Vi è un chiaro trend di incremento nella predisposizione e nell’utilizzo di modelli basati sui dati nel settore assicurativo; molti operatori hanno sviluppato strategie legate all’analisi dei Big Data o hanno incluso numerosi progetti in questo ambito nei loro business plan. Ciò significa lo sviluppo di strumenti atti a migliorare la qualità e la quantità dei dataset, le politiche di governance, le infrastrutture, i software e le competenze professionali necessarie a gestire le BDA.
Alle aziende che hanno partecipato alla ricerca EIOPA è stato chiesto di spiegare come esattamente affrontino le problematiche connesse all’accuratezza dei dati, all’equità e alla trasparenza che possono potenzialmente scaturire dall’analisi dei Big Data. In risposta, gli operatori hanno fornito un’ampia panoramica degli strumenti di governance adottati in questo senso.
È diffusa la consapevolezza che la taratura matematica e la validazione dei modelli BDA siano un passaggio cruciale nel settore assicurativo. In particolare, sono stati spesso menzionati i requisiti di governance imposti da Solvency II ed il ruolo giocato dai diversi ambiti (vedi le funzioni di audit, attuariato, compliance e risk management) quali fonti di linee guida per approcciare le criticità connesse alle BDA, così come le nuove regole introdotte dal GDPR – con riferimento alla figura del DPO, le valutazioni di impatto sulla privacy (DPIA) ed il rispetto dei principi chiave relativamente alla protezione dei dati.
A tal proposito, molte aziende stanno tuttora definendo i nuovi processi di governance dei dati, con specifico riferimento alle BDA, avvalendosi talora anche del controllo da parte di società terze di revisione. Inoltre, numerosi operatori stanno sviluppando nuove infrastrutture per implementare gli strumenti di analisi dei Big Data, come i data lake (per semplificare e potenziare l’archiviazione, la gestione e l’analisi dei Big Data, utilizzando dati provenienti da fonti diversificate e disomogenee), le data warehouse (aggregazione di dati strutturati, provenienti da fonti interne ed esterne al sistema informativo aziendale) e il data mart (raccoglitore di dati, specializzato in un particolare soggetto, che permette di formulare strategie sulla base dell’analisi degli andamenti passati) per migliorare la qualità e la sanificazione dei dati.
Alcune aziende hanno sviluppato inventari di dati a dimostrazione della correttezza e della legalità nelle modalità di raccolta, condivisione ed utilizzo dei dati, specificando che i processi di gestione dei dati sono svolti su base continuativa e non una tantum e che i nuovi modelli (come quelli che utilizzano algoritmi di machine learning) vengono sperimentati, testati e rivisti da tutte le aree di competenza prima dell’operatività. Per esempio, per prevenire la discriminazione o la mancanza di equità derivanti dai processi BDA, un operatore ha spiegato con quanta attenzione venga monitorato l’impatto di certe variabili nel modello sperimentato prima di deciderne o meno l’utilizzo effettivo; quando il nuovo modello viene introdotto nel sistema, ne viene seguita costantemente la performance.
Infine, in base alla dimensione dell’azienda, possono anche coesistere differenti strutture di governance dei dati; un soggetto di piccole dimensioni ha ammesso di non avere un dipartimento od un gruppo dedicato a questo tema specifico. Alcuni operatori hanno spiegato di utilizzare solo informazioni anonimizzate o semi-anonimizzate nei processi BDA o di aver considerevolmente ridotto l’uso di dati non anonimizzati.