Dai modelli tradizionali al Data Mining: analisi del metodo di calcolo delle riserve in SIPCA ed esplorazione di approcci innovativi = From Traditional Models to Data Mining: Analysis of the Reserve Calculation Method in SIPCA and Exploration of Innovative Approaches

La gestione delle riserve tecniche nel settore assicurativo riveste un ruolo essenziale per garantire la sostenibilità finanziaria e la conformità normativa. Nel ramo cauzioni, l’allocazione delle riserve avviene frequentemente attraverso modelli standardizzati che non considerano adeguatamente la rischiosità associata ai settori in cui operano i contraenti, determinando inefficienze nella gestione del capitale. Il presente studio analizza il metodo attuale di calcolo delle riserve adottato nel sistema SIPCA, esaminandone il funzionamento e le logiche sottostanti. L’obiettivo è identificare eventuali criticità e valutare possibili miglioramenti attraverso un approccio innovativo basato sul data mining. In particolare, vengono applicate tecniche di clustering per segmentare i contraenti e affinare la distribuzione delle risorse. L’analisi, condotta mediante KNIME su un database fittizio rappresentativo del settore, si concentra su variabili chiave quali premio di polizza, importo garantito e riserve allocate. L’efficacia della segmentazione è stata valutata tramite metriche quantitative e confrontata con l’approccio tradizionale. I risultati dimostrano che il clustering consente di differenziare i contraenti in base al livello di rischiosità associato al settore di appartenenza, favorendo una ripartizione più mirata ed equilibrata delle riserve. Il confronto con il modello attuale evidenzia come tale metodologia riduca la dispersione delle riserve all’interno dei gruppi e rafforzi la distinzione tra i soggetti. L’adozione del machine learning nel settore assicurativo rappresenta un’evoluzione rispetto ai modelli tradizionali, introducendo un approccio più adattivo e data-driven, in grado di mitigare il rischio di sotto- o sovra-allocazione delle riserve. La presente tesi costituisce un contributo iniziale all’analisi di modelli predittivi volti a ottimizzare con maggiore precisione il calcolo e la gestione delle riserve nel contesto assicurativo.