- Customer Stories
- AMISSIMA Assicurazioni
Tecniche di Machine Learning per garantire il miglior profilo tariffario
Come valorizzare la propria banca dati per crescere in volumi e profitto.
AMISSIMA Assicurazioni ha scelto • SAS® Visual Data Mining and Machine Learning • SAS® Cloud
Data mining e machine learning per integrare il processo di tariffazione RC Auto, integrando al meglio statistiche descrittive e predittive. L’evoluzione del ruolo dello staff statistico attuariale al centro della data strategy di AMISSIMA Assicurazioni.
Il mondo assicurativo sta vivendo una profonda trasformazione. Big Data, IoT, digital transformation, machine learning e artificial intelligence impongono nuovi modelli di business che hanno effetti diretti sul pricing: la definizione delle variabili oggettive (quelle che seguono i dati del veicolo) e soggettive (i dati riguardanti l’assicurato) che determinano il premio RC auto, l’equilibrio tra mutualità e personalizzazione del premio e la segnalazione dei rischi in tempo reale agli assicurati.
AMISSIMA Assicurazioni ha implementato un modello di gestione del rischio e di tariffazione avanzato sul ramo RC Auto per creare un’interfaccia d’uso più vicina alle esigenze degli agenti di rete e ai clienti finali – come ci spiega Lorenzo Alati, staff statistico attuariale della compagnia e responsabile del progetto che è stato sviluppato insieme a BID Company, Gold Partner SAS.
La semplicità dello strumento ci permette di gestire tutte le attività nel ciclo di vita dell’analisi, generando insights in modo automatico, report di riepilogo e modelli di previsione. Lorenzo Alati Staff Statistico Attuariale AMISSIMA Assicurazioni
Valorizzare la banca dati clienti e innovare la rete di vendita
Con oltre 400 agenzie sul territorio nazionale e attraverso le filiali di Banca Carige, e dopo la lunga fase di ristrutturazione – l’obiettivo di AMISSIMA è crescere non solo in volumi ma anche e soprattutto in profitto – valorizzando la propria banca dati tariffaria auto di oltre 4 milioni di record puntando sull’innovazione. Per raggiungere l’obiettivo la compagnia ha anche rafforzato la capacità di prezzare non solo i rischi già assunti ma anche i nuovi rischi, in modo da migliorare la profittabilità della compagnia e scongiurare l’abbandono della clientela. La soluzione SAS Visual Data Mining and Machine Learning è stata integrata nel modello di tariffazione multivariata, dando centralità ad aspetti statistico-attuariali nel processo di governance.
La soluzione scelta da Amissima è totalmente in Cloud riuscendo così a limitare al minimo gli impatti sui sistemi informatici interni di compagnia senza però compromettere in alcun modo l’efficienza dello strumento.
Variabili oggettive e soggettive nella definizione delle tariffe
«Su 4 milioni di polizze analizziamo la rischiosità della nostra clientela attraverso l’analisi di circa 200 variabili di cui oltre la metà legate alle caratteristiche del veicolo, mentre le altre rappresentano al meglio i profili della clientela» – spiega Lorenzo Alati. «Il mondo auto rappresenta oltre la metà del business di Amissima Assicurazioni. La compagnia ha comunque un potenziale inespresso che bisogna colmare. E l’investimento su SAS è una risposta concreta in termini strategici. Basti pensare che in un anno abbiamo più che raddoppiato le risorse funzionali adibite a tali analisi con l’inserimento di profili esperti».
Il difficile equilibrio tra analisi descrittiva e predittiva
«Con la soluzione SAS, tendiamo a raggiungere il difficile equilibrio tra analisi descrittiva e predittiva; il nostro lavoro si basa su quello che è successo nel passato, ma l’obiettivo è capire che cosa succederà nel futuro. Una modellistica basata su modelli lineari generalizzati (GLM) descrive sufficientemente bene il rischio al quale sarà esposta la compagnia? SAS Visual Data Mining and Machine Learning ci permette di approfondire questa questione, integrando i processi esistenti con modelli di Machine Learning, tenendo comunque sempre in considerazione i vincoli normativi in vigore».
Gli analytics a supporto della crescita del business
«Anche grazie ai nuovi modelli di rischio a supporto delle tariffe introdotte nel 2018, AMISSIMA ha registrato un’inversione di tendenza sullo stato di salute della compagnia osservando un sensibile miglioramento dei risultati tecnici del business auto, con un forte miglioramento di SP, e una progressiva diminuzione dei reclami».
Gli analytics per conoscere meglio il cliente
«Allo Staff Statistico-Attuariale viene richiesto di prevedere la sinistrosità sottostante i rischi sottoscritti – oggi, possiamo farlo anche partendo dalla conoscenza del comportamento del cliente al rinnovo, creando una distribuzione di probabilità di propensione all’acquisto e la compagnia può fare delle simulazioni per determinare il punto di equilibrio tra il numero di polizze sottoscritte e il corretto premio da proporre ai clienti. Il margine per polizza è rappresentato dalla distanza tra il premio pagato e il costo atteso dei sinistri. Lavoriamo molto quindi anche sulla parte di CRM per associare al profilo cliente il maggior numero di informazioni possibili. L’analisi del ciclo di vita del cliente ci permette inoltre di formare categorie di rischi per conoscere al meglio il suo comportamento futuro».
Per un modello consistente di tariffazione nel settore RC Auto
Quando una compagnia stabilisce una tariffa deve prevedere anche la quota parte per risarcire i sinistri. «In questa attività, di semplice comprensione, anche il monitoraggio degli andamenti tecnici di portafoglio rappresenta un fattore critico e i rischi che possono compromettere l’equilibrio sono molti». Quanti sinistri ci saranno? Quale sarà il loro costo? La verifica della stima inziale è coerente con quella consuntiva? Oltre al rischio frode, esiste il rischio della perdita dei dati, il rischio errore, il rischio operativo. «Per definire un modello consistente di tariffazione nel settore RC Auto, si utilizzano modelli lineari generalizzati (GLM) che possono essere migliorati, integrando soluzioni di data mining e machine learning, andando più a fondo sulla stima della variabilità del rischio all’interno di cluster omogenei identificati».
Come catturare l’elemento della temporalità in modo efficace?
«Nel dare un supporto alternativo sulle analisi a priori nella definizione dei modelli di rischio, che subiscono un naturale deterioramento, l’elemento della temporalità va catturato al meglio. Le abitudini dei consumatori possono cambiare nel tempo in modo non trascurabile. Il miglioramento dei sistemi di sicurezza a bordo dei veicoli migliora le prestazioni alla guida diminuendo la rischiosità. Anche la tipologia di veicolo caratterizza la probabilità del sinistro e influisce quindi sui costi attesi. Le auto ibride – per esempio – registrano frequenza di sinistri alte, in quanto, permettendo di risparmiare sul costo del carburante, sono scelte da tipologie di utenti che mediamente guidano di più e che di conseguenza sono statisticamente più esposte al rischio di incidenti».
Facts & Figures
4.000.000
di polizze all'anno
200
variabili analizzate
Come descrivere la rischiosità all’interno dei cluster?
L’interpretabilità dei risultati che emergono e che vanno a incidere sulla tariffazione è parte integrante del processo di analisi. «Quello che ci interessa è capire come descrivere meglio la rischiosità all’interno di cluster. Con SAS Visual Data Mining and Machine Learning riusciamo a cogliere le variabili connesse al sinistro e spiegare meglio il fattore rischio. In questo processo, la competenza di business va integrare la competenza di data science. E la semplicità dello strumento ci permette di gestire tutte le attività nel ciclo di vita dell’analisi, generando insights in modo automatico, report di riepilogo e modelli di previsione».
Insight inattesi tra variabili oggettive e soggettive
«Passando da un cluster di rischio all’altro, abbiamo evidenziato correlazioni inattese come quella tra lo status di buon pagatore e rischio sinistri. Non solo. Le donne giovani sono coinvolte in un numero di incidenti maggiore, ma la gravità è più bassa, mentre gli uomini con pochi anni di patente tendono ad avere meno incidenti ma più gravi. Certo il sesso, non può essere considerato un criterio valido di tariffazione, perché sarebbe discriminatorio, ma uomini e donne scelgono modelli e marche differenti e di questo bisogna in qualche modo tenere conto».
Costruire una tariffa su misura del cliente
«Oggi, i clienti finali sono sempre più informati. E soprattutto vogliono risposte immediate e una customer experience che corrisponda alle loro aspettative. Questo è il momento giusto per fare la proposta giusta. Dimmi come guidi e ti dirò quanto pagherai. Anche se l’RC Auto è obbligatoria, l’analisi dei dati ci permette non solo di costruire una tariffa su misura del cliente, ma ci permette soprattutto di evitare che il cliente possa decidere di scegliere un’altra compagnia perché gli abbiamo aumentato il premio».
SAS Visual Data Mining and Machine Learning supporta il processo di data mining e di machine learning end-to-end con un’interfaccia visiva e di programmazione completa. La soluzione fornisce ai membri del team un modo semplice, potente e automatizzato per gestire tutte le attività del processo di underwriting. Genera insights in modo automatico, dashboard di monitoraggio, permette di creare e confrontare velocemente diversi modelli predittivi e ML e consente ai data engineer di creare ed eseguire rapidamente trasformazioni, arricchire i dati e integrarli all’interno della pipeline visiva, che illustra passo per passo il processo, utilizzando un'interfaccia drag-and-drop. Scopri SAS Visual Data Mining and Machine Learning...