudes de prestaciones del seguro de salud. El NHIS almacena Big Data sobre diversas variables socioeconómicas y relativas al comportamiento en materia de salud, al uso de los servicios de atención salud y a los cuidados de larga duración. La institución aplica a estos datos algoritmos de auditoría inteligentes para predecir qué centros de salud tienen una alta probabilidad de recibir solicitudes fraudulentas, apoyando así la labor previa de los investigadores (Servicio Nacional del Seguro de Enfermedad, 2022).

El modelo de detección del fraude es mixto y combina métodos de análisis tradicionales con la inteligencia artificial. En una primera etapa, todas las solicitudes recibidas se examinan utilizando algoritmos tradicionales basados en reglas para comprobar si se distinguen las solicitudes correctas de las inusuales. A continuación se utiliza la inteligencia artificial para identificar las correlaciones entre las solicitudes inusuales, lo que ayuda a determinar la probabilidad de una inspección. El modelo de inteligencia artificial, cuyo prototipo se creó en 2021, se elaboró a partir de una generación anterior de modelos tradicionales basados en normas. Este modelo se basa en varias técnicas, entre las que se encuentran el aprendizaje profundo, el bosque aleatorio, el aumento de gradiente, la regresión logística y las máquinas de vectores de soporte. Actualmente, el modelo se está perfeccionando. Entre 2014 y 2021, el sistema de detección del fraude identificó 567 820 casos de fraude, lo que equivale a 174 millones de dólares estadounidenses (USD) en prestaciones solicitadas.

Prestación de servicios personalizados

Servicio de Compensación y Bienestar de los Trabajadores de Corea

El Servicio de Compensación y Bienestar de los Trabajadores de Corea (Workers’ Compensation and Welfare Service – COMWEL) lleva desde 2011 poniendo en marcha planes de rehabilitación personalizados para los trabajadores lesionados, ayudándoles a rehabilitarse de forma satisfactoria. A pesar de que, en los últimos años, los servicios se han ampliado y se han realizado esfuerzos para elaborar planes individuales con la colaboración de expertos en rehabilitación internos, el proceso se ha basado en una cantidad de información limitada y en la experiencia de los responsables a cargo, lo que ha dado lugar a una falta de uniformidad en cuanto a la calidad y la puntualidad de los servicios prestados.

Para reforzar el apoyo brindado a los trabajadores lesionados, el COMWEL ha creado el sistema inteligente de recomendación en materia de rehabilitación (Intelligent Rehabilitation Recommendation System – IRRS) (Servicio de Compensación y Bienestar de los Trabajadores de Corea, 2020). Este sistema, que funciona mediante la inteligencia artificial, se desarrolló en 2020 con el objetivo de seleccionar a los trabajadores lesionados que podrían volver a estar activos y crear servicios de rehabilitación personalizados basados en datos científicos. El IRRS calcula el índice de vulnerabilidad basándose en los datos administrativos de 98 millones de trabajadores, acumulados desde el 2011, que aportan información sobre la compensación de los trabajadores, su seguro de desempleo y la gestión de los casos de rehabilitación, y utiliza un método de razonamiento basado en casos y de filtrado basado en normas. Además, propone un plan de rehabilitación basado en el modelo de inteligencia artificial. Antes de la finalización de los planes generados por la IA, los trabajadores seleccionados para la rehabilitación y su posterior regreso al trabajo son objeto de un seguimiento por parte de los expertos en rehabilitación del COMWEL. El sistema se introdujo por primera vez a principios de 2020, y, aunque ese año fue difícil prestar servicios de rehabilitación debido a la COVID-19, el IRRS recomendó 13 876 servicios a 2 637 trabajadores lesionados, de los cuales 9 172 servicios (66 por ciento) se diseñaron y se prestaron como servicios personalizados. El IRRS ha ayudado al COMWEL a garantizar una calidad del servicio constante a escala nacional, así como la idoneidad y la puntualidad de las intervenciones para mejorar, en última instancia, la tasa de regreso al trabajo.

Resultados

En el cuadro 2 se muestra un resumen de los resultados que estas instituciones han logrado utilizando el análisis de datos.

Cuadro 2. Resumen de los resultados

Institución	Resultados obtenidos
Servicios Australia, Australia	Ha automatizado con éxito >31 000 solicitudes de prestaciones sociales sujetas a la comprobación de recursos que fueron analizadas, evaluadas y pagadas casi simultáneamente a su recepción, sin la intervención del personal. Ha permitido al personal ahorrar tiempo, que ha dedicado a apoyar a los afiliados vulnerables y a atender casos más complejos.
FNPF, Fiji	Ha ahorrado 1,8 millones de dólares de Fiji (FJD) gracias a la automatización y la eficiencia. Ha tramitado y pagado el 80 por ciento de las solicitudes dentro del plazo estipulado de cinco días laborables. Ha permitido al personal centrarse en la tramitación de los casos excepcionales y en aclarar dudas.
BPJS-K, Indonesia	Ha detectado 29 990 posibles solicitudes fraudulentas, lo que ha permitido ahorrar un total de 41,9 millones de USD.
NHIS, República de Corea	Entre 2014 y 2021, el sistema de detección del fraude ha detectado 567 820 casos de fraude, lo que equivale a un ahorro acumulado de 174,4 millones de USD.
COMWEL, República de Corea	El tiempo necesario desde la fecha de concesión de la indemnización hasta la primera consulta de rehabilitación se redujo 4,8 días en 2020 con respecto a 2019, lo que ha permitido poner en marcha servicios de consulta y de rehabilitación con rapidez.

Factores de éxito fundamentales

La experiencia de las instituciones miembros revela varios factores determinantes que son fundamentales para sacar partido del análisis de datos en el marco de la administración de la seguridad social.

Las innovaciones basadas en los datos solo aportan valor cuando los procesos subyacentes están diseñados de manera eficiente. Por ejemplo, si un proceso tiene deficiencias, automatizarlo mediante el análisis de datos solo logrará reproducir los errores existentes, si bien de un modo distinto. Por lo tanto, antes de considerar la aplicación de la automatización basada en datos, hay que evaluar y optimizar los procesos, como ha demostrado Servicios Australia en el caso del procesamiento totalmente automatizado.

La calidad y la gobernanza de los datos son esenciales para aprovechar eficazmente el potencial del análisis de datos. La calidad y la gobernanza de los datos son fundamentales para que las funciones impulsadas por datos den un resultado satisfactorio. Las Directrices de la AISS sobre las Tecnologías de la Información y de la Comunicación, en concreto las directrices 22 a 67 y 63 a 65, ofrecen orientación en materia de gobernanza de datos maestros y de gestión de la calidad de los datos. Por ejemplo, en Indonesia, el uso de datos por parte de la BPJS Kesehatan se basa en un marco para la gestión de datos sólido que sigue las recomendaciones del DAMA-DMBOK2 (Dama International, 2017). Uno de los principios fundamentales de la BPJS Kesehatan es mantener un buen nivel de calidad durante todo el ciclo de vida de los datos. La organización también pretende mejorar la calidad de los datos mediante la estandarización y la captura electrónica de los datos, y la verificación de las validaciones.

La participación de las partes interesadas a todos los niveles y en todos los ámbitos de actividad desde el principio es crucial para gestionar el cambio y solucionar los problemas en tiempo real. Por ejemplo, Servicios Australia descubrió que, para evitar tener que reacondicionar las soluciones en una etapa tardía, era indispensable que los responsables de las políticas, los juristas, los empresarios y los equipos responsables de garantizar la calidad participaran desde el principio.

Para la explotación de datos, como para cualquier otra inversión en TIC, es necesario que las instituciones de seguridad social atraigan, formen, capaciten y retengan al personal competente. Dado que las tecnologías de análisis evolucionan con rapidez, atraer y retener a los profesionales adecuados puede ser complicado. Además, el análisis de datos requiere que las personas trabajen en equipos multidisciplinarios. Así, en la República de Corea, el NHIS descubrió que los profesionales de los distintos ámbitos y los informáticos pueden tener dificultades para entenderse. Existen pruebas en todo el mundo que reiteran la importancia de que la innovación basada en datos esté respaldada por equipos multidisciplinarios (AISS, 2020; Ruggia-Frick, 2021). Por lo tanto, la creación continua de capacidad interna es fundamental para capitalizar el análisis de datos, combinando los conocimientos tecnológicos, metodológicos y especializados.

El aprendizaje y la adaptación continuos son fundamentales, especialmente en lo referente al análisis de Big Data. Los modelos de aprendizaje automático deben ajustarse y evaluarse continuamente para poder adaptarse al aumento de los volúmenes de datos y lograr así un rendimiento sólido. El análisis de Big Data no es un ejercicio puntual, sino que requiere asignar recursos permanentemente, como la BPJS Kesehatan y el NHIS descubrieron en Indonesia y en la República de Corea, respectivamente. Esto también implica establecer un marco de rendimiento sólido para evaluar el rendimiento del modelo utilizando un conjunto de parámetros coherente. Por ejemplo, la BPJS Kesehatan ha establecido cuatro parámetros para evaluar periódicamente su modelo de aprendizaje automático en función de indicadores de referencia predefinidos: i) la precisión de la predicción; ii) la precisión de las predicciones de las observaciones positivas (sospecha de posible fraude) realizadas correctamente en función del total de observaciones positivas predichas; iii) la exhaustividad, a saber, la proporción de observaciones positivas predichas correctamente respecto del total de observaciones en una clase real; y iv) el valor F1, que es la media ponderada de la precisión y la exhaustividad. La evaluación periódica puede ser útil incluso para los análisis de datos tradicionales. Por ejemplo, Servicios Australia prueba meticulosamente el rendimiento del STP utilizando parámetros y realizando comprobaciones manuales para evitar las pérdidas financieras debido a un cálculo incorrecto de los pagos.

Al aplicar la adopción automatizada de decisiones mediante el uso de tecnologías de análisis de Big Data para evaluar la elegibilidad o detectar el fraude, las instituciones de seguridad social deben considerar con detenimiento sus repercusiones jurídicas y éticas. De manera más general, los límites de la automatización para este tipo de servicios críticos y la justificación de los algoritmos utilizados deben evaluarse correctamente (AISS, 2020; Ruggia-Frick, 2021). De hecho, como ha indicado el Relator Especial sobre la extrema pobreza de las Naciones Unidas (ONU), muchos sistemas de adopción automatizada de decisiones se han introducido sin una base legal sólida y sin el recurso adecuado para que los solicitantes puedan apelar las decisiones tomadas digitalmente, lo que afecta a sus derechos en términos de transparencia e imparcialidad (Relator Especial sobre la pobreza extrema de la ONU, 2019).

Por último, todas las prácticas que se presentan en este artículo subrayan la importancia de salvaguardar adecuadamente la seguridad y la privacidad de los datos. Si bien la enorme cantidad de información personal y transaccional puede aportar valor a las instituciones de seguridad social, las violaciones de la seguridad de los datos pueden perjudicar significativamente a las personas y menoscabar la confianza en las instituciones de seguridad social (Wagner y Ferro, 2020). Las directrices 36 a 46 de las Directrices de la AISS sobre las TIC ofrecen recomendaciones detalladas sobre cómo crear un marco sólido para la protección y la privacidad de los datos, sustentado por tecnologías robustas.

Conclusión

Al integrar el análisis de datos en los procesos operativos, las instituciones de seguridad social pueden obtener resultados tangibles, por ejemplo, aumentar el desempeño, mejorar los servicios prestados a los afiliados, reducir el fraude y los errores, y adoptar decisiones basadas en datos empíricos. El análisis de datos puede permitir a las instituciones aprovechar nuevas oportunidades y mejorar significativamente los productos, procesos y métodos organizativos existentes, o crear unos nuevos. En consecuencia, los datos serán el ingrediente fundamental para las instituciones de seguridad social que buscan constantemente estrategias innovadoras para prestar servicios de calidad rentables en los próximos decenios.

Si bien en los decenios anteriores las instituciones estudiaban los métodos de análisis tradicionales, ahora empiezan a aplicar progresivamente tecnologías emergentes, como los Big Data y la inteligencia artificial. Aunque la aplicación de estas tecnologías es reciente, las experiencias de las instituciones miembros demuestran cómo están dando ya resultados importantes en ámbitos clave de la seguridad social, como la lucha contra los errores, la evasión y el fraude, y están permitiendo elaborar enfoques proactivos y soluciones automatizadas para mejorar los servicios sociales. A medida que vaya evolucionando la madurez de los datos de las instituciones, que depende de los avances tecnológicos, el uso de estas tecnologías emergentes se acelerará. Por ello, las instituciones deben prepararse para adaptarse a estos avances creando la capacidad adecuada para la gestión y la gobernanza de los datos, con el fin de hacer frente a los riesgos mencionados anteriormente y garantizar la transparencia, la equidad y la rendición de cuentas al aplicar enfoques avanzados basados en datos.

Referencias