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

2. 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.

3. 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

4. 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

5. 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

6. 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

7. 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

8. 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

9. 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

10. 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

11. 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

12. 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

13. 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

14. 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

15. 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

16. 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

17. 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

18. 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

19. 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

20. LA IOT DATA MANAGEMENT
PLATFORM PER LA COMPAGNIA
ASSICURATIVA DEL FUTURO.
LET’S TALK!
Igor Valandro - Air CEO
i.valandro@myair.io | +39 3333843179