Oggi la competitività del comparto assicurativo Motor in Italia si gioca su più fronti strategici. L’offerta deve avvalersi, infatti, di una spiccata efficienza operativa, di tecnologie avanzate su dati di qualità, servizi personalizzati, lotta alle frodi e infine soluzioni sempre più integrate nell'ecosistema della mobilità.
Nei giorni scorsi Insurance Connect ha organizzato il convegno “Rc Auto, dal cliente alla sostenibilità del sistema” durante il quale è intervenuto Giuseppe Dosi, Head of Insurance di CRIF, con uno speech dal titolo “Dati e AI: strada obbligata per la pricing sophistication”.
“In un mercato sempre più competitivo, che da molti anni ha un Combined Ratio, ossia l’incidenza dei sinistri e delle spese della gestione assicurativa sui premi, che oscilla fra il 100 e il 110%, la pricing sophistication è la strada obbligata per le compagnie. Gli aumenti frontali dei prezzi, spesso preferiti dall'industria assicurativa, non solo risultano spesso inefficaci e rischiosi, ma possono generare esclusioni a priori senza una vera e proprio analisi del target. Dai nostri studi emerge infatti che l’applicazione di analytics evoluti permette di migliorare il Loss Ratio fino a 25 punti percentuali" - ha spiegato Dosi, sottolineando i benefici tangibili dei modelli di machine learning nella riduzione dei rischi.
Gli algoritmi evoluti elaborati da CRIF che sfruttano le tecniche di Machine Learning (ML):
• Score Traffico: sfruttando oltre 50 parametri (ad esempio, densità abitativa, infrastrutture e servizi), permette di profilare aree geografiche in base all'esposizione al traffico, collegandola al rischio.
• Score Antifrode Assuntivo: con più di 100 parametri, analizza preventivi assicurativi per rilevare incongruenze e identificare potenziali frodi.
• Score Eventi Naturali: stima il rischio di danni da eventi naturali, come grandine e temporali, su 80 parametri che includono la geolocalizzazione e le caratteristiche strutturali.
Quali sono i benefici dei modelli di Machine Learning?
Adottando lo Score Traffico, ad esempio, le Compagnie possono ottenere un miglioramento del Loss Ratio fino a 3 punti percentuali. Lo Score Antifrode Assuntivo, invece, consente di valutare il comportamento potenzialmente fraudolento del soggetto già in fase assuntiva, applicando le correzioni di premio necessarie per mantenere l'equilibrio tecnico del cluster, con un miglioramento del Loss Ratio fino a 8 punti percentuali. Infine, lo Score Eventi Naturali, che integra mappe di pericolosità con caratteristiche specifiche della zona di residenza, e permette di valutare il rischio di eventi come grandine e piogge intense. Questo tipo di score offre un approccio dettagliato e mirato alla gestione del rischio e permette un miglioramento del Loss Ratio fino a 25 punti percentuali.
Dall’atra parte la Generative AI (GenAI) permette la gestione di dati non strutturati, come immagini e testi, abilitando l’estrazione di informazioni e la creazione automatica di documenti e migliorando la comunicazione con i clienti attraverso la chatbot.
"L'integrazione tra ML e GenAI offre una sinergia strategica per comprendere e rispondere meglio alle esigenze del cliente.Da un lato, il Machine Learning consente di analizzare dati strutturati, descrivere la realtà e fare previsioni; dall'altro, i Large Language Models liberano nuovi dati da documenti e immagini, arricchendo i modelli e facilitando il dialogo con il cliente. Non siamo lontani dal vedere una collaborazione tra GenAI e ML che migliori l’esperienza cliente e ottimizzi il rischio. I dati e le tecnologie ci sono già: serve solo un po' di coraggio e una chiara 'reason why' per intraprendere questo cambiamento” – conclude Dosi.
