Nel corso di un convegno organizzato dalla SDA Bocconi, il segretario generale di Ivass ha detto che “il ricorso ai big data per definire un’offerta assicurativa personalizzata riduce alcune inefficienze, ma introduce al contempo potenziali distorsioni verso cui il regolatore deve tenere alta la guardia”
Si è svolto la settimana scorsa il convegno dal titolo “Personalized Pricing in Insurance The Promises and Perils of Big Data”, organizzato dalla SDA Bocconi di Milano, al quale ha preso parte il segretario generale di Ivass, Stefano De Polis.
Nel corso del suo intervento De Polis ha parlato del potenziale dei big data nell’industria assicurativa, concentrandosi su tre aree di utilizzo: la riduzione delle asimmetrie informative, l’efficienza dei risarcimenti e l’assicurazione degli stili di vita e il bundling dei rischi.
Per quanto riguarda la riduzione delle inefficienze generate dalle asimmetrie informative, De Polis ha parlato della possibilità di utilizzare nuove variabili sul rischio individuale per definire un premio attuarialmente equo. Nei mercati dove l’assicurazione è obbligatoria, come la Rc Auto, De Polis ha spiegato che “è verosimile che le poche variabili tradizionalmente utilizzate per definire il premio (ad esempio: età, provincia di residenza, caratteristiche del veicolo) non siano sufficienti a misurare il rischio individuale. La conseguenza in questo caso è una redistribuzione dei premi tra assicurati che può non essere desiderabile. Nei mercati in cui l’assicurazione non è obbligatoria le conseguenze delle asimmetrie informative, in particolare l’adverse selection, possono essere tali da non permettere lo sviluppo del mercato lasciando prive di copertura ampie fasce della popolazione potenzialmente interessate a stipulare contratti con premi “attuarialmente equi”.
Nel momento in cui gli assicuratori dispongono di molte nuove e ricche variabili sul rischio individuale, “nel caso della assicurazione auto la velocità, la distanza percorsa e molteplici ulteriori informazioni sugli stili di guida, la chimera del premio attuarialmente equo, un paio di decadi fa pura teoria, si avvicina”.
L’efficienza dei risarcimenti fa riferimento alla possibilità di utilizzare i big data per valutare l’entità del danno in tempo reale: nella Rc Auto attraverso tecniche di machine learning (ML) con l’utilizzo di foto scattate dall’assicurato e informazioni sulle caratteristiche del veicolo è oggi possibile ricevere un risarcimento “giusto” a poche ore dal verificarsi di un sinistro, la real time indemnification, riducendo in modo drastico i tempi di liquidazione. “Guardando oltre la Rc Auto – ha detto De Polis – i dati utilizzati per la telemedicina sono potenzialmente utili per ridurre i costi delle cure mediche, per decidere diagnosi e terapie e per mitigare i rischi della non autosufficienza (LTC). Una maggiore accuratezza nella valutazione del danno riduce il nitpicking, la pratica di contestare l’entità del danno avvalendosi delle circostanze del sinistro e delle rivalse specificate nei contratti. Al contempo, le nuove informazioni sulle circostanze del sinistro mettono in condizione le compagnie di contrastare meglio le frodi. Dunque, l’utilizzo dei big data dopo l’accadimento di un sinistro può creare maggiore fiducia tra gli attori del mercato”.
Per quanto riguarda l’assicurazione degli stili di vita e il bundling dei rischi ci si riferisce “alla possibilità di utilizzare informazioni sulle abitudini di vita di ciascuno, connettendo informazioni rilevate da più fonti e device, per offrire un pacchetto assicurativo che copra in modo proporzionale ciascun rischio. Il bundling di rischi eterogenei può favorire la ricerca di soluzioni più convenienti in grado di coprire anche eventi spesso non singolarmente assicurabili”.
Il ruolo dei Big data nell’attività di Vigilanza.
I processi di selezione e tariffazione dei rischi e quelli di riservazione e liquidazione dei sinistri “rappresentano i presupposti di una sana e prudente gestione di una compagnia. Il Codice delle Assicurazioni Private prevede che le tariffe debbano essere coerenti con le basi statistiche in possesso dell’impresa”, ha detto De Polis.
Il processo di tariffazione rappresenta l’attività fondamentale nella definizione di un contratto assicurativo. “Nell’utilizzo dei big data le imprese devono essere in grado di garantire requisiti di qualità delle informazioni, di correttezza delle metodologie e replicabilità e tracciatura della metodologia di calcolo, nonché di governance del processo, in termini di ruoli e responsabilità, di reportistica e di corretta gestione della privacy. Un aspetto rilevante è l’attendibilità della fonte di informazioni: una base dati tariffaria deve essere necessariamente strutturata e statisticamente robusta”.
Sotto il profilo metodologico, i dati relativi alle variabili utilizzate per profilare il target di mercato ai fini della determinazione delle tariffe dovranno essere effettivamente esplicativi del rischio. “Le metodologie di vigilanza in assenza delle più tradizionali tabelle di serie storica, dovranno basarsi su metodologie alternative necessariamente meno complesse di quelle aziendali, ma comunque utili per confronti e back-testing delle performance del processo di tariffazione”, ha spiegato De Polis, che in conclusione ha sottolineato che se è vero che “il ricorso ai big data per definire un’offerta assicurativa personalizzata riduce alcune inefficienze, “introduce al contempo potenziali distorsioni verso cui il regolatore deve tenere alta la guardia, per assicurare che una competizione sana possa soddisfare le esigenze di protezione dei consumatori. Una condizione necessaria per svolgere questo compito è lo studio rigoroso del personalized pricing in insurance anche in relazione alle esigenze di mutualità connaturate al metodo assicurativo: solo in questo modo saremo in grado di produrre quella che qui in Bocconi chiamereste knowledge that matters”.
a cura di Vincenzo Giudice
Foto in copertina: Stefano De Polis, Segretario Generale di Ivass
Leggi anche De Polis: cooperazione tra pubblico e privato nel settore agricolo
