Ce diaporama a bien été signalé.
Nous utilisons votre profil LinkedIn et vos données d’activité pour vous proposer des publicités personnalisées et pertinentes. Vous pouvez changer vos préférences de publicités à tout moment.

Air "Unlocking customer data"

Piattaforma IOT di data management per analizzare i dati delle auto connesse.

  • Soyez le premier à commenter

Air "Unlocking customer data"

  1. 1. UNLOCKING CUSTOMER DATA DATA-POWERED SERVICES FOR INSURTECH Piattaforma e processi avanzati di analisi dei dati delle auto connesse per la compagnia assicurativa del futuro.
  2. 2. THE MOBILITY INDUSTRY IS JAMMED Le industrie connesse con la MOBILITY affrontano dei MEGATREND e sono alla ricerca di soluzioni per gestirli. MEGATREND ● Crescita dei dati esponenziale ● Ubiquità dei dispositivi IoT ● Evoluzione del possesso dei veicoli ● On-demand pricing MOBILITY ● Assicurazioni ● Fleet Management ● Pubblica amministrazione ● Concessionari auto
  3. 3. AIR: TECH SOLUTION FOR INSURANCE ASSICURAZIONI AUTO CONNESSE AIR MISSION Valorizzare i dati delle auto connesse per migliorare i servizi dei partner assicurativi e l’esperienza dei clienti. Data sourcing Data enrichment MACHINE LEARNING & DATA SCIENCE Business validation IOT DATA MANAGEMENT PLATFORM
  4. 4. Intro alla data management platform 5 principi fondanti Fasi di lavorazione dei dati La roadmap evolutiva di Air Datawarehouse e indicatori descrittivi Clustering degli stili di guida: - perimetro e indicatori rilevanti - machine learning - assegnazione label - profilo driver e di portafoglio flotta Business intelligence AGENDA 1 2 3 4 5 6 7
  5. 5. AIR IOT DMP - DATA MANAGEMENT PLATFORM La piattaforma si basa su SERVIZI AMAZON AWS sfruttando tecnologie avanzate di ingestion ed elaborazione in real-time di dati IoT. Ad hoc utilizzati anche SAP HANA, PYTHON e NEO4J
  6. 6. IoT data management platform La piattaforma si ispira a 5 fondamentali principi di progettazione al fine di abilitare processi di valorizzazione e monetizzazione dei dati IoT STRUTTURAZIONE SOLIDA, POTENTE E FLESSIBILE 5 principi chiave 1 2 3 4 5 Elaborazione real time Big data management (gestione delle singole posizioni ogni 5 secondi) Dato strutturato (data lake per raw data e DWH per indicatori) Dato fruibile (data model organizzato, fruibile tramite BI e API) Analisi avanzate con machine learning
  7. 7. OUTPUT GENERATION TRANSFORMATION PROCESS RAW DATA INGESTION AUTO CONNESSA Acquisizione dei dati generati da device AIR, del partner assicurativo o di casa madre Posizioni Accelerazioni Asse X Accelerazioni ASSE Y Accelerazioni Asse Z LE FASI DI LAVORAZIONE DEI DATI ANALISI PER I PARTNER SERVIZI E APP PER I CLIENTI 1 2 3 Data warehouse INDICATORI DESCRITTIVI Machine learning CLUSTER STILI DI GUIDA Analytics PUNTI DI INTERESSE Machine Learning STILE DI GUIDA E SINISTRI Completato Completato In Progress Da fare UTILIZZO AUTO STILE DI GUIDA BISOGNI CLIENTE RISCHIO SINISTRI
  8. 8. Indicatori descrittivi del tipo di uso dell’auto: • QUANTO GUIDI? • QUANDO GUIDI? • DOVE GUIDI? • A CHE VELOCITÀ GUIDI • FREQUENZA DI EVENTI DI GUIDA ESTREMI (frenate, accelerate, curve brusche) Clusterizzazione degli stili di guida basato sull’analisi e machine learning di eventi di guida estremi. Profilazione cliente e prima valutazione di possibili livelli i rischiosità (a livello qualitativo) Analisi Abitudini e dei relativi bisogni assicurativi e di servizi in base all’analisi delle localizzazioni del cliente su categorie di punti di interesse: • DOVE VAI IN VACANZA • CHE SPORT PRATICHI • HOBBY • BISOGNI ASSICURATIVI O DI ALTRI PRODOTTI Machine Learning di correlazione tra comportamenti di uso del veicolo e frequenza sinistri Datawarehouse -------- INDICATORI DESCRITTIVI Machine Learning -------- CLUSTER STILI DI GUIDA Analytics -------- BISOGNI DI SERVIZI Machine Learning -------- ANALISI STILE DI GUIDA E SINISTRI UTILIZZO AUTO STILE DI GUIDA BISOGNI CLIENTE RISCHIO SINISTRI ROADMAP DI ARRICCHIMENTO DEL DMP E DI AIR
  9. 9. Il Datawarehouse di AIR tiene costantemente aggiornati gli indicatori descrittivi delle modalità di uso dei veicoli connessi abilitando analisi a livello di portafoglio, singole flotte, segmenti di portafoglio o singoli clienti/veicoli QUANTO GUIDI DOVE GUIDI • KM E TEMPO DI GUIDA PER: • CAP • STRADA • TIPO STRADA • FASCE ORARIE • GIORNI DELLA SETTIMANA • PERIODI DELL’ANNO • GIORNO NOTTE QUANDO GUIDI • FREQUENZA FRENATE BRUSCHE • FREQUENZA ACCELLERATE BRUSCHE • FREQUENZA CURVE BRUSCHE • SUPERAMENTO LIMITI DI VELOCITA’ • VELOLCITA’ PER TIPO STRADA COME GUIDI • KM E ORE TOTALI • KM E ORE PER GIORNO • KM MEDI GIORNALIERI • KM E ORE GIORNO/NOTTE • KM E ORE STRADE URBANO/EXTRAURBANO • KM E ORE PER TIPO STRADA • KM E ORE PER FASCIA ORARIA DATA WAREHOUSE E GLI INDICATORI DESCRITTIVI UTILIZZO AUTO PORTAFOGLIO FLOTTA / SEGMENTO VEICOLO ASSICURATO
  10. 10. Individuazione dei KPI rilevanti per la MACHINE LEARNING e la CLUSTERIZZAZIONE (indicatori utilizzo auto) Machine learning di creazione dei CLUSTER COMPORTAMENTALI (GMM gaussian mixture model o K-means clustering) in base a frequenza e intensità simili di eventi di guida estremi, e assegnazione label a ciascun cluster (modello, maturo, ecc..) ASSEGNAZIONE LABEL a stili di guida e a singoli viaggi (il viaggio è l’oggetto minimo di aggregazione dello stile di guida) Descrizione del COMPORTAMENTO DEL DRIVER in base alla combinazione di stili di guida rilevati nelle sue percorrenze 1 2 3 4 MODELLO CONSERVATIVO MATURO INSICURO AGGRESSIVO DINAMICO SPORTIVO SPERICOLATO STILE DI GUIDA AIR DATALAB: I CLUSTER DEGLI STILI DI GUIDA
  11. 11. 6000 veicoli analizzati su due mesi (giugno - luglio 2020) Oggetto di analisi: singolo viaggio, ripartito secondo le dimensioni di analisi individuate Impiegati circa 50 indicatori che descrivono intensità e frequenza di: • accelerazioni • frenate • curve Ciascun indicatore analizzato su 3 fasce di intensità: • alta • media • bassa Indicators and Model1 IDENTIFICAZIONE KPI E INDICATORI RILEVANTI
  12. 12. Il primo output del processo è l’individuazione di cluster di viaggi omogenei sulla base della combinazione delle variabili di input. acceleration, braking, cornering Esempio di cluster con stile di guida SPERICOLATO Esempio di cluster con stile di guida DINAMICO I cluster di comportamenti omogenei così individuati sono raggruppati per individuare gli stili di guida 2 MACHINE LEARNING DI CLUSTERING STILI DI GUIDA
  13. 13. MODELLO: conducenti modello, senza eventi di guida estremi INSICURO: frequenti frenate leggere a bassa velocità AGGRESSIVO: accelerate e frenate brusche in tutti i contesti DINAMICO: frequenti curve anche brusche in tutti i contesti SPORTIVO: presenta di tutti gli eventi di guida di intensità medio/bassa SPERICOLATO: presenza di tutti gli eventi di intensità medio/alta in tutti i contesti CONSERVATIVO: pochi eventi di guida di alta intensità e principalmente brevi MATURO: eventi di guida di bassa intensità in tutti i contesti 3 ASSEGNAZIONE LABEL A CLUSTER E VIAGGI
  14. 14. 4 DESCRIZIONE PROFILO DRIVER App per il cliente Dashboard BI per la Compagnia % tempo speso per stile di guida per ora del giorno tempo speso per stile di guida per giorno della settimana % tempo totale speso per stile di guida ● Il comportamento prevalente del cliente è Modello (75% del tempo di guida) ● Il comportamento di guida Sportivo è presente solo in ambito Urbano solo nei giorni Festivi ● La variazione di stile di guida nella settimana lascia supporre l’uso dei veicolo da parte di un’altra persona la sera dei giorni festivi % tempo di guida speso in ambito Urbano/Extraurbano • 75% del tempo di guida in stile modello • Nei giorni feriali guidi maggiormente in ambito urbano • Nei giorni festivi guidi maggiormente in ambito non- urbano % tempo totale speso per stile di guida
  15. 15. Stili di guida dell’intera flotta con dettaglio giorni feriali/festivi e ambito urbano/extraurbano DESCRIZIONE PROFILO DI PORTAFOGLIO Si registra un incremento dello stile dinamico nelle ore precedenti agli orari d’ufficio per gli spostamenti casa-lavoro e per l’inizio delle attività scolastiche Nella fascia 12-18 si registra la maggior frequenza di stili di guida aggressivi , in concomitanza degli spostamenti per la pausa pranzo e rientro lavoro-casa Nella fascia 12-17, coerentemente con l’ambito urbano, si registra la maggior frequenza di comportamenti aggressivi Nella fascia 3-6 , per il contesto urbano, si registra la maggior frequenza di stili di guida sportivo e dinamico, maggiormente legati alla velocità Dalle 5 alle 7, è il momento più sicuro per circolare in ambito extraurbano per la riduzione degli stili di guida aggressivi e sportivi 4
  16. 16. DESCRIZIONE PROFILO DI PORTAFOGLIOBUSINESS INTELLIGENCE PER ANALISI AD HOC Campione Dati Evidenze ● Le percorrenze ed i tempi di guida del periodo Post-COVID rispetto a quelli Pre-COVID sono aumentati considerevolmente ( incremento di circa il 20% rispetto al periodo Pre-COVID), ● L’incremento può essere attribuito ad un spostamento di utenza dal trasporto pubblico verso l’auto privata in ambito urbano ● La maggiore circolazione veicolare può avere degli impatti considerevoli sulla mobilità e quindi sugli stili di guida degli utenti • Periodo Febbraio- Aprile 2020 (Pre, Durante e Post COVID) • 6000 asset AIR • Tutto il Territorio Italiano
  17. 17. DESCRIZIONE PROFILO DI PORTAFOGLIOBUSINESS INTELLIGENCE PER ANALISI AD HOC Variazione stili di guida periodi Pre/Durante/Post COVID (Periodo Febbraio- Settembre 2020) Coerentemente con i risultati della precedente slide, subito dopo il lockdown, con la riduzione del traffico si registra un notevole incremento dei comportamenti riconducibili ad una elevata velocità ( Aggressivo e Sportivo ) Con il rientro dalla pausa estiva e la ripresa delle attività scolastiche ci aspettiamo che i comportamenti della flotta si riassestino su valori Pre-COVID, l’eventuale differenza può essere imputabile alle politiche di smart-working ancora vigenti che possono avere un impatto sulla mobilità, soprattutto urbana
  18. 18. Indicators and Model La Business Intelligence di AIR abilita analisi ad hoc abilitando filtri, dimensioni e variabili necessari a specifici usi. 1 2 3 4 5 Esempio di indicatori per lo stesso asset della slide precedente. Dettagli in questo esempio: 1. Only braking events 2. of high or medium intensity 3. at any speed 4. of any duration 5. summarized for the last day, week, month and year Opzioni disponibili: 1. acceleration, braking, cornering 2. low, medium, high intensity 3. below/above 30kmh or 50kmh 4. short, long duration Tutte le opzioni qui sono anche filtrate in modo incrociato con le opzioni scelte nella diapositiva precedente. Il comportamento è cambiato nel tempo e la frequenza degli eventi di frenata è aumentata di recente BUSINESS INTELLIGENCE PER ANALISI AD HOC
  19. 19. LA IOT DATA MANAGEMENT PLATFORM PER LA COMPAGNIA ASSICURATIVA DEL FUTURO. LET’S TALK! Igor Valandro - Air CEO i.valandro@myair.io | +39 3333843179

×