Il text data mining, e più in generale tutte le informazioni e i dati cosiddetti “non strutturati”, possono fornire preziose possibilità di analisi in grado di migliorare sensibilmente la capacità predittiva degli advanced analytics models

05/07/2019
👤Autore: Milliman Review numero: 65 Pagina: 31
A oggi nel settore assicurativo italiano, tutte le valutazioni che hanno come obiettivo l’analisi dei dati per comprendere correlazioni e capacità predittiva si basano esclusivamente su dati strutturati.
Nel mondo attuariale, ad esempio, i modelli utilizzati per valutare l’evoluzione attesa dei futuri costi dei sinistri si basano su dati storici strutturati, il numero dei sinistri denunciati, gli importi delle riserve di sistema, etc.
Tuttavia, con l’evoluzione della tecnologia e del digitale, molti dati e informazioni presenti nei sistemi informatici delle imprese non sono ancora del tutto utilizzati in modo efficiente. Molto del loro valore implicito è ancora inutilizzato.

L’INNOVAZIONE

In Italia la gran parte dei dati non strutturati non è ancora valorizzata, ma nei mercati più avanzati queste informazioni forniscono un prezioso contributo a tutte le attività di analisi previsionale, rafforzando e migliorando gli attuali modelli di business.
Studiare le connessioni, quantificare il grado di correlazione o modellare i legami tra particolari fenomeni, considerata la mole di dati non strutturati disponibili, comporterebbe notevoli vantaggi, permettendo di comprendere meglio, e soprattutto in anticipo, gli impatti attesi nel futuro di diversi fenomeni e grandezze. 

UN ESEMPIO 

Un ambito di estremo interesse per il settore assicurativo è legato ad esempio alla capacità di conoscere in anticipo l’evoluzione attesa del costo di alcuni sinistri particolarmente complessi, sinistri caratterizzati da una bassa frequenza di accadimento ma con una significativa importanza in termini di onere da risarcire.
Sulla base dei risultati di alcuni case study condotti nell’ambito della valutazione delle riserve sinistri, abbiamo riscontrato che le informazioni reperibili nei vari sistemi informatici forniscono indicazioni che non sono a oggi contemplate nei dati strutturati che generalmente si utilizzano nei processi valutativi. 
Ad esempio, a poche settimane dalla data della denuncia di un sinistro, siamo in grado di reperire e strutturare preziosissime informazioni, classificabili in cinque grandi gruppi:

  • stato dell’ambiente e/o dinamica del sinistro: tipologia di strada, condizione meteo (nebbia, ghiaccio, pioggia, etc.), dichiarazioni sulla dinamica, informazioni da mobile e dispositivi/auto connessi;
  • intervento delle autorità e verbali: polizia stradale, ambulanza, referti ospedalieri e di pronto soccorso, verbali dei carabinieri, etc;
  • riscontro peritale: report e informazioni prodotte dai periti (incluse informazioni dei testimoni), etc;
  • stato di salute e referti post evento: interventi chirurgici, risonanza magnetica, programmi di riabilitazione, lesioni pregresse, restrizioni lavorative, etc;
  • aspetti legali: coinvolgimento di avvocati, azioni legali in corso, ricezione lettera contestazione, etc.

CONCLUSIONI

Oggi, attraverso tecniche di text mining e l’uso di potenti algoritmi predittivi, è possibile effettuare analisi volte a individuare precocemente il costo dei sinistri complessi.
Tuttavia, questo non è l’unico ambito di applicazione del text mining e dei predictive analytics. Numerose informazioni e dati non strutturati possono essere oggi raccolti, classificati e utilizzati in potenti modelli di advanced analytics.

Per approfondimenti e ulteriori informazioni: italy.info@milliman.com.

© RIPRODUZIONE RISERVATA

Articoli correlati

I più visti