Tras el COVID-19, debemos construir cadenas de suministro e infraestructuras más resilientes para prepararnos para la próxima crisis.
La tecnología actual nos permite evaluar los riesgos a escala hiperlocal.
Este nivel de detalle será clave para fomentar la resiliencia que necesitamos.
La pandemia de COVID-19 ha puesto cruelmente de manifiesto lo poco preparados que están muchos gobiernos e instituciones para hacer frente a riesgos complejos y transfronterizos. Los gobiernos han adoptado diversos enfoques durante esta crisis, y los distintos resultados han conducido a menudo a un exceso de mortalidad inesperadamente alto y a mayores costes económicos. Esta respuesta fragmentada podría hacer que la enfermedad recobre fuerza hasta finales de 2020 y más allá.
La propagación del COVID-19 se ha acelerado en zonas caracterizadas por una alta densidad de población, degradación ambiental, infraestructura urbana deficiente y atención sanitaria inadecuada. Esta enfermedad agrava los golpes que muchas zonas urbanas ya han sufrido recientemente a causa de desastres naturales inducidos por el cambio climático. La sociedad ya no puede permitirse esperar a que golpee el siguiente desastre, ya que la globalización, la urbanización, la deforestación y la producción industrial de alimentos propagan nuevas enfermedades y afectan a la seguridad alimentaria, energética y económica de las naciones. Los servicios de prevención globalmente locales para fomentar la resiliencia ya no son algo «deseable», sino algo «imprescindible».
En la dinámica normalidad posterior al COVID-19, la sociedad debe desarrollar una resiliencia más profunda dentro de sus instituciones y procesos. En un contexto de culturas que cambian rápidamente, digitalización creciente, cambios demográficos y aumento de la desigualdad de la riqueza, la naturaleza interconectada de la salud, la economía, la política y la tecnología convierte la definición de «normal» en un objetivo en constante movimiento. El COVID-19 acelera este ritmo y alcance del cambio, al tiempo que pone de manifiesto las deficiencias.
Más que nunca, los líderes gubernamentales y los directivos empresariales necesitan un mejor apoyo a la toma de decisiones. Hasta la fecha, los sistemas robustos de apoyo a la decisión habilitados por tecnología han estado fragmentados y se han desplegado de forma desigual. Esto debe cambiar. Para sobrevivir a una posible depresión económica, la industria y el gobierno deben trabajar codo con codo para garantizar cadenas de suministro e infraestructuras resilientes y prepararse para escenarios en los que las catástrofes golpeen simultáneamente, por ejemplo un huracán como el ciclón Amphan y la posterior evacuación durante una pandemia.
Muchos gobiernos ya recopilan enormes cantidades de datos, y algunas empresas han desarrollado una impresionante variedad de tecnologías de modelización de riesgos y resiliencia. Por desgracia, los datos pertinentes en su mayoría no están bien depurados, y las tecnologías avanzadas en gran medida no están en manos de los responsables clave de la toma de decisiones.
Evacuaciones por desastre durante el COVID-19
La India y Bangladés fueron azotados recientemente por el ciclón Amphan, que amenazó millones de vidas. No son los únicos. El 1 de junio de este año marcó el inicio de la temporada de huracanes en Estados Unidos y de tifones en Japón. La naturaleza global de estos riesgos interconectados hace que las soluciones globalmente locales sean aún más esenciales para construir sociedades resilientes.
En el contexto de una pandemia, el distanciamiento social y la higiene son tan importantes para reducir la transmisión en los refugios de evacuación como en situaciones sin desastre. Por desgracia, existen obstáculos mucho mayores para el cumplimiento y la aplicabilidad de las medidas. Las evacuaciones por huracán exigen que las personas se desplacen en estrecho contacto entre sí, lo que agrava la amenaza de contagio. Como resultado, las evacuaciones por huracán, que ya son difíciles de por sí, se complican aún más por las restricciones de confinamiento en el lugar y podrían reavivar la pandemia. Según el modelo SEIR de One Concern (un modelo epidemiológico compartimental), el número de personas infectadas puede aumentar hasta un 20 % en tres días durante una evacuación.
Este enfoque para abordar este desafío adapta los modelos epidemiológicos compartimentales para ejecutarse a escala hiperlocal con el fin de desarrollar nuevas soluciones relacionadas con la pandemia. Estas soluciones modelizan el impacto potencial de las evacuaciones por huracán sobre la propagación del COVID-19, siguiendo las transiciones entre las personas susceptibles, expuestas, asintomáticas, presintomáticas, sintomáticas (leves y graves), hospitalizadas y recuperadas, con el fin de optimizar la respuesta ante desastres.
El riesgo de infección puede modelizarse después en zonas densamente pobladas, lo que aporta datos que pueden utilizarse al planificar la reapertura de escuelas, iglesias y lugares de trabajo. Mediante datos de tasas de infección hiperlocales, los responsables de la toma de decisiones pueden evaluar los peligros relacionados con la propagación de enfermedades infecciosas.
La analítica predictiva guía un regreso seguro al trabajo
Devolver de forma segura a los empleados y a los clientes es actualmente una cuestión clave para los líderes empresariales. Los directivos deben replantear sus estrategias de productividad y de plantilla para prepararse mejor ante una posible segunda ola de COVID-19 y construir una resiliencia duradera.
Un análisis reciente examinó tres fábricas de automóviles en Estados Unidos (la fábrica de Tesla en Fremont, California, la fábrica de Ford en Chicago, Illinois, y la fábrica de Mercedes-Benz en Tuscaloosa, Alabama) para predecir las tasas de infección, lo que afectaría a las decisiones de los fabricantes de automóviles en materia de producción. Tuvimos en cuenta la ubicación geográfica, la fecha de reapertura, el número de empleados, la tasa local de casos de COVID-19 en dos semanas, la tasa de mortalidad en la población local y la antigüedad de la fábrica. Por ejemplo, la solución modelizada predijo un 99 % de probabilidad de que una fábrica concreta tuviera al menos un trabajador que diera positivo en COVID-19. Dos días después, los empleados de esa fábrica efectivamente dieron positivo, lo que obligó al propietario a detener temporalmente la producción con un coste de millones de dólares. Los modelos hiperlocales de pandemia de Resilience-as-a-service pueden ayudar a los responsables de la toma de decisiones a acelerar la recuperación y minimizar las interrupciones.
Resilience-as-a-service en el seguro
La conciencia sobre el riesgo de pandemia ha aumentado significativamente debido al COVID-19, y las pérdidas están impulsando nuevas exclusiones en las pólizas y dejando a las empresas en situación crítica. Dadas sus coberturas y sus procesos de ajuste de siniestros, el seguro tradicional no está bien adaptado a la interrupción de negocio causada por pandemias; muchos sostienen que las pandemias no son asegurables. Todos coinciden, sin embargo, en que el mejor seguro es la prevención, lo que subraya la necesidad de respaldar decisiones más acertadas.
La pandemia del SARS de 2004 despertó a partes del mundo ante el riesgo de pandemia. Por desgracia, en aquel momento la tecnología y los datos eran insuficientes para llevar a cabo el tipo de modelización que hoy es posible. Ahora, con la nueva inteligencia artificial y la unificación de datos, podemos modelizar riesgos a escala hiperlocal para impulsar la analítica predictiva que guíe los servicios preventivos y ayude a mitigar la interrupción de negocio. Además, estas herramientas pueden dar forma a la respuesta gubernamental en tiempo real, redirigiendo de forma óptima recursos y servicios.
El COVID-19 está obligando al sector asegurador a replantear el riesgo de pandemia y a desarrollar nuevas soluciones que ayuden antes, durante y después de los acontecimientos. El gobierno, la industria y el sector asegurador pueden trabajar juntos para minimizar las pérdidas por interrupción de negocio y construir resiliencia social.
