DIGITAL INSURANCE HUB STREAM III - ANALYTICS & MACHINE LEARNING 18 OTTOBRE 2018 - CETIF
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
DIGITAL INSURANCE HUB
STREAM III
Analytics &
Machine Learning
18 ottobre 2018
1
CeTIF – UNIVERSITÀ CATTOLICA
CeTIF - Centro di Ricerca su Tecnologie, Innovazione e Servizi Finanziari
dell’Università Cattolica, dal 1990 realizza studi e promuove ricerche sulle DYNAMIC RESEARCH
dinamiche di cambiamento strategico e organizzativo nei settori finanziario,
bancario e assicurativo. Inoltre è presente la struttura CeTIF Academy,
scuola di Alta Formazione Universitaria, che si pone l'obiettivo di trasferire ai
top e middle manager le conoscenze sviluppate in oltre vent’anni di ricerca.
KNOWLEDGE SHARING
ADVISORY
STRATEGIA FINANZA INNOVAZIONE
EDUCATION
2
AGENDA
10.00 - 10.15 Apertura lavori, descrizione stream e giornata
10.15 - 11.30 Introduzione alle tecnologie di Artificial Intelligence
Numeri e use case del contesto assicurativo
L’implementazione di un progetto Advanced Analytics
A cura di CeTIF
11.30 – 12.00 Giro di tavolo e discussione con i partecipanti
12.00 – 13.00 Insurance Analytics: Moving towards excellence
A cura di SAS
13.00 - 14.00 Networking Lunch
3
IL CALENDARIO DELL’INIZIATIVA
27 Febbraio IOT PRODUCT INNOVATION STREAM I
IoT & New
20 Marzo NEW RISKS & BUSINESS MODELS Insurance Models
DIGITAL INSURANCE BENCHMARKING &
9 Maggio BIG DATA FOR BUSINESS STREAM II
INTERNATIONAL OUTLOOK
Big Data &
5 Giugno REGULATORY OUTLOOK: GDPR & BLOCKCHAIN Regulation
5 Luglio CeTIF OPEN SUMMIT
18 Settembre OPEN INNOVATION: INTERCETTARE I BISOGNI STREAM III
DEL CLIENTE
Open Innovation &
18 Ottobre ANALYTICS & MACHINE LEARNING Insurance Analytics
21 Novembre CeTIF OPEN SUMMIT
4
LE MOSSE DEI GAFA
15 ottobre 2018 15 ottobre 2018
28 settembre2018
5
I SISTEMI DI COGNITIVE COMPUTING
Documento riservato e confidenziale
Il termine Cognitive Computing si riferisce alle tecnologie che imitano il funzionamento del cervello
umano, aiutando a migliorare i processi di decision making. Il Cognitive Computing, dunque, ingloba e
combina tecnologie di machine learning, automated reasoning, natural language processing,
riconoscimento vocale e visivo, interazione uomo-macchina, e altre.
ADATTIVI
Per essere definiti tali, i sistemi di Cognitive Computing devono imparare ed adattarsi mentre
le informazioni cambiano e gli obiettivi e le richieste evolvono. Devono risolvere ambiguità e
tollerare l’imprevedibilità delle situazioni, basandosi su dati dinamici, attinti in real-time o quasi
in real-time.
INTERATTIVI
I sistemi di Cognitive Computing devono interagire facilmente con utenti, così che essi
possano definire I loro bisogni comodamente e in agilità. Devono anche interagire facilmente
con altri processori, device, a servizi Cloud, oltre che con le persone.
ITERATIVI E STATEFUL
Devono aiutare a definire un eventuale problema, per esempio ponendo domande o
trovando autonomamente fonti addizionali qualora un problem statement sia ambiguo o
incompleto. Devono ricordare interazioni avvenute all’interno di un processo e riconoscere
quando utilizzare le informazioni ricavate in ogni momento successivo e in processi futuri.
CONTESTUALI
I sistemi di Cognitive Computing devono identificare ed estrarre elementi contestuali, come
sintassi, significato, tempo, location, profilo utente, etc… Devono attingere a fonti dati
multiple, sia strutturate che non strutturate, così come informazioni da input di natura
sensoriale (immagini visuali, gesturali, uditive…).
SCENARIO DI RIFERIMENTO GLOBALE
DISTRIBUZIONE GLOBALE STARTUP AI
Stati Uniti
1,393 Europa
769
UK
245
Israele Cina
Italy 362 383
22 India
84
America
Latina
41 Oceania
33
Fonte: Rielaborazione CeTIF - Artificial Intelligence, A strategy for European startups – Roland Berger 2017
SCENARIO DI RIFERIMENTO EUROPEO
Lo scenario Europeo sta subendo anch’esso una rivoluzione per quanto riguarda
l’AI tant’è che l’Unione Europea si sta muovendo annunciando delle linee
generali per una strategia europea sull’intelligenza artificiale.
€ 20B
di investimenti nel periodo 2018-2020 dagli Stati membri
e dal settore privato
La Commissione Europea sta aumentando gli investimenti
nell’ambito programma di ricerca e innovazione Horizon 2020
L’European Investment Bank (EIB) sosterrà le
imprese e le start-up attraverso una
piattaforma di investimento mirata nell'ambito del Fondo
europeo per gli investimenti strategici (EFSI)
E la Commissione europea e il Fondo europeo per gli
investimenti (EFI) hanno lanciato un programma
paneuropeo di fondi di capitale di
rischio (VentureEU) per le imprese in fase di avvio e di
scala.
Fonte: Rielaborazione CeTIF - Artificial Intelligence for Europe, Commissione Europea, 2018
ARTIFICIALLY INTELLIGENT BUSINESS
L'intelligenza artificiale è già ampiamente utilizzata dalle imprese, sia direttamente che indirettamente, e ha
avuto un profondo effetto sulle industrie che ne operano.
PANORAMICA DEI LIVELLI DI ADOZIONE DI AI
Aziende che utilizzano Aziende che non usano
tecnologie AI sul posto di l'intelligenza artificiale
38%
lavoro
88%
affermano di utilizzare
tecnologie basate
sull'intelligenza artificiale
AREE DI BUSINESS CHE INVESTONO IN AI LIVELLO DI MATURITA’ AI PER SETTORE
Data collection &
Data processing 88% Farmaceutica 58%
Customer Service 79%
Automotive 54%
Telco 52%
Marketing 60%
Healthcare 50%
Management 54%
Financial Services 47%
Fonte: Rielaborazione CeTIF – Raconteur, Artificial Intelligence for business 2017
ARTIFICIALLY INTELLIGENT BUSINESS
IMPATTO DELL’AI NEL BUSINESS L’AI sta avendo impatto nel lavoro svolto?
44% 24% 23% 5% 4%
Si,
Si, Si, Incerto sul Non ha avuto
l’ha avuto
nei prossimi tre nei prossimi 12 risultato avuto nessun impatto
anni mesi
IL VANTAGGIO PIÙ IMPORTANTE CHE L’AI DOVREBBE FORNIRE ALLE IMPRESE
38% 27% 14% 11% 10%
Previsioni su Monitoraggio e
attività relative Automazione Aumentare la Altro
avvisi a fornire
a macchine, di compiti valutazioni sullo qualità delle
clienti o salute manuali e stato della tua comunicazioni
aziendale ripetitivi attività con i clienti
LE PIU’ GRANDI SFIDE/BARRIERE PER SCEGLIERE E IMPLEMENTARE L’AI
Mancanza di
comprensione
67% delle
capacità /
42% training/
education 42% Cultura
Interna 40% Investimento
delle 38% Data
Mngt
finanze
limitazioni
Fonte: Rielaborazione CeTIF – Raconteur, Artificial Intelligence for business 2017ARTIFICIAL INTELLIGENCE:
GOOGLE I/O 2018: Google Assistant
"L'INTELLIGENZA presente su mezzo miliardo di dispositivi, dai
telefoni alle televisioni. “E alla fine di quest’anno
ARTIFICIALE SARÀ AL
sarà disponile in 30 lingue e in 80 Paesi”
CENTRO DI TUTTO" Scott Huffman, Head of Google Assistant Division
Il ML nella ricerca consente AI offre funzionalità in Gmail Google Translate utilizza un
alle persone di cercare in come Nudging, Smart Reply sistema di deep learning
modi più naturali e intuitivi, e notifiche ad alta priorità, in chiamato Neural Machine
utilizzando la lingua che modo che le persone Translation per tradurre frasi
usano ogni giorno. possano dedicare più tempo complete piuttosto che
al lavoro che conta. tradurre query parola per
parola.ARTIFICIAL INTELLIGENCE:
L’AI DI GOOGLE CLOUD UTILIZZA MODERNI SERVIZI DI MACHINE LEARNING, CON MODELLI
PREDEFINITI E UN SERVIZIO PER GENERARE I PROPRI SERVIZI E PRODOTTI
AI Google Cloud Google Cloud L'API Google L'API Google Cloud
Machine Learning Engine Cloud Jobs Video Intelligence
L'API Google L'API Google L'API Google L'API Google
Cloud Vision Cloud Speech Natural Language Cloud TranslationARTIFICIAL INTELLIGENCE:
Personalizzazione «Hey Siri»
9 Aprile 2018
3 Aprile 2018
WWDC 2018: Apple lancia CreateML
4 Giugno 2018
CreateML permette di creare e addestrare modelli machine learning
personalizzati. È possibile addestrare modelli per eseguire attività come
riconoscere le immagini, estrarre il significato dal testo o trovare
relazioni tra valori numerici.ARTIFICIAL INTELLIGENCE:
17mila hastag, MACHINE LEARNING
3,5B di immagini caricate INTELLIGENZA ARTIFICIALE
analizzate
FAKE
Facebook inoltre usa l’AI
per far si che si limitino le notizie di
fake news
Accuratezza del 85,4%
Facebook ha implementato un
progetto che usa l’AI
per evitare che le persone
tentino il suicido.ARTIFICIAL INTELLIGENCE:
USO DI AI IN AMAZON
DISCOVERY & SEARCH FULFILMENT & LOGISTIC ADD ML-POWERED ECHO & ALEXA
FEATURES TO EXISTING
RODUCTS
https://www.youtube.com/watch?v=J9gUIhkzNDkAPPLICAZIONI NEL MERCATO FINANCE
35% 31% 25%
98% 90% 94%
Per la fraud Per i chatbots Customer Care
detection
20% 15% 13%
95% 88% 92%
Per l’assessment del Per il management dei Per personalization
rischio rischi operativi
11% 10% 6%
87% 84% 80%
Per il pricing Per misurare la Per dimensionare la forza
produttività della forza lavoro e I carichi
lavoro
Ne fa già ampio uso
Ne sarà esperto nei prossimi 5 anni Fonte: Rielaborazione CeTIF - Money Live, The future of retail banking ReportARTIFICIAL INTELLIGENCE BLOCKS
VISUAL RECOGNITION MACHINE LEARNING
Abilità delle macchine di Abilità delle macchine
riconoscere e differenziare gli di apprendere senza
input video essere state
esplicitamente e
preventivamente
programmate
AI
NATURAL LANGUAGE
GENERATION
DEEP LEARNING
Abilità delle macchine
di generare linguaggio Approccio di machine
naturale scritto o learning ispirato alla
parlato sulla base di un struttura e al
dataset o inputs funzionamento della
mente umana con una
moltitudine di
NATURAL LANGUAGE connessioni tra i
PROCESSING neuroni (Artificial
Neural Network)
Trattamento informatico del linguaggio
naturale, per qualsiasi scopo, indipendente
dal livello di approfondimento dell’analisiVISUAL RECOGNITION MACHINE LEARNING
AI
NATURAL LANGUAGE
GENERATION
DEEP LEARNING
NATURAL LANGUAGE
PROCESSINGUSE CASE: ERNEST
COUNTRY
COMPANY
CHATBOT
• Ernest è uno smart chat-bot per la gestione
delle finanze personali, utilizzabile su Facebook
Messenger.
• Collegato tramite API al conto bancario
dell’utente, utilizza informazioni a riguardo delle
transazioni effettuate, dei bonifici effettuati e
ricevuti e dell’andamento del proprio
portafoglio.
• Aiuta nella gestione delle finanze rispondendo
a domande specifiche, come stato del
bilancio, spesa nell’ultimo mese, etc…
• Oltre a rispondere alle domande, una volta
«imparati» i comportamenti dell’utente
suggerisce proattivamente possibili insights sulle
finanze del cliente, come modi per risparmiare
sulle spese abituali.USE CASE: DBS COUNTRY COMPANY COGNITIVE COMPUTING IN WEALTH MANAGEMENT DBS ha utilizzato soluzioni cognitive & deep learnings per l'analisi automatizzata dei dati nel suo settore di gestione patrimoniale. In tal modo, DBS è stata in grado di utilizzare i dati di clienti e di mercato (ovvero dati strutturati e non strutturati) per fornire informazioni e servizi di consulenza best- in-class, migliorando l'efficienza e l'output di wealth manager.
USE CASE: US BANK COUNTRY COMPANY SMART PROCESS AUTOMATION La banca ha implementato la Smart Process Automation. I robot di apprendimento automatico sono stati addestrati per estrarre automaticamente i campi di dati chiave da diversi tipi di documenti di prestito non strutturati. Una traccia di controllo visivo rende trasparente il processo, consentendo ai controllori di risalire al modo in cui i robot interpretavano i dati. È nata una forza lavoro digitale. I robot affrontano in anticipo la maggior parte del lavoro estraendo automaticamente la maggior parte dei campi di dati chiave. Questa trasformazione ha consentito alla banca di commettere meno errori riducendo al contempo i tempi di gestione manuale per documento di prestito.
USE CASE:AYASDI by HSBC COUNTRY COMPANY FRAUD DETECTION HSBC è stata multata $ 1,9 miliardi per il suo mancato controllo del riciclaggio di denaro. Per evitare che ciò accada di nuovo, HSBC ha implementato una soluzione anti-frode alle banche. Utilizzando la soluzione AML di Ayasdi, HSBC ha riscontrato una riduzione del 20% dei falsi positivi, senza ridurre il numero di casi segnalati per attività sospette. In tal modo, HSBC è stata in grado di risparmiare migliaia di ore di indagine sui rischi di conformità e inoltre HSBC ha incontrato molti dei regolamenti di conformità richiesti dal governo, evitando che fossero soggetti a ulteriori sanzioni imposte dal governo.
VISUAL RECOGNITION MACHINE LEARNING
AI
NATURAL LANGUAGE
GENERATION
DEEP LEARNING
NATURAL LANGUAGE
PROCESSINGUSE CASE: FRONT OFFICE COUNTRY COMPANY VIRTUAL ASSISTANT Swedbank ha sviluppato un assistente virtuale intelligente di nome Nina che svolge un servizio di customer care per aiutare i clienti e gli agenti ad aiutare se stessi. I clienti scrivono le loro domande tramite i siti Web e Nina li aiuta a trovare risposte, prodotti e servizi più adatti alle loro esigenze. Gli agenti della Banca stanno facendo leva su Nina per trovare rapidamente le informazioni per il cliente. Ciò ha migliorato l'esperienza per entrambe le parti e, nei primi tre mesi di implementazione, ha portato la risoluzione del primo contatto al 78%.
USE CASE: ANZ BANK
COUNTRY
COMPANY
COGNITIVE COMPUTING
• ANZ Bank ha implementato un tool basato sul
cognitive computing per assistere i financial
advisor nella gestione delle domande della
clientela.
• ANZ ha «insegnato» alla macchina a
comprendere le domande dei clienti,
identificando e caricando una lista di 14.000
domande che i clienti potrebbero fare e i
documenti che contengono le risposte (ad es.
termini e condizioni dei prodotti ANZ,
informative sui prodotti…).
• Il sistema ha anche permesso di identificare
numerose domande per le quali nessun
documento esistente era in grado di
rispondere.USE CASE: COIN by JP MORGAN COUNTRY COMPANY BIG DATA MINING JP Morgan ha implementato un programma chiamato Contract Intelligence (COIN), un sistema di intelligenza artificiale incaricato di analizzare i documenti più rapidamente e di ridurre gli errori commessi durante l'analisi di questi documenti. COIN è stato in grado di analizzare 12.000 contratti di credito commerciali annuali in pochi secondi. Prima di utilizzare COIN, gli impiegati di JP Morgan impiegavano 360.000 ore per analizzare la stessa quantità di documenti. Usando COIN, JP Morgan è stato anche in grado di ridurre gli errori commessi nell'analisi dei documenti.
VISUAL RECOGNITION MACHINE LEARNING
AI
NATURAL LANGUAGE
GENERATION
DEEP LEARNING
NATURAL LANGUAGE
PROCESSINGUSE CASE: WELLS FARGO COUNTRY COMPANY PREDICTIVE BANKING Usando l'intelligenza artificiale, Wells Fargo può analizzare la transazione bancaria e fornire consigli e suggerimenti su misura per un migliore processo decisionale finanziario, facilitare la gestione di tutte le tue finanze. Le informazioni finanziarie sono disponibili con il tocco di un dito e ti consentono di prendere decisioni facili da eseguire: che si tratti di spunti di riflessione o promemoria per pagare le bollette. Wells Fargo sta progettando un'esperienza digitale che mette il cliente sotto controllo delle proprie vite finanziarie
USE CASE: ERIKA
COUNTRY
COMPANY
CHATBOT
• Il nuovo assistente Digital “Erica” disponibile
sull’app di Bank of America dal 2017
• I clienti possono chattare o comunicare
vocalmente con Erica allo scopo di
ricevere consigli sull’utilizzo del proprio
denaro e la gestione delle proprie finanze
• Erica utilizza Intelligenza artificiale,
predictive analytics e cognitive messaging
per aiutare I clienti ad effettuare operazioni
come pagamenti, controllo del saldo,
risparmio e finanziamento.VISUAL RECOGNITION MACHINE LEARNING
AI
NATURAL LANGUAGE
GENERATION
DEEP LEARNING
NATURAL LANGUAGE
PROCESSINGUSE CASE: ATOM BANK
COUNTRY
COMPANY
AI BANK
• Atom Bank è la prima Banca interamente
digitale nel Regno Unito. Tutti i suoi servizi
sono erogati via App.
• Per aumentare il livello di sicurezza della
App, Atom ha implementato un sistema di
Log-in basato su dati biometrici.
• Oltre alla rilevazione dell’impronta digitale,
Atom ha implementato sistemi di Face e
Voice Recognition.
• Questi riconoscimenti sono software based,
e non richiedono dunque device
particolari per poter essere utilizzati
dall’utente (diversamente dalla rilevazione
dell’impronta).USE CASE: TRACTABLE
COUNTRY
COMPANY
INSURANCE CLAIMS
• Tractable ingerisce grandi volumi di dati
contenenti foto di parti di automobili
danneggiate e stime dei reclami associate;
l’apprendimento automatico crea
associazioni tra immagini e costi attesi.
• L’algoritmo all’interno dell’interfaccia
utente consente una rapida elaborazione
richieste: il cliente può scattare foto dei
danni e ricevere stime in tempo reale.
• I casi più difficili con certezza limitata del
riconoscimento delle immagini possono
essere indirizzati ad un servizio umano più
specializzato.LE FASI DELLO SVILUPPO
STEP USE CASE
Efficienatamento
processi, superamento
1 logica a silos e
NLP e OCR per analizzare le comunicazioni tra
assicurati e compagnia per intercettare
gestione integrata info comportamenti scorretti.
assicurati.
Sperimentazione per
Interventi mirati alla predire l’entità del danno
basandosi sui dati del
riduzione del crash della black box.
2 combined ratio
(es. gestione perizie Sistema evoluto antifrode con modelli
e antifrode). predittivi e network analysis per
individuare sinistri a rischio frode.
Miglioramento
efficacia commerciale Strumento di BI che integra i dati
3 e introduzione di nuovi provenienti dal CRM con i dati Web
Analysis che derivano da fast quotation.
modelli di business.
33I PROGETTI DELLE COMPAGNIE ITALIANE
Per comprendere lo stato di diffusione di strumenti big data e analytics nelle
compagnie italiane, sono stati analizzati piani industriali, siti web e news di 36 gruppi
assicurativi e compagnie operanti in Italia. L’obiettivo è stato quello di analizzare quali
sono le principali progettualità avviate e quelle portate a termine.
BENCHMARK BIG DATA &
BENCHMARK IOT ITALIA
ANALYTICS ITALIA
58% 35%
Il 58% delle compagnie Il 35% delle compagnie
analizzate offre almeno una analizzate ha avviato
polizza abbinata a device IoT. progettualità legate
all’implementazione di BD e An.
34LE PROBLEMATICHE DEI PROGETTI ANALYTICS
Limited adoption • Inability to integrate
or integration analytics solutions into
workflows
• Limited front-line adoption
19% Lack of strategic • Lack of stakeholder
alignment and alignment or support
38% direction • Lack of clear roadmap
17%
Poor data quality • Missing or incomplete data
• Data quality or accuracy
issue
• Data fragmentation
26%
Other • Missing team skills or
capabilities
• Unclear use case scope
• Inability to articulate value
Fonte: McKinsey 2017
35I VANTAGGI DEI PROGETTI ANALYTICS
P&C Life Health
36%
33% 33%
31% 30%
27%
22% 21% 21%
PAYBACK
TIME 9% 9% 9%
7% 7% 7%
>24 months 18 Months 12 Months 9 Months 6 Months
67%
68% 68%
61% 63%
55%
47%
44% 45%
39%
34% 33%
KEY 18% 18% 16%
BENEFITS 7% 8% 9%
Continuous Cultural Shift Improved Quicker Idea- Collaborative Transparent
Improvement Towards Quality & Turn- to-Market Governance Utility Price
on KPIs Innovation Around Time
Fonte: Capgemini EFMA, 2018
36STATO DELL’ARTE PROGETTI ADV. AN.
P&C LIFE HEALTH
43% 43% 46%
33% 33% 31%
24% 24% 24%
ARTIFICIAL
INTELLIGENCE
63% 60% 60%
Conceptualization
21% 24% 23% 17%
15% 16%
SPEECH
RECOGNITION Pilot Phase
45% 44% 44%
36% 38% 39% Deployement
19% 18% 17%
MACHINE/DEEP
LEARNING
50% 53% 57%
33% 34% 32%
17% 13% 11%
NATURAL
LANGUAGE
PROCESSING
Fonte: Capgemini EFMA, 2018
37USE CASE 1Life Fast Quotation 1Life ha sviluppato un chatbot al fine di intercettare i nuovi assicurati su Facebook. Emily, la soluzione di 1Life, fornisce quotazioni istantanee per prodotti vita su Facebook Messenger richiedendo informazioni personali quali età, smoking habits,… al fine di assegnare score di rischio differenziati. Con circa 62 mila followers su Facebook è la più grande social media platform che fornisce quotazioni assicurative. In futuro “Emily”, forte di un apprendimento graduale, sarà in grado di fornire soluzioni e next best action sempre più mirate.
USE CASE SENTIMETER Insurance Advisor Chatbot Sentiment propone soluzioni dedicate all’advising al fine di: • fornire quotazioni mirate, un servizio di Cross-selling Chatbot, Service e Support; • fornire ai clienti uno strumento che risponda immediatamente e fornisca la soluzione assicurativa migliore in quel momento. Inoltre il chatbot consiglia e predispone le best action da compiere per sottoscrivere il prodotto
USE CASE ZURICH Claims Chatbot Zurich UK ha lanciato un test di 6 settimane per Zara, un nuovo sistema di registrazione dei sinistri e relative reclami durante l’ultima nevicata su scala nazionale, con i connessi problemi. Zurich ha affermato che, con Zara, le informazioni sono raccolte 24/7 e assegnate con livelli di prioritizzazione all’addetto reclami riducendo I tempi di prima risposta da 24 H a 3 H. La soluzione sfrutta A.I e tecnologie di ML al fine di autoapprendere dalle comunicazioni intercorrenti con l’assicurato e di classificazione e individuazione di livelli di priorità nella risposta.
USE CASE NEURA Real Time Insurance AXA ha investito in NEURA $11 milioni in Neura, una società che implementa soluzioni di ML per rivoluzionare il concetto di Internet of Things. Il servizio di neura permette di arricchire dispositivi IoT e app con capacità di AI. In particolare la soluzione permette di offrire soluzioni mirate, costruite sulle abitudini quotidiane dei client. In questo modo è possibile offrire soluzioni 1:1 ai client, garantendone una profonda conoscenza alle compagnie, che possono capire cosa spinge gli assicurati a compiere determinate azioni.
USE CASE STATEFARM Distracted Driver Contest StateFarm ha lanciato nel 2017 una competizione di al fine di individuare, attraverso algoritmi di clusterizzazione e image recognition, guidatori distratti. In particolare son stati categorizzati e sviluppati motori analitici che assegnassero uno “score di distrazione” concentrandosi sulle seguenti classi: Safe driving, Texting, Operating the radio, Talking on the phone. Il modello vincente ha assegnato uno score alla singola immagine compreso tra 0 e 1 differenziando la clusterizzazione con image recognition del volto e della posizioni delle mani.
USE CASE LIBERTY MUTUAL Instant Compensation Liberty Mutual nel 2017 ha annunciato di voler implementare la mobile app di compagnia con AI capability e prodotti mirati al fine di incrementare la tempestività nei risarcimenti. Son stati sviluppati algoritmi di classificazione che, attraverso image recognition, permettono all’assicurato di ottenere preventivi di spesa inquadrando il sinistro della propria auto. L’algoritmo è stato addestrato su decine di migliaia di immagini e preventivi ad essi associati e resta, ovviamente, in continua fase di perfezionamento e revisione.
USE CASE Humania Assurance HuGO Underwriting Platform Humania Assurance ha lanciato una piattaforma di underwriting in grado di potere emettere una polizza vita in un range di tempo non superiore a 15 min. La piattaforma si basa sull’utilizzo di predictive analytics per la determinazione del rischio associato all’assicurato e riesce a concludere il processo di emissione della polizza con successo nel 65% dei casi (per coperture non superiori a 1 mil. $) La procedura di underwriting è personalizzata infatti si basa sul profilo di rischio del singolo cliente e non solamente su alcuni parametri quali l’età.
USE CASE DIRECT SECUROS GILA La compagnia ha deciso di utilizzare le informazioni derivanti dai diversi canali per personalizzare i servizi di contact centre. La soluzione scelta, GILA, ha l’obiettivo di raccogliere le informazioni degli assicurati in real time e di dare un punteggio a ciascun cliente a seconda di parametro quali numero di chiamate o modalità di navigazione del sito web. In questo modo è possibile valutare e prioritizzare i lead commerciali. In questo modo è stato possibile ridurre chiamate «commerciali» del 25%. La più efficace re-indirizzazione dei clienti sul canale più opportuno porta la compagnia a stimare un incremento del business pari al 17%
USE CASE AVIVA Amazon Echo Aviva ha sviluppato una funzionatlà per l’assistente virtuale di Amazon che permette di riconoscere e comprendere le domande degli utenti su tematiche assicurative. Lo scopo del progetto è quello di fornire agli utenti tutte le informazioni che necessitano relativamente e parole e terminologie che riguardano il mondo assicurativo. La sperimentazione non è quindi finalizzata alla sottoscrizione di polizze o alla sola proposizione commerciale.
USE CASE Manulife Amazon Echo Manulife ha lanciato una skill per Alexa che permette di fornire informazioni agli utenti su polizze vita e salute. L’idea del progetto è quella di fornire tutte le informazioni basilari agli assicurati in modo semplice e facilmente comprensibile. L’obiettivo di lungo periodo è quello di simulare una conversazione con un agente.
USE CASE Prudential askPRU Prudential Singapore ha sviluppato un chatbot che permette all’utente anche di interagire vocalmente. Le funzionalità del chatbot sono avanzate, infatti non è solamente possibile richiedere informazioni sulle polizze ma anche sottoscriverne direttamente una, attraverso un processo di quotazione della durata di 3 secondi.
NEXT STEP
Novembre 2018
Pubblicazione Research Report
21 novembre 2018
CeTIF OPEN SUMMIT
49Get Connected
CeTIF, Centro di Ricerca su Tecnologie, Innovazione e Servizi
Finanziari
02 72342590 @CeTIF1
MILANO
cetif@unicatt.it @cetifunicatt Via San Vittore, 18
20123
Via San Vittore, 18 Milano @cetif
www.cetif.it
HeadquarterPuoi anche leggere
