Predição de sinistralidade: como antecipar o reajuste do plano antes que ele aconteça

A renovação do plano de saúde é, para a maioria das empresas, um evento reativo: a operadora apresenta o reajuste, o RH tenta negociar, o resultado é incerto. O problema começa muito antes da data de aniversário, começa no fato de que a empresa não tem projeção própria do que vai acontecer.

Predição de sinistralidade muda essa dinâmica. Com os dados certos e um modelo simples, é possível projetar com razoável precisão o comportamento do custo do plano para os próximos 6 a 12 meses, e agir antes que o problema se materialize.

O que alimenta um modelo preditivo de sinistralidade

Os modelos mais eficazes para populações corporativas de porte médio trabalham com três categorias de variáveis:

• →Históricas: sinistralidade mensal dos últimos 24 meses, decomposição por CID top 10, custo per capita por faixa etária, histórico de internações.
• →Demográficas: distribuição etária atual e projetada considerando novas contratações e desligamentos previstos, perfil de crônicos identificados na base.
• →Externas: sazonalidade de doenças respiratórias e virais, variação da inflação médica publicada pelo IESS.

O que o modelo entrega na prática

Com essas variáveis, o modelo produz: projeção de sinistralidade para os próximos 12 meses em três cenários (base, otimista e conservador), identificação dos grupos de risco que mais vão pressionar o custo, e estimativa do impacto de cada grupo no prêmio final caso nenhuma ação seja tomada.

Esse conjunto de informações não elimina o reajuste, mas permite negociar com dado próprio em vez de apenas reagir ao dado da operadora.

A precisão que é possível esperar

Para populações acima de 100 vidas com histórico de 18 meses ou mais, modelos de regressão simples conseguem projeções com margem de erro de 5% a 10% para horizonte de 6 meses. Isso é suficiente para planejamento orçamentário e para preparação da negociação de renovação.

Fase 1 não exige modelo sofisticado

O primeiro passo não é construir um modelo de machine learning. É organizar os dados históricos da empresa em formato estruturado e plotar a tendência. Na maioria dos casos, a tendência já conta a história com clareza suficiente para agir.