GenAI, ML e Data Analysis per valutazione del rischio

23 Settembre 2024

Dalle 09.30 alle 13.00

Framework data quality, un modello per la qualità del dato verso le nuove tecnologie

• Qualità del dato di origine interna
• Qualità del dato da terze parti
• Integrare dati da diverse origini
• Conoscere e selezionare i canali di provenienza dei dati
• Rendere i dati raccolti:
  • leggibili
  • utilizzabili
  • interpretabili
• Gestire in modo efficace e utile le informazioni estrapolate
• Classificare il dato in funzione dell’utilizzo
• Equità del dato storico
  • affidabilità del dato pregresso
  • possibile criticità nell’uso per l’addestramento AI

La data analysis per l’approccio strategico al Pricing

• Come approcciarsi al dato nel processo di valutazione del rischio
• Abbassare il churn rate e ottimizzare il pricing tenendo conto degli aggregati multilinea
• Considerare il contesto della commoditizzazione del prodotto assicurativo e la crescente competizione del mercato
• Modelli di piattaforme verso un pricing integrato:
• behavioural pricing e modellizzazione
• esempi di mercati che hanno tratto beneficio dal pricing dinamico basato sui comportamenti

Data Analysis e Dashboarding per migliorare le capacità di analisi dei dati e della comunicazione dei risultati: esempi pratici in ambito rischi meteo-climatici.

Stefano Guazzone, Managing Partner | Co-Founder – Drave Underwriting

24 Settembre 2024

Dalle 09.30 alle 13.00

Adottare nuovi Risk Model efficaci per la sottoscrizione del rischio più redditizio

• Ottimizzare le procedure per le nuove polizze e le sottoscrizioni
• Applicare dei pricing calibrati sull’effettiva rischiosità del cliente riducendo e apportare vantaggi a quelli più virtuosi
• Ridurre l’esposizione della Compagnia Assicurative a rischi non previsti ed evitare perdite economiche
• Essere più competitivi rispetto ai propri competitor nella presentazione di prodotti e proposte

Esercitazione per la costruzione di un Risk Model innovativo di assunzione del rischio innovativo basato su analytics e valutazioni predittive

Deep Learning per l’analisi Avanzata per migliorare i processi e l’operatività

• Utilizzo di modelli avanzati di calcolo del rischio e modelli predittivi basati su ML (es. algoritmi di deep learning per analisi predittiva).
• Analisi delle principali architetture di rete neurale utilizzate nel deep learning come CNN, RNN e GAN.
• Tecniche di analisi predittiva: utilizzo di modelli di regressione, clustering e analisi di serie temporali per la previsione dei rischi.

Case study: come Axa utilizza il deep learning per migliorare l’assunzione dei rischi

Mariangela Grieco, Head of Actuary P&C – Axa

25 Settembre 2024

Dalle 09.30 alle 13.00

Tecniche di Machine Learning per seguire i cambiamenti del mercato e dei comportamenti del cliente, dalla predizione all’approvazione

• Reinforcement Learning
• Integrare le informazioni provenienti dai dati nel processo di sottoscrizione per sviluppare un approccio predittivo nella gestione del rischio
• Collegare le informazioni in tempo reale per inquadrare correttamente la tipologia di rischio con il supporto dei dati
• Adeguare la tariffa a seconda del verificarsi di fenomeni imprevisti
• Esempi di utilizzo di Python e R per la gestione efficace del dato
• Automazione dei processi di approvazione e rifiuto con strumenti di ML e uso di dashboard e reportistica automatizzata per il monitoraggio continuo delle condizioni delle polizze.
• Elementi del modello di pricing basato sul Customer Lifetime Value (CLV)

Deep Learning e Analisi delle Immagini

• Tecniche avanzate di valutazione del rischio attraverso il deep learning per l’analisi di immagini satellitari e dati geografici per la valutazione del rischio catastrofale.
• Valutazione dei danni post-catastrofe: immagini satellitari e reti neurali convoluzionali (CNN)
• Tecniche avanzate per la gestione e l’analisi dei dati complessi, come le reti neurali ricorrenti (RNN) per l’analisi di serie temporali

Case study: un esempio pratico di utilizzo di Machine Learning in ambito underwriting risk

Fabio Pittana, Chief Operating Officer & Digital Platform – Net Insurance

26 Settembre 2024

Dalle 09.30 alle 13.00

Applicazione pratica nel settore assicurativo di Intelligenza Artificiale Generativa e Machine Learning

• Fondamenti tecnici di AI e ML: introduzione dettagliata ai concetti chiave, algoritmi principali e architetture di rete neurale
• Applicazioni specifiche nel settore assicurativo per la valutazione dei rischi, gestione dei sinistri e personalizzazione delle polizze.
• Implementazione e integrazione di AI nei processi in atto per la valutazione dei rischi
• Utilizzo di AI per l’automazione della gestione dei sinistri, dalla denuncia alla liquidazione.

Conoscere nuovi strumenti di AI a supporto dei processi assicurativi

• Analisi testuale e Large Language Model (LLM)
• gestione documentale
• analisi testuale
• chatbot
• ticketing
• Analisi dei dati
• Analisi di immagini e video: da RC a danni catastrofali

Utilizzare le potenzialità dell’Intelligenza Artificiale Generativa per facilitare e velocizzare il processo di assunzione del rischio

• Trasformare i dati in informazioni utili attraverso AI
• Costruire Processi Automatizzati efficaci
• robotic process automation
• business process management
• cognitive services
• Utilizzare le potenzialità dell’automazione per velocizzare e migliorare le attività di assunzione
• Valutare il supporto delle startup insurtech nell’innovazione della funzione di sottoscrizione
• Esempi pratici di utilizzo dell’automazione e risultati ottenuti, come per esempio nei casi di:
• geolocalizzazione
• consumer behaviour
• health

Case study: successo nell’implementazione di AI per la gestione dei sinistri

Massimiliano Zampieron, General Manager – AssiB Underwriting