Get fresh updates from Hortonworks by email

Once a month, receive latest insights, trends, analytics, offering information and knowledge of the Big Data.

invito all'azione

Get Started

cloud

Sei pronto per cominciare?

Scarica Sandbox

Come possiamo aiutarti?

chiudiPulsante di chiusura
invito all'azione

Connected Data Platforms for
Insurance IOT and Predictive Analytics

cloud Rapporto sulle assicurazioni nel mondo collegato

SCARICA IL RAPPORTO

Beat risk

With Hortonworks connected data platforms, much more is possible. For example, a 360° view of not only your customers, but also connected cars to understand where and how are they driving while providing better predictive analytics.  You can now provide them with recommendations for alternative safer routes and driving behavior making them better drivers.

Creazione di attività incentrate sui dati con le applicazioni analitiche avanzate

I cambiamenti a livello tecnologico e di aspettative da parte dei clienti creano nuove sfide rispetto al modo in cui le compagnie di assicurazione coinvolgono il cliente, gestiscono le informazioni sui rischi e controllano la frequenza delle richieste di indennizzo e della gravità dei motivi per cui vengono presentate. Per rielaborare i modelli tradizionali su cui si basa il coinvolgimento del cliente, le società di assicurazione come Progressive si affidano a Hortonworks.

Use Cases

Build a 360° View of the Customer

Le compagnie assicurative interagiscono con i propri clienti attraverso una molteplicità di canali, eppure le informazioni su clienti, polizze e richieste di indennizzo rimangono spesso isolate negli archivi senza creare interrelazioni. Sono poche le società di assicurazione in grado di mettere in relazione risultati positivi in termini di acquisizioni, attività di cross-selling o up-selling con le campagne di marketing o il comportamento dei clienti online. Apache Hadoop offre alle assicurazioni una panoramica a 360° sul comportamento dei clienti, permettendo l'archiviazione dei dati per periodi di tempo più lunghi e identificando fasi distinte nei cicli di vita dei clienti stessi. L'ottimizzazione delle opportunità di analisi contribuisce all'acquisizione dei clienti migliori, alla loro crescita e fidelizzazione.


Rilanciare la produttività degli agenti con un portale unico a loro dedicato

Molte compagnie di assicurazione vendono le polizze attraverso i propri agenti. Per prepararsi agli appuntamenti di vendita (o rispondere alle domande dei potenziali clienti) gli agenti possono avere bisogno di controllare alcuni dettagli su piattaforme o applicazioni diverse e non collegate le une alle altre. Ciò richiede tempo, a scapito della velocità della vendita. Diversamente dalle piattaforme dati tradizionali, HDP archivia i dati provenienti da molte sorgenti in un data lake. Questo consente di cercare una sola volta, senza dover eseguire query diverse su piattaforme di archiviazione isolate. Gli agenti possono così prepararsi meglio e contattare un numero maggiore di potenziali clienti in un determinato arco di tempo, contribuendo alla crescita dell'utile. Le compagnie di assicurazione possono inoltre usare lo stesso tipo di visualizzazione singola per individuare gli agenti più produttivi, offrendo incentivi per la promozione dei soggetti migliori o declassando quelli cronicamente improduttivi.


Creazione di una cache ad alta velocità per l'elaborazione delle domande di assicurazione

Una volta che il cliente ha accettato l'acquisto di una nuova polizza, l'agente e/o l'assicuratore devono elaborare i documenti relativi alla richiesta. Queste operazioni possono rappresentare una procedura manuale lunga in cui si possono verificare perdite di dati. La velocità è importante, ma lo è altrettanto l'accuratezza. Un cliente di Hortonworks nel settore assicurativo ha creato una cache per i documenti aziendali su HDP. Apache HBase trasferisce nella cache i documenti creati in seguito alla transazione, con meta-tag per velocizzare l'elaborazione. Inoltre, poiché l'architettura basata su YARN di HDP supporta l'elaborazione multi-tenant sul medesimo set di dati, tracciare un documento non rallenta la valutazione del rischio né altre analisi necessarie prima dell'attivazione della copertura. L'elaborazione efficace dei documenti riduce i costi e migliora la produttività di agente e assicuratore.


Rilevamento delle frodi

Le frodi assicurative costituiscono un problema rilevante nel settore. Secondo l'FBI, "Il costo totale stimato delle frodi assicurative (escluse quelle sanitarie) supera i 40 miliardi di dollari all'anno. Ciò significa che le frodi assicurative costano alla famiglia media americana fra i 400 e i 700 dollari l'anno, traducendosi in aumenti dei premi". Con oltre 7000 compagnie di assicurazione che riscuotono oltre mille miliardi di premi ogni anno, i truffatori hanno a disposizione un bacino ampio e remunerativo. Con la possibilità di celare facilmente i dati che li riguardano, seguono ripetutamente schemi di appropriazione indebita dei premi o dei beni dell'assicurazione, fee churning, o truffe sulle assicurazioni per dipendenti. Una delle maggiori compagnie assicurative americane utilizza HDP per l'apprendimento automatico e la definizione di modelli predittivi che utilizzano regole per generare dei flag sui dati di streaming al fine di individuare un numero maggiore di richieste di indennizzo fraudolente o non valide. Grazie ad avvisi in tempo reale all'ingresso dei dati delle richieste di indennizzo, è possibile svolgere su di esse indagini speciali o analisi, seguendo un ordine di priorità in base al rischio di frode che presentano.

Lancio di servizi di riduzione del rischio

Le compagnie di assicurazione comprendono i rischi e, come nel caso di altri settori, stanno passando da un uso reattivo a uno proattivo dei dati. Qualsiasi perito di assicurazione è a conoscenza di casi di incidente, incendio, lesione che avrebbero potuto essere previsti e forse evitati, che spesso portano a conclusioni come "Non avrebbe dovuto guidare con un tempo simile", oppure "Quei cavi avrebbero dovuto essere sostituiti molto prima". Ora, gli assicuratori possono acquisire e condividere questi dati con i propri clienti prima che si verifichino le perdite. Attraverso questi servizi di riduzione dei rischi e prevenzione, le assicurazioni condividono dati analitici in tempo reale con i contraenti, consentendo loro di prevenire gli incidenti. Ad esempio, possono definire algoritmi per identificare fenomeni ad alto rischio correlati a maltempo, epidemie o richiami di prodotti e avvisare tempestivamente i propri clienti, consentendo a questi ultimi di tutelare se stessi e i propri beni. Un cliente di Hortonworks nel settore delle assicurazioni automobilistiche sta sviluppando un sistema di avvisi in tempo reale, per informare gli automobilisti dell'arrivo di forti temporali in determinate zone, suggerendo percorsi alternativi meno rischiosi.

Rischio di prezzo con dati empirici ricavati da sensori

Quando una persona rischia più di quanto dovrebbe, sapendo che altri si sobbarcano l'onere di tale rischio, si parla di rischio morale. Nel momento in cui stipula una polizza auto, una compagnia assicurativa affronta un rischio morale dovuto a un disequilibrio di informazioni: il contraente sa più cose dell'assicuratore sul proprio stile di guida. Sapendo di essere coperto in caso di incidente, l'automobilista potrebbe guidare un po' più velocemente o fare un po' meno attenzione alla strada. I prezzi delle polizze sono stabiliti in considerazione di tali rischi morali, così gli automobilisti più prudenti finiscono per pagare importi più alti per coprire i rischi a cui si espongono i meno prudenti. Le assicurazioni a consumo (Usage-based insurance, UBI) possono ridurre tali disequilibri di informazioni e il rischio morale, premiando gli automobilisti prudenti per il loro comportamento corretto. Un'importante compagnia assicurativa gestisce i suoi prodotti UBI con dati ricavati da sensori telematici e archiviati in HDP. Nelle elaborazioni prima di Hadoop, si acquisivano solo delle sottoclassi di dati UBI provenienti in streaming dai sensori installati nei veicoli dei contraenti e i processi di elaborazione, trasformazione e caricamento (extract-transform-load, ETL) ritardavano la disponibilità di tali dati fino a una settimana dopo l'acquisizione. Con HDP, la compagnia di assicurazione acquisisce e archivia tutti i dati sulla guida dei clienti che scelgono una polizza UBI, elabora gli enormi set di dati in metà del tempo e utilizza modelli predittivi per premiare gli automobilisti per il loro comportamento effettivo alla guida piuttosto che cercare di indovinare come potrebbero guidare in base a dati su età, tipo di veicolo, località e cronologia dei sinistri.