La ‘Analytical Revolution ’ del mercato assicurativo

Groupama Assicurazioni

2

Groupama Assicurazioni

8°Assicuratore

Danni

25°

AssicuratoreVita

Numeri chiave

Giro d’affari• 1,6 MiliardiDanni• 1168,4 MilioniVita• 467, 4 MilioniClienti• 1,8 MilioniDipendenti• 839Agenti• 1000 Data at 31/12/2014

Groupama Assicurazioni S.p.A. è la filiale italiana di Groupama, un Gruppo assicurativo e bancario francese di origine mutualistica e di dimensione europea

3

C’era una volta, nell’universo dei dati, le assicurazion i cheeffettuavano le loro valutazioni utilizzando dati storici e informazioni semplici per determinare informazionideterministiche:

Le riserve

Le tariffe

Il Bilancio

I Prodotti

Fino a quando…

4

BIG DATA BANG

5

Per un pò tutti continuaronoad usare gli stessi strumentiper esplorare la “nuovarealtà”

6

Ma il mercato assicurativodivenne più competitivo e con margini più bassi.

Quindi migliorare glistrumenti e le tecnichedivenne necessario per sopravvivere.

7

In molti casi sicercò di aggirareil problemamettendo in attotrucchi o giri di parole per continuare ad usare i vecchistrumenti, ma…

8

… questo si rivelòimmediatamenterischioso edinefficiente. Ci sitrovò, infatti, a fare iconti con datisbagliati, ad essere in ritardo e con perditemolto più grandi di quanto si potesseimmaginare!

9

Così si decise di proiettarsi verso strumenti e tecnichepiù adeguate…

10

Ebbe inizio LA NUOVA ERA DIGITALE

Le assicurazioni accettarono il cambiamento, iniziandouna trasformazione di sé stesse e del mercato

11

Fondamentale divenne catturarenuove opportunità nel nuovo scenario di business

Ma in che modo?

12

Business Intelligence ‘olistica’Considerare il contesto :

� A livello generale, identificando� Target� Relazioni

� Avere ‘anteprime’ dei comportamenti � Far emergere nuove opportunità � Essere accurati e veloci

SviluppandoSviluppando Data Driven Strategy

13

OR

IE

NT

AM

EN

TO

ST

RA

TE

GIC

O

Conoscere

i clienti

Analisi dei

bisogni e dei

comportame

nti

Capire il

mercato e il

contesto

Analisi di

scenario

Database

Big Data /

Telematica

DWH

Strumenti

di

benchmark

Dati

finanziari

Piattaforma

per analisi

di mercato

La Data Driven Strategy

Analytical Framework UsandoUsando

14

Quadro Analitico

UniversoDati

Arricchire i dati utilizzandofonti dati esterne

Dati telematici

Industrializzazione, report integrati ed analisi evolute

Machine Learning

In tempo reale, geolocalizzazione,big dataIn tempo reale, geolocalizzazione,big data Industrializzazione, tecniche non tradizionali

,

Industrializzazione, tecniche non tradizionali

,

Data Framework Alimentato dalAlimentato dal

15

Data Framework

Dati esterniDati interniData Integration Layer

SAS EBI + SAS VASAS EBI + SAS VA

16

CHIQUANDO

DOVEPERCHE’

17

COME monetizzare le nuove informazioni?

Nuovi Servizi

Nuovi Prodotti

Monitoraggio Real Time

Proposte Real Time

Previsione dei rischi

Trasformazione verso la ‘Proximity Company’

18

Contesto

Dati

Riservazione

Storico e analisideterministicheStorico e analisideterministiche

Solvency II

Analisi stocastiche e proiezioni

Analisi stocastiche e proiezioni

Riskdata

Provisiondata

Big Data

Analisi relazionali e dinamiche

Analisi relazionali e dinamiche

Servizi Digitali

Valutazione prospettica dei dati

19

I Dati e la Percezione dei Clienti

Digital disruption

Data (Big) & Enhancement

Compagniatradizionale

Agenti tradizionali

Compagniaaffidabile

Agenti Affidabili

Proximity Company

Agenti connessi

• Prezzi• Condizioni

• Servizi (Risk connected)

• Valutazione individualedel comportamento

• Servizi fornitigiornalmente

• Consigli orientati dallostile di vita

Comportamenti

Eventi

Stile di vita e Contesto

20

L’esplorazione mette in evidenza come i giovani guidatori ( con un contrattotelematico) tendono a guidare di più e per più tempo di notte. Inoltre, l’anzianitàdel veicolo avvicina l’S/P delle fascie di età estreme.

(*) I valori degli indicatori provengono da simulazioni e sono a puro titolo dimostrativo dati reali(*) I valori degli indicatori provengono da simulazioni e sono a puro titolo dimostrativo dati reali

Big & Telematic Data – Esplorazioni SAS VA (*)

21

Il profilo di guidanotturna delle donnedi età media (41- 60) è simile a quello deigiovani, con un SP maggiore ma solo in caso di ‘GuidaLibera’. Tale comportamento è riconducibile allacondivisionedell’auto con i figli

(*) I valori degli indicatori provengono da simulazioni e sono a puro titolo dimostrativo dati reali(*) I valori degli indicatori provengono da simulazioni e sono a puro titolo dimostrativo dati reali

Big & Telematic Data – Esplorazioni SAS VA (*)

22

Il GLM conferma che i km notturni, il tipo di strada, l’ età del conducente e del veicolo spiegano la possibilità o meno di avere sinistri .

(*) I valori degli indicatori provengono da simulazioni e sono a puro titolo dimostrativo dati reali(*) I valori degli indicatori provengono da simulazioni e sono a puro titolo dimostrativo dati reali

Big & Telematic Data – Esplorazioni SAS VA (*)

23

Clienti felici per…

24Azionisti felici

25

Domande ?