big data

Mercato insurance, la rivoluzione guidata dai dati.

Nel mondo dei dati sta avvenendo un cambio di paradigma importante e ci troviamo nel mezzo di questa trasformazione. Detenere dati proprietari non è più così fondamentale rispetto all’importanza di saperli interpretare ed essere in grado di estrarne valore.

Paragonati agli operatori di altri settori, gli istituti assicurativi possiedono pochi dati. Basti pensare alla mancanza di informazioni sulle transazioni, dovuta principalmente al fatto che i pagamenti si effettuano 1-2 volte l’anno, e che altre possibilità di contatto con il cliente, ad esempio in occasione di eventi come i sinistri avvengono in numero limitato. A titolo esemplificativo, nel settore bancario la quantità di dati proprietari è davvero impressionante se si pensa soltanto alle transazioni di conto corrente o di carta che racchiudono informazioni preziose per valutare la rischiosità, il comportamento di spesa, il reddito disponibile di una persona fisica o il cashflow di una persona giuridica. 

Le banche fanno ampio utilizzo di dati dichiarativi ed è ormai molto comune verificarli rispetto a fonti terze, come per esempio i Credit Bureau Privati o SCIPAFI, il Sistema pubblico di prevenzione della frode, che consente il riscontro dei dati contenuti nei principali documenti d’identità e di reddito con quelli registrati nelle banche dati degli enti di riferimento (attualmente Agenzia delle Entrate, Ministero dell’Interno, Ministero delle Infrastrutture e dei Trasporti, INPS e INAIL). Sia i Credit Bureau che SCIPAFI sono accessibili agli istituti assicurativi per casi d’uso legati alla valutazione dei rischi di frode e verifica dell’identità. Oltre a ciò, possono essere utilizzati anche per una migliore valutazione delle necessità e richieste del cliente al fine di proporre il prodotto assicurativo più adeguato.

Un’opportunità interessante è quella di mettere a fattor comune i dati tra le assicurazioni, per esempio sui sinistri, in modo da creare sistemi di scoring e valutazione più efficaci, così come è stato fatto dalle banche con l’obiettivo di migliorare il prodotto e le condizioni offerte al cliente finale. Un’altra opportunità interessante sembra essere la possibilità di accedere ai dati transazionali bancari attraverso l’Open Banking e la Payment Service Directive 2 (PSD2). Una fonte sicuramente rilevante per la valutazione del rischio ma ancora di più per migliorare la segmentazione dei “buyer personas” al fine di creare modelli di propensione e implementare operazioni di “price adjustment”.

Finora abbiamo parlato esclusivamente di fonti dati che hanno un uso già ben codificato nelle decisioni di rischio finanziarie. Tuttavia, aprendo ulteriormente gli orizzonti informativi, possiamo contemplare l’utilizzo di almeno altre due categorie di dati utili a una valutazione potenziata del rischio.

Da una parte i dati strutturati provenienti da aggregatori informativi come agenzie governative, associazioni di categoria o altri enti d’interesse pubblico (c.d. Open Data), utili per inquadrare caratteristiche nuove o particolari aspetti di rischio come, per esempio, valutazioni sull’igiene dei ristoranti o la data dell’ultima visita antincendio. Questi dati sono normalmente gratuiti, di facile accesso e in costante aumento, ma la loro elaborazione massiva può essere sfidante, in quanto richiedono molte risorse sia per l’estrazione di segnali significativi, sia per la loro integrazione nei modelli analitici.

Dall’altra parte ci sono invece molti dati non-strutturati, ossia ottenibili attraverso tecniche di scraping di pagine web e di contenuti pubblicati sui principali social network, utili per verificare l’attività di un’azienda e la posizione geografica. Grazie alla “sentiment analysis” è possibile determinare il grado di apprezzamento del pubblico, oltre ad aspetti specifici, come per esempio la percezione sui servizi offerti. Infine, utilizzando algoritmi di text-mining, si può comprendere se gli articoli diffusi sul web parlano di un’impresa in modo positivo o negativo. 

Questa tipologia di dati è molto valida anche per fare analisi puntuali di microzone, come le aree censuarie ISTAT. In particolar modo se viene associata a strumenti statistici di segmentazione sociodemografica dei consumatori. Un buon esempio sono i casi d’uso legati alle assicurazioni immobiliari o di uffici ed esercizi commerciali. Nel caso dei soggetti privati invece, dove i vincoli posti dalle normative sulla protezione dei dati personali sono più pervasivi, possono comunque essere sfruttate efficacemente le informazioni relative alla c.d. Digital ID, ossia tutte quelle informazioni ottenibili aggregando e analizzando alcuni attributi riconducibili all’individuo, senza però entrare nella sfera delle informazioni personali. Questi set informativi, spesso arricchiti con indicatori di natura statistica, consentono comunque la costruzione di casi d’uso in diversi ambiti di applicazione, inclusi valutazioni delle abitudini e degli interessi e modelli predittivi sia in ambito rischio che marketing.

Tipicamente quest’ultima tipologia di dati è accessibile a costi minori, di solito associati ad  attività di crawling o all’utilizzo delle API messe a disposizione da Google o dai social network. L’impatto sul business può essere interessante in termini di vantaggi competitivi su determinati segmenti, come per esempio aziende con beni e servizi rivolti al pubblico o i giovani con intensa attività digital e social.

Quando si dispone di un “funnel” digitale per l’acquisizione dei clienti, è possibile sfruttare anche la predittività dei cosiddetti “digital footprint”. Attraverso un software development kit (SDK) adeguatamente configurato, si possono raccogliere, in tempo reale, centinaia di segnali digitali associati al device, al browser con cui si naviga, all’IP e al sistema operativo. Una mole di informazioni di prima parte utile per analizzare il comportamento di navigazione, prevenire frodi, qualificare i prospect e persino effettuare elaborazioni relative al rischio per privati e ditte individuali.

Le sfide legate a questa tipologia di dato riguardano in prevalenza la mancanza di un controllo di qualità e di una garanzia di disponibilità su base continuativa e affidabile.

Cristina Iacob, Commercial Strategy Director, South Europe di Experian

Seguici sui nostri canali social: Facebook Twitter 

Leggi tutte le nostre notizie cliccando QUI

Insurzine

Redazione

La Redazione di InsurZine è composta da collaboratori, influencer ed analisti, esperti del settore insurtech
Dati Insurtech
I Podcast di Insurzine