Il modello distributivo del settore assicurativo, come peraltro quello di tutti i servizi finanziari, è rimasto un modello di prossimità. Un modello al dettaglio ancora saldamente in mano alle agenzie, dove la concorrenza, se si escludono i grandi centri urbani, si basa fondamentalmente sulla presenza territoriale a macchia di leopardo delle marche assicurative. Un modello che, nonostante la deregulation introdotta ormai anni fa dalla cosiddetta legge Bersani, ha mantenuto saldo un mono-mandato di fatto.
Qualcosa però sta cambiando nel settore danni. Da ormai un decennio il mix distributivo si evolve e vede le agenzie assicurative perdere un punto di quota di mercato all’anno a favore di broker, business diretto e banche. Queste ultime, in particolare, hanno iniziato da poco a spingere sull’acceleratore nei prodotti danni con programmi molto ambiziosi i cui risultati potranno essere riscontrati nei prossimi anni. Alcune fintech stanno creando piattaforme che permettono di raggruppare i migliori prodotti offerti sul mercato e distribuirli in modo semplice alle agenzie che non vogliono restare vincolate a una unica mandante. Altre fintech si stanno concentrando su prodotti assicurativi non convenzionali, piccoli prodotti che emergono assieme ai nuovi modelli di consumo e di mobilità e che intrinsecamente prevedono forme distributive differenti.
Nei rami auto, la crescente trasparenza del mercato offerta dai comparatori di prezzo, con 10 milioni di preventivi unici all’anno, circa un terzo del parco autovetture circolanti, rappresenta un eccezionale carburante per la liquidità del mercato. Questo numero è particolarmente significativo in ragione del fatto che vi è una rotazione ogni anno fra gli assicurati che prima di acquistare la polizza danno un’occhiatina ai comparatori di prezzo.
Questa attività di ricerca edinformazione genera ogni anno un milione di contratti conclusi on line, circa il 20% della nuova produzione di tutto il mercato, e produce un’inevitabile pressione sui prezzi anche per le imprese che vendono esclusivamente attraverso canali fisici.
Di questo aumento di competitività beneficeranno in primis i consumatori e ovviamente anche le compagnie migliori, quelle che avranno saputo potenziare le competenze tecniche per effettuare una lettura sempre più fine del rischio, evitando gli effetti indesiderati dell’anti-selezione, tipica di quando il cliente può confrontare diverse offerte e scegliere il prezzo più conveniente.
Con l’aumento della trasparenza e della competitività del mercato il vero punto non è riuscire a vendere, ma sapere se sto vendendo al prezzo giusto per il rischio che sto correndo, ovvero al prezzo che mi permetterà di pagare i sinistri, i costi distributivi e amministrativi e di remunerare il capitale. Per vincere in questo contesto di mercato sarà sempre più necessario arricchire i propri data base con informazioni esterne (data augmentation), dotarsi di capacità analitiche per la gestione di basi dati sempre più grandi (advanced analytics) e ridurre al minimo i tempi di latenza fra le analisi sugli andamenti tecnici e commerciali e la messa in produzione delle modifiche necessarie (controllo e time to market).
DATA AUGMENTATION
Possedere sempre più dati è fondamentale per innescare la sofisticazione tecnica, perché ogni volta che se ne aggiungono di nuovi si scoprono correlazioni che aiutano a creare un vantaggio competitivo. Solo pochi anni fa le tariffe auto si basavano su non più di una quindicina di variabili. Oggi sappiamo che le compagnie più tecniche testano diverse centinaia di variabili nella preparazione della tariffa, arrivando a selezionarne fino a 60-80 per i modelli tariffari che vanno in produzione.
Non è solo una questione di quantità, ma anche e soprattutto di qualità delle variabili che si introducono nei modelli, ovvero della capacità di spiegare fenomeni che quelle già utilizzate non riescono a “catturare”. Prendiamo ad esempio la variabile creditizia che è già utilizzata da oltre il 15% del mercato. È difficile trovare una singola variabile così potente e decorrelata dalle altre, quindi capace di apportare da sola un valore enorme. I soggetti con una storia creditizia problematica hanno una frequenza e un rapporto sinistri su premi 1,6 – 1,8 volte maggiore rispetto ai soggetti che onorano regolarmente i propri debiti. Avere o non avere questa informazione può fare una differenza enorme nelle scelte di mutualità di prezzo e nella selezione positiva o avversa tra le compagnie, con un impatto evidente nei risultati tecnici delle stesse.
ADVANCED ANALYTICS
La spiegazione dei fenomeni è spesso evidente solo a posteriori. La difficoltà di anticipare la lettura della realtà con modelli predittivi risiede nel saper cogliere i segnali deboli che ci arrivano e combinare la fantasia con tecniche di machine learning e intelligenza artificiale.
In Crif stiamo sviluppando una serie di score verticali per le assicurazioni che utilizzano moltissime informazioni e dati destrutturati che nessun essere umano potrebbe gestire con modelli statistici classici. È il caso ad esempio dello «Score di Esposizione al Traffico» che, a partire dall’indirizzo di residenza, misura statisticamente il livello di traffico che un automobilista incontra nei suoi spostamenti quotidiani e la probabilità di essere coinvolto in un incidente stradale. Lo score mette in relazione la densità e la tipologia di fattori ambientali in un’area di rilevazione attorno alla residenza, sfruttando l’integrazione di molteplici banche dati pubbliche e private. Nei test effettuati è stata confermata la correlazione postulata. In particolare, si è osservata per la classe a traffico più elevato una frequenza fino a 1,5 volte superiore a quella media, mentre per la classe a più basso traffico fino al 63% inferiore a quella totale.
CONTROLLO E TIME TO MARKET
In un contesto di mercato in rapida evoluzione, di competitività crescente e di consumatori sempre più consapevoli e attenti, il monitoraggio continuo delle performance e gli adeguamenti tempestivi delle tariffe e degli sconti diventa cruciale per le compagnie per sostenere la redditività del business nel lungo periodo.
Le compagnie dovranno introdurre una serie di metodologie e asset innovativi che permettano di: ridurre notevolmente i tempi di definizione delle tariffe con metodi di machine learning in grado di testare rapidamente decine di modelli e combinazioni differenti su una molteplicità di clusters; adeguare rapidamente le tariffe sul mercato grazie a motori attuariali flessibili e integrati; sviluppare modelli di expected loss ratio e monitorare il tasso di conversione dei preventivi in polizze per cogliere immediatamente i segnali positivi o negativi che giungono dall’arena competitiva. Le compagnie assicurative hanno di fronte una grande opportunità di data monetization: trasformare il proprio patrimonio informativo in strategia competitiva per il business. Per cogliere l’opportunità le compagnie, oltre ad appoggiarsi a partner specializzati di alto profilo, dovranno necessariamente aggiornare le strutture organizzative interne, affiancando alle conoscenze tecniche e attuariali altre competenze matematiche, statistiche ed econometriche che contribuiscano ad allargare la vista oltre le tematiche strettamente assicurative, lasciando spazio alla creatività e all’innovazione.
di Giuseppe Dosi
responsabile insurance market di Crif
