Le assicurazioni al tempo dell’AI

di Alessandro D’Adda e Claudio Fortunati, rispettivamente partner e senior

Per quanto riguarda l’assicurazione, le compagnie sono da sempre in prima linea in tema di modelli analitici. Come è noto hanno sviluppato per prime le tecniche attuariali di stima del rischio, base su cui poi si montano le tariffe assicurative. Nel contesto attuale di grandi evoluzioni in ambito advanced analytics, il settore è però paradossalmente rimasto leggermente indietro rispetto ad altre industry. Detto questo, pur rappresentando una quota di mercato degli investimenti in analytics ancora bassa (il 6% del mercato italiano), le compagnie hanno accelerato il passo dell’investimento, che è stato lo scorso anno superiore alla crescita media del mercato. In ballo c’è molto di più delle tradizionali tariffe. L’utilizzo dei dati per leggere in profondità ed esplicitare il sistema dei bisogni dei clienti, e ricostruirli secondo logiche di marketing e di offerta più raffinate, per esempio che tengano conto dei cicli e degli stili di vita, è la grande sfida competitiva per le compagnie, in particolare in ambito protection. Serve quindi allargare l’area e la profondità dei modelli di analytics per passare a un modello decisionale data driven. Fattore abilitante è la qualità e disponibilità dei dati. Le assicurazioni oggi sfruttano solo parzialmente il patrimonio informativo di cui dispongono naturalmente. Patrimonio che va comunque arricchito con fonti esterne. Per esempio, le compagnie possono potenziare la loro capacità predittiva, aggiungendo a quelle in proprio possesso informazioni quali il comportamento creditizio, la situazione reddituale, il patrimonio familiare, il ruolo professionale all’interno di una o più aziende, le relazioni interpersonali e la capacità di referral. Gli ambiti a cui applicare questa logica data driven e gli investimenti sugli advanced analytics sono estesi e coincidono con l’intera catena del valore del business assicurativo.
Possiamo sintetizzare in tre parole queste potenzialità: premi, sinistri, reti. L’ambito pricing resterà uno dei principali ambiti di ricerca e sviluppo, secondo due direzioni fondamentali: la personalizzazione spinta del pricing con modelli tariffari evoluti e strumenti avanzati di gestione della scontistica, e la definizione di modelli predittivi del rischio di churn. La personalizzazione del pricing è già realtà non solo in ambito motor, ma anche nel property: per esempio, il rischio idrogeologico può essere oggi stimato a partire da informazioni di estremo dettaglio sull’ubicazione del fabbricato e sulla sua esposizione al rischio, basandosi su serie storiche e su numerose variabili di contesto attraverso modelli in grado di discriminare i rischi tra due fabbricati collocati anche a pochi metri di distanza. Per quanto riguarda i sinistri, gli analytics possono contribuire all’evoluzione di numerose fasi del processo, favorendo non solo maggiore efficienza e automazione, ma anche efficacia di gestione e un miglior servizio al cliente. Gli analytics in ambito sinistri possono potenziare anche la fase istruttoria, prevedendo l’evoluzione del dossier, anticipando la ripartizione delle responsabilità tra le parti coinvolte oppure la probabilità di un eventuale intervento legale. Non da ultimo l’ambito antifrode: lo studio approfondito delle relazioni interpersonali tra le persone coinvolte (parti in causa e professionisti a supporto) associato all’analisi di dettaglio dello storico dei dossier permette di individuare i sinistri sospetti, di qualunque copertura, da orientare immediatamente all’ufficio Antifrode. Sul fronte della distribuzione assicurativa, gli Analytics sono impiegati in modo ancora limitato. Eppure anche qui le opportunità non mancano. Basti pensare alla possibilità di analizzare le dinamiche di reti complesse, confrontando le performance commerciali, i diversi modelli di organizzazione, le opportunità di ottimizzare la copertura territoriale delle agenzie, le iniziative di network governance o ancora l’efficacia delle campagne commerciali, valutando correttamente le variabili di contesto date ad esempio dal territorio. (riproduzione riservata)

Fonte: logo_mf