Non sarebbe possible comprendere il fenomeno dei Big Data senza l’utilizzo di strumenti IT sempre più potenti, algoritmi e sistemi di informazione grazie ai quali realizzare analisi più predittive, descrittive e prescrittive: l’Intelligenza Artificiale (AI), il Machine Learning (ML) e le reti artificiali neurali (ANNs).
AI, ML e ANNs: cominciamo a prendere confidenza con terminologia e sigle
I dati in ambito Motor e Salute vengono tradizionalmente raccolti e utilizzati con le modalità di seguito sintetizzate:
L’analisi dei Big Data (BDA, cioè Big Data Analytics) passa attraverso l’uso dei nuovi strumenti di Intelligenza Artificiale che possono autonomamente elaborare e testare ipotesi e prendere decisioni in automatico. Gli algoritmi AI possono anche accedere a dataset di dati non strutturati precedentemente inaccessibili (come foto, video o audio).
Il Machine Learning è una sottocategoria dell’Intelligenza Artificiale che fa riferimento a sofisticati algoritmi in grado di trovare soluzioni ottimali analizzando dataset sempre più grandi, senza il tradizionale approccio regolamentato. Per l’industria assicurativa, queste tecniche – unitamente alla crescente quantità di dati disponibili, per esempio tramite la maggiore interconnettività tra dispositivi telematici ed indossabili – potrebbe rappresentare un miglioramento decisivo nella capacità di monitorare e valutare accuratamente i rischi.
Le reti artificiali neurali (ANNs, Artificial Neural Networks), algoritmo proprio del Machine Learning in uso già da alcuni anni, ricalcano le modalità di lavoro del cervello umano e possono essere “istruite” affinché riducano gli errori predittivi con grande efficienza, giungendo a decisioni indipendenti da specifiche condizioni strutturali, specialmente quando hanno a disposizione grandi quantità di dati.
I principali benefici delle reti neurali e del Machine Learning, in prospettiva, derivano dalla capacità degli algoritmi, almeno in certi contesti, con un intervento umano limitato o del tutto assente, di prendere decisioni molto accurate, aumentando l’efficienza e la velocità delle decisioni riducendo i costi operativi.
Ciò pone anche specifiche sfide in termini di accuratezza, trasparenza, spiegabilità e vigilabilità dei modelli che usano algoritmi ML e si rendono necessarie disposizioni governative adeguate ed armoniose che possano venir poste in essere indipendentemente dal tipo di modello utilizzato.
Chi usa gli strumenti BDA
Secondo lo studio EIOPA, gli strumenti di Big Data Analytics sono più comunemente utilizzati dalle compagnie assicurative (59%) che dagli intermediari (20%), tanto nel comparto Motor che in quello Salute. La penetrazione degli strumenti BDA come le ANNs è ancora limitata nel settore assicurativo; sebbene il 55% delle aziende dichiari di aver già iniziato ad usarli o pianifichi di farlo entro il prossimo triennio, solo il 30% li sta attivamente applicando. La maggior parte delle aziende ha sviluppato soluzioni proprie di BDA, sebbene molte altre le abbiano acquisite da fornitori terzi. Alcune aziende usano od iniziano a usare strumenti open source come Python o R.
Assicurazioni, per cosa è utile l’analisi dei Big Data
L’uso degli strumenti BDA è generalmente focalizzato su specifiche parti della catena di valore assicurativa e ben poche aziende li utilizzano in tutti i propri processi. Le realtà che già usano o pianificano di usare strumenti di analisi dei Big Data, li impiegano soprattutto lo fanno per tariffazioni e assunzioni, gestione sinistri, vendite e distribuzione. In particolare, come si nota dalla fig. 8 del report, qui di seguito ripresa, il maggiore impatto BDA si rileva nelle fasi di tariffazione e assunzione, in linea con l’attesa evoluzione di queste tecnologie entro i prossimi tre anni.

Nella tabella 9 vediamo esempi di differenti utilizzi del BDA già in uso o che prossimamente lo saranno nella catena di valore assicurativa.
Figura 9 – Casi di utilizzo degli strumenti BDA
Casi di utilizzo | Spiegazione |
Modelli di predizione abbandono del cliente | L’utilizzo di modelli ML per predire la propensione del consumatore a rivolgersi altrove al momento del rinnovo, utile per tariffazione e assunzione o per elaborare servizi al cliente |
Chatbot (chat automatiche) | Attivare conversazioni con i consumatori “come quelle umane” analizzando i dati non strutturati vocali o di testo utilizzando il Natural Language Processing ed altri algoritmi ML |
Analisi delle opinioni | Valutare le opinioni nei feedback forniti dai consumatori per trasformarle in informazioni utili a migliorare la customer satisfaction e il coinvolgimento |
Gestione elettronica dei documenti | Robotic Process Automation (RPA, Automazione Robotica dei Processi) – Reti di Deep learning (apprendimento approfondito) usate per la classificazione automatica dei documenti contenenti dati non strutturati (es. e-mail, denunce di sinistro), inoltrandole alle aree di gestione competenti |
Gestione sinistri | Optical Character Recognition (OCR, Riconoscimento Ottico dei caratteri) – Reti di Deep learning (apprendimento approfondito) usate per estrarre informazioni da documenti scannerizzati come immagini di veicoli danneggiati per stimare i costi di riparazione |
Prevenzione frodi | Analisi di denunce sinistro fraudolente sulla base dei dati forniti dal consumatore nella prima denuncia danni |
Sviluppo di prodotto | Utilizzo di ML e database a grafo nei modelli predittivi per l’identificazione di problemi nello sviluppo del prodotto |
Tariffazione e assunzione | Strumenti BDA utilizzati nell’assicurazione Motor e Salute per processare grandi quantità di dati da fonti differenti, spesso in tempo reale, usando un’ampia gamma di tecniche statistiche |
Fonte: EIOPA BDA thematic review
La tecnologia in cloud
Alcuni soggetti monitorano i post pubblici sui social media per migliorare i servizi antifrode.
La maggior parte delle aziende finanziarie, includendo quelle operanti nel settore assicurativo, gestiscono i propri data center aziendali appositamente disegnati per le necessità del loro business e relativi specifici processi BDA. In parallelo, l’utilizzo della tecnologia di cloud computing si è progressivamente diffusa a partire dai tardi anni 2000.
La velocizzazione dei tempi di commercializzazione, i costi di sviluppo più bassi, l’ampliamento delle fasi test, la maggiore adattabilità e il ridimensionamento automatico sono alcune delle caratteristiche che rendono la tecnologia in cloud uno strumento sempre più popolare nell’implementazione delle soluzioni BDA. Inoltre, i provider di servizi di cloud computing (soprattutto marchi del Big Tech) offrono anche ai loro clienti la possibilità – unitamente ai servizi di conservazione dei dati – di affidare in outsourcing i tool AI e ML tramite piattaforme informatiche.
Nel settore assicurativo almeno 74 aziende (il 33% del totale) già usano almeno uno dei tre principali tipi di servizi offerti dai provider di tecnologia in cloud:
- SaaS – Software as a Service, ovvero Software come Servizio, è un modello di distribuzione del software applicativo dove un produttore di software sviluppa, opera direttamente o tramite terze parti e gestisce un’applicazione web che mette a disposizione dei propri clienti via Internet previo abbonamento, che ha il più elevato tasso di adozione (28%). Un esempio è G-Suite
- IaaS – Infrastructure as a Service, Infrastruttura come Servizio, è un modello nel quale vengono messe a disposizione risorse hardware virtualizzate, affinché l’utilizzatore possa creare e gestire, secondo le proprie esigenze, una propria infrastruttura sul cloud, senza preoccuparsi di dove siano allocate le risorse (adottato dal 21% delle aziende). Alcuni esempi: Amazon Elastic Cloud Compute (EC2), Amazon Simple Storage Service (S3), Amazon Virtual Private Cloud (VPC), Google Cloud Engine, Google Cloud Storage
- PaaS – Platform as a Service, Piattaforma come Servizio, è un’offerta in cui all’azienda cliente viene garantita una piattaforma che supporta lo sviluppo di applicazioni in cloud computing (usato dal 20% dei soggetti intervistati. Alcuni esempi: Amazon Relational Database Service, Amazon DynamoDB, Amazon API Gateway, Google Cloud App Engine, Google Cloud SQL, Google Cloud Datastore
Molte aziende usano contemporaneamente più di uno di questi servizi per scopi differenti. Altre 72 aziende (il 32%) che non stanno attualmente usando alcun tipo di servizio in cloud dicono che lo faranno entro i prossimi 3 anni.
Cloud computing e criticità
Alla domanda su quali ostacoli le aziende abbiano trovato utilizzando i servizi in cloud, alcune hanno sollevato problemi legati alla sicurezza dei dati conservati a causa dei regolamenti sulla protezione dei dati personali. I dati non anonimizzati non possono essere processati nel cloud senza andare incontro a problemi. Queste criticità sembrano aumentare quando il dato è conservato e gestito in un Paese terzo, fuori dall’Ue o se vi è una scarsità di trasparenza, rispetto alla locazione geografica del dato e la gestione in centri multipli da parte dei provider. Alcune aziende hanno inoltre rilevato il rifiuto di alcuni fornitori di servizi in cloud di inserire nell’accordo sulla gestione dei dati alcune specifiche protezioni adatte al settore assicurativo oppure i possibili rischi di vincolo da parte dei fornitori rispetto alla possibilità di cambiare provider. Altre ritengono che le barriere regolatorie e legali siano difficili da superare e che vi sia un alto livello di incertezza nel settore legato ai diritti di audit, risk management etc. ed auspicano quindi una maggiore trasparenza per uniformare il campo di gioco tra soggetti vigilati e non vigilati.