Formazione Online | GenAI, ML e Data Analysis per valutazione del rischio

GenAI, ML e Data Analysis per valutazione del rischio


Usare le nuove tecnologie per sviluppare un risk model predittivo e determinare un pricing dinamico in una strategia data-driven

Formazione Online
online
  • 23 Set 2024 > 26 Set 2024
  • online
  • Attestato di partecipazione
  • NEW

In promozione fino al 23/07
iva esclusa

Promozioni


Approfitta dell’offerta* su iscrizioni multiple: risparmia fino al 20% iscrivendo più partecipanti contemporaneamente

-5% su 2° partecipante | -10% su 3° partecipante  | -15% su 4° partecipante  | -20% su 5° partecipante

*Offerta cumulabile con altre promo in corso

La valutazione del rischio per il pricing nel settore assicurativo non può più basarsi solo sui dati storici, per rimanere competitivi è necessario integrare informazioni real time ed effettuare analisi predittive.

Per adottare un’avanzata strategia data-driven che preveda l’integrazione tra serie storiche e dati real time è necessario capire come utilizzare le nuove tecnologie, verificando preventivamente le strategie per avere un dato di qualità.

Gli appuntamenti del 23, 24, 25 e 26 settembre sono l’occasione per capire come implementare un risk model solito e innovativo attraverso il Machine Learning su base statistica, il Deep Learning con reti neurali e l’Intelligenza Artificiale Generativa per l’analisi e l’interpretazione dei dati.

Partecipa al corso e approfitta di 4 docenti per migliorare con le nuove tecnologie attività di valutazione del rischio che aumentino la competitività e:

  • sviluppare un approccio predittivo per determinare la tipologia del rischio e adeguare prontamente la tariffazione alla marginalità attesa
  • ridurre gli errori con risk model che permettono di definire un pricing dinamico basato sul comportamento del cliente grazie ai data analytics
  • ottimizzare il prezzo delle polizze per massimizzare il Customer Lifetime Value e abbassare il churn rate per massimizzare il rapporto con il cliente
  • presentare i dati in Dashboard per migliorare la lettura e la comunicazione dei risultati in ottica reputable.

Prendi spunto dall’esperienza di aziende insurance che si sono già cimentate nell’uso delle nuove tecnologie con 3 case study su come utilizzare:

  • il Deep Learning per migliorare l’assunzione dei rischi
  • il Machine Learning in ambito underwriting risk
  • la Generative AI per la gestione dei sinistri.

Infine, mettiti alla prova con un’esercitazione pratica e costruisci un Risk Model per calcolare il Value at Risk (VaR).

A chi si rivolge


Il corso è indicato per i professionisti di compagnie assicurative e intermediari che sono impegnati nel processo di valutazione del rischio, tariffazione, sottoscrizione e vogliono comprendere come le nuove tecnologie possono dare un valore aggiunto alle proprie attività.

In particolare, è rivolto a:

  • Head of Pricing e Responsabile attuariale
  • Risk analyst
  • Business innovation/development
  • Head of Governance & Data Quality
  • Underwriting manager
  • Responsabile Sviluppo Prodotti

Perché partecipare


A settembre partecipa per:

  • sviluppare valutazioni del rischio attraverso tecniche di Machine Learning per seguire i cambiamenti del mercato e i comportamenti del cliente e per aumentare la Customer Lifetime Value (CLV)
  • adottare nuovi Risk Model basati su analytics, valutazioni predittive e profilazione cliente proporre prodotti più attraenti e aumentare la competitività delle offerte
  • interpretare i dati con Machine Learning, Deep Learning e Intelligenza Artificiale Generativa per ridurre i tempi di risoluzione e migliorare la soddisfazione del cliente
  • utilizzare le potenzialità della Gen AI per costruire processi automatizzati efficaci in modo da ridurre il carico di lavoro e aumentare la precisione
  • impostare il pricing in maniera strategica per abbattere il churn rate, potenziare la fidelizzazione dei clienti e aumentare la marginalità, adattandosi alla competizione di mercato
  • individuare i canali interni ed esterni per raccogliere i dati reali necessari ad analisi predittive e prendere decisioni strategiche e operative nella valutazione del rischio
  • mitigare le criticità del dato storico in termini di affidabilità ed equità per il corretto addestramento dell’Intelligenza Artificiale

 

Formazione Finanziata


Grazie alla nostra certificazione UNI EN ISO 9001:2015 puoi sfruttare le opportunità della formazione finanziata

Scopri come, clicca qui.

Programma


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-FounderDrave 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 PlatformNet 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

Scarica programma

Formazione in House


Sceglici per la tua formazione personalizzata: a partire dall’analisi dei tuoi obiettivi e delle tue esigenze progettiamo una soluzione su misura adattando i contenuti per la tua azienda. Scegli tu come, dove e quando

Siamo a tua disposizione per maggiori informazioni


Resta aggiornato sulle ultime novità e gli eventi iKN