L’EVOLUZIONE DELL’INDUSTRIA ASSICURATIVA

Se i dati sono il nuovo petrolio, il futuro delle aziende si gioca sulla capacità di portarli in superficie ed estrarne valore. Compito complesso, perché i giacimenti si allargano in progressione geometrica. Sette anni fa Emc-Dell prevedeva che tra 2013 e 2020 la produzione di dati dell’universo digitale sarebbe cresciuta di dieci volte, da 4,4 milioni di miliardi di gigabytes a 44, raddoppiando in volume ogni due anni. Ma i fatti hanno doppiato le previsioni. Se già nel 2012 i dati di cui Walmart poteva disporre sulla base degli acquisti gestiti ammontavano a 150 volte quelli contenuti dalla American Library of Congress, l’ultimo report di Idc stima che i 41,6 miliardi di device connessi dall’Internet of Things produrranno nel 2025 dati pari a 13,3 miliardi di volte la Library stessa. Vince chi è appunto in grado di valorizzare queste biblioteche elettroniche: Idc calcola che nel 2013 solo il 5% di questi dati fornisse informazioni utili, e che la quota salirà al 10% entro il 2020. Saper raccogliere, catalogare, gestire, analizzare in tempi sempre più rapidi questi dati è una necessità, ma anche una leva strategica. 

C’è naturalmente chi è più avanti di altri. Gli algoritmi predittivi del nostro comportamento sono da sempre un asso nella manica dei grandi attori del mondo tech. Modelli di propensity comportamentali estremamente accurati permettono a Google, Facebook, Netflix e Amazon di conoscere approfonditamente le nostre preferenze in materia di ristoranti, film e serie tv, viaggi, e sono in grado di avvicinare il cliente con proposte commerciali sempre più pertinenti, grazie al continuo scambio di dati con i consumatori. 

Ma la trasformazione data driven riguarda anche i settori tradizionali. Utility, telco, case automobilistiche, banche, stanno costruendo una parte fondamentale della loro strategia sull’utilizzo del dato comportamentale del cliente e puntano ad allenare i modelli di propensione all’acquisto per individuare i potenziali da sfruttare, i clienti a rischio volatilità o ancora le iniziative commerciali e di caring più adeguate. Anche in Italia il fenomeno prende piede: il mercato dei big data analytics, secondo il Politecnico di Milano, nel 2018 è cresciuto del 26% (contro una media del triennio del 21%), raggiungendo la cifra di 1,4 miliardi di euro, di cui circa il 45% costituita da applicativi software, il 34% da servizi di personalizzazione e manutenzione, il 21% dalla componente infrastrutturale. Una dinamica positiva dovuta alla maggiore consapevolezza sul tema da parte delle aziende, che negli ultimi anni stanno investendo sempre di più in infrastrutture, sperimentazioni e progetti in corso. 

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 costruiscono le tariffe assicurative. Nel contesto attuale di grandi evoluzioni in ambito di 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 infatti 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, ad esempio che tengano conto dei cicli e degli stili di vita, è la grande sfida competitiva per le compagnie, in particolare nell’ambito della protection. Quello della protezione è infatti ancora un mercato che si basa su sistemi di offerta centrati sui prodotti più che sui bisogni del cliente, che restano in larga parte sconosciuti o addirittura inespressi. 

È necessario 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. Ad 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. Il tutto mantenendo la dovuta, doverosa attenzione al tema privacy, grande punto critico che la nuova frontiera dei dati pone all’attenzione del normatore e della deontologia delle aziende, e su cui si giocherà la sostenibilità di questo come di altri mercati.

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 terreni 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: ad 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 (declivi del terreno e altitudini relative, presenza di bacini idrografici, precipitazioni, livello di urbanizzazione, …) 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. Diverse soluzioni sono al vaglio delle compagnie: l’analisi delle foto del sinistro inviate da remoto permetterà di semplificare la fase peritale, stabilendo in tempi rapidi la quantificazione del danno e riducendo i tempi di indennizzo per il cliente. Le soluzioni più avanzate permettono ad esempio di riconoscere la tipologia di danno al veicolo (ammaccatura, strisciata o schiacciamento) grazie alla capacità di apprendimento degli algoritmi di machine learning e deep learning, e di fornire una stima del danno materiale avvenuto. Una logica simile può essere estesa ad esempio alla valutazione dei danni da acqua in ambito property.

 

Fonte: Idc

Oltre alla fase peritale, 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. Nello specifico del motor, l’utilizzo della telematica permette oramai di indicare in tempi molto brevi alle strutture liquidative i sinistri che presentano un potenziale rischio frode, sia in termini di localizzazione incoerente dell’evento, sia addirittura di dinamica dell’incidente incompatibili. Ad esempio, la telematica di bordo può segnalare punti d’urto diversi dalla dichiarazione, una direzione del veicolo non compatibile con l’evento, fino ad arrivare ad algoritmi di pattern recognition che riconoscono l’eventuale innaturalità nei percorsi o nei comportamenti del cliente prima dell’evento.

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. 

In uno scenario delicato per le reti agenziali tradizionali, sarà determinante la capacità della compagnia di costruire modelli di condivisione delle informazioni sul cliente, superando le tradizionali barriere grazie alla creazione di valore congiunto attraverso gli analytics. E per la compagnia sarebbe l’occasione di personalizzare il proprio modello di supporto commerciale alle reti, adottando un approccio più personalizzato e su misura per gli agenti.

In tutto questo c’è da sottolineare un rischio: quello di considerare la capacità analitica come fine più che come strumento, innescando l’effetto ufficio studi. Il pericolo è che le strutture di analytics restino isolate dal core business, limitandone incisività e impatto. Dare forma a una data-driven company (perché è di questo che stiamo parlando) punta invece a un altro risultato: rendere il dato un asset che permea ogni decisione aziendale, da tutti conosciuto, utilizzato e aggiornato. Perché tutto questo avvenga è necessaria attivare una data transformation che agisca su almeno due livelli. 

Il primo livello riguarda le competenze e metodologie di analisi: è indispensabile che le aziende favoriscano l’avvento di nuovi modelli di analisi a supporto alle decisioni, ad esempio di machine learning e deep learning. Stando al rapporto 2018 dell’Osservatorio big data e analytics del Politecnico di Milano, circa un terzo delle grandi imprese italiane ha già acquisito le competenze necessarie. Il 56% delle grandi imprese ha inserito figure di data analyst in organico, il 46% di data scientist, il 42% di data engineer. Il secondo livello riguarda i modelli organizzativi: nonostante cresca il numero di imprese con una governance matura per l’era data driven, più della metà delle imprese italiane (il 55%) presenta modelli eccessivamente gerarchici e verticali, che poco favoriscono la condivisione e valorizzazione dei dati, privilegiando ancora un metodo decisionale guidato dal tradizionale business acumen. 

È una sollecitazione che vale anche per il settore assicurativo. Tutte le principali compagnie si sono infatti dotate di strutture interne per lo sviluppo dei modelli predittivi. Ma le assicurazioni, più di altri, devono evitare l’effetto ufficio studi, il che vuol dire porre al centro della governance e dei processi un dato opportunamente raffinato perché sia utilizzabile dal management in chiave strategica.