En “Thinking fast and slow”, Daniel Kahneman plantea la superioridad de los algoritmos estadísticos sobre la intuición humana en la toma de decisiones y pronósticos. Se ilustra con ejemplos de selección universitaria y desempeño en el sector automotriz, destacando cómo, a menudo, las decisiones basadas en experiencias y datos limitados pueden ser menos precisas que aquellas fundamentadas en análisis estadísticos amplios.
Kahneman aborda el desafío en el ámbito de los seguros de automóviles, sector donde las predicciones de siniestralidad basadas en datos masivos muestran mayor exactitud frente a las intuiciones de expertos, incluso cuando estas se apoyan en experiencias recientes. Destaca un caso donde la percepción de mayor siniestralidad de cierto modelo de auto, basada en datos a corto plazo de una compañía, contradecía la tendencia general del mercado, sugiriendo que decisiones como ajustes de tarifa basadas en esas percepciones podrían resultar en decisiones empresariales equivocadas.
También se menciona el concepto de regresión a la media, ejemplificado con el rendimiento de pilotos de Fórmula 1, para explicar cómo los resultados extremos tienden a normalizarse con el tiempo, sugiriendo cautela al interpretar y actuar sobre estos picos de rendimiento.
El texto critica el enfoque de compañías aseguradoras que, basándose en datos limitados y experiencias propias, ajustan sus tarifas sin considerar ampliamente el escenario del mercado. Resalta la eficacia de usar grandes bases de datos para predecir riesgos y establecer precios, argumentando que esto minimiza el riesgo y lleva a una mejor estrategia de negocio.
Finalmente, Antonio Contreras, con amplia experiencia en el sector asegurador, enfatiza en la utilización de datos de mercado amplios en lugar de confiar únicamente en la intuición o datos internos limitados, especialmente para pequeñas aseguradoras donde el margen de error en cálculos tarifarios puede ser crítico para la supervivencia y rentabilidad empresarial.