{"id":70770,"date":"2026-09-28T15:07:15","date_gmt":"2026-09-28T14:07:15","guid":{"rendered":"https:\/\/www.irion-edm.com\/?p=70770"},"modified":"2026-09-28T15:08:06","modified_gmt":"2026-09-28T14:08:06","slug":"dms-milano-intervento-lorena-crepaldi","status":"publish","type":"post","link":"https:\/\/www.irion-edm.com\/it\/eventi\/dms-milano-intervento-lorena-crepaldi\/","title":{"rendered":"Rischi catastrofali e integrazione dei dati legacy: l’intervento di Lorena Crepaldi al Data Management Summit di Milano"},"content":{"rendered":"\n

Il 17 settembre, al Data Management Summit di Milano, Lorena Crepaldi, Senior Business Consultant di Irion, ha partecipato alla tavola rotonda “Open Insurance, Cat Modeling, and Emerging Scenarios in the Insurance Industry”, moderata da Simona Di Felice (Kirey Advisory), insieme a Diego Caputo, Insurtech executive, e Fabio Schiera del Comitato Scientifico di DAMA Italia.<\/p>\n\n\n\n

Lorena ha portato al confronto oltre vent’anni di esperienza nel settore assicurativo, maturata nell’implementazione di sistemi gestionali complessi in Italia e all’estero, e un focus sul Data Management come leva per valorizzare il patrimonio informativo delle compagnie. Di seguito una sintesi delle sue risposte alle due domande che le sono state rivolte.<\/p>\n\n\n\n

Integrare fonti diverse per valutare il rischio catastrofale<\/h2>\n\n\n\n
\n

Quali sono le difficolt\u00e0 che le compagnie incontrano<\/em> sul tema dei modelli catastrofali,<\/em> quando provano a combinare fonti<\/em> dati interne, esterne<\/em> e multimodali<\/em>?<\/p>\n<\/blockquote>\n\n\n\n

Il punto di partenza, ha spiegato Lorena, \u00e8 che i dati delle compagnie sono spesso frammentati, distribuiti in silos separati e talvolta provenienti da procedure datate. A questa complessit\u00e0 si sommano due fattori che hanno accelerato il tema negli ultimi anni. Il primo \u00e8 la crescita, per frequenza e dimensione, degli eventi catastrofali, che porta le compagnie a stimare danni sempre pi\u00f9 elevati. Il secondo \u00e8 normativo: EIOPA ha evidenziato un protection gap molto disomogeneo in Europa e particolarmente elevato in Italia, e il legislatore italiano ha introdotto l’obbligo di copertura catastrofale anche per le imprese, esteso da quest’anno alle piccole e medie.<\/p>\n\n\n\n

In questo contesto le stime devono diventare sempre pi\u00f9 puntuali. Diventa necessario geolocalizzare gli asset assicurati per ottenere una mappatura capillare del territorio, e analogamente\u00a0 con i sinistri, cos\u00ec da poter mettere in relazione le informazioni per le analisi post eventi.<\/p>\n\n\n\n

Le serie storiche sui sinistri restano indispensabili per definire tariffe, riserve catastrofali e trattati di riassicurazione, ma non sono pi\u00f9 sufficienti. Occorre integrarle con indicatori di rischio e percentili di probabilit\u00e0 di accadimento resi disponibili da open data istituzionali, come Copernicus a livello europeo e, in Italia, INGV per i terremoti e ISPRA per alluvioni e inondazioni. Queste fonti offrono non solo dati sul passato, ma anche modelli prospettici a 10 o 20 anni. A esse si affiancano i provider di settore storicamente utilizzati dai riassicuratori, con modelli proprietari pi\u00f9 costosi.\u00a0<\/p>\n\n\n\n

La sfida, secondo Lorena, \u00e8 portare queste informazioni dentro i processi. In fase di underwriting, questi dati\u00a0consentono un pricing dinamico e accurato, che riflette il\u00a0 reale livello di rischio predittivo legato alla combinazione di fattori presenti in ciascuna area. Nel risk management supportano la definizione della strategia di riassicurazione, sia per i<\/s> trattati proporzionali e non, sia per\u00a0la fissazione dei limiti excess of loss. Nella fase post evento, invece, permettono di stimare rapidamente l’esposizione alla perdita, ad esempio attraverso il programma di l’<\/s>osservazione della terra di Copernicus. Risultano inoltre determinanti per gli stress test e per la reportistica regolamentare Solvency II, come l’ORSA.\u00a0<\/p>\n\n\n\n

Le fonti istituzionali sono pi\u00f9 accessibili dal punto di vista economico, ma richiedono alle compagnie di farsi carico dell’intera gestione dei dati. Il mercato si sta muovendo: alcune compagnie hanno avviato la fase di analisi, poche sono gi\u00e0 passate a una gestione strutturata di queste informazioni.<\/p>\n\n\n\n

Integrare il patrimonio legacy mantenendolo governato nel tempo<\/h2>\n\n\n\n
\n

Come<\/em> si<\/em> pu\u00f2<\/em> agevolare l’integrazione dei dati legacy delle compagnie assicurative – eterogenei e spesso chiusi in silos- garantendone al contempo governo e affidabilit\u00e0?<\/em>\u00a0<\/p>\n<\/blockquote>\n\n\n\n

Nel settore assicurativo, ha ricordato Lorena, le acquisizioni successive hanno lasciato in eredit\u00e0 numerosi sistemi legacy, al punto che per lo stesso ramo possono coesistere due sistemi di emissione di portafoglio, con informazioni simili provenienti da archivi completamente diversi. La sua risposta si articola in tre livelli.<\/p>\n\n\n\n

Il primo \u00e8 l’integrazione: tramite l\u2019implementazione di soluzioni che abilitano la costruzione dei prodotti dati interrogando fonti eterogenee, database, file piatti e altri formati, residenti nei diversi silos di Compagnia o di Gruppo, come se si trovassero in un unico grande database, per permetterne una gestione integrata. I data product possono poi essere resi disponibili su un marketplace, per accelerare i processi decisionali e l’analisi da parte delle funzioni del business che utilizzano quei dati.\u00a0<\/p>\n\n\n\n

Il secondo \u00e8 il governo del dato. Con fonti frammentate e informazioni non sempre riconoscibili, \u00e8 necessario dotarsi di un layer di governo che\u00a0<\/s> lascia i dati dove sono, ma che ne permette la gestione in termini di conoscenza e disponibilit\u00e0 e che ne definisce la mappatura collegandoli ad un business glossary, cos\u00ec da renderli comprensibili in tutta l’organizzazione.\u00a0<\/p>\n\n\n\n

Il terzo \u00e8 la qualit\u00e0. In assenza di un unico punto di riferimento, \u00e8 difficile sapere quanto sia accurato il dato che arriva. Introdurre un governance\u00a0 layer di data quality consente il monitoraggio dei livelli di affidabilit\u00e0 dei dati raccogliendo gli esiti dai motori dei diversi sistemi legacy, laddove non sia conveniente la centralizzazione, offrendo una rendicontazione unitaria della qualit\u00e0 dei dati utilizzati.<\/p>\n\n\n\n

Alcuni casi di successo: <\/strong> <\/p>\n\n\n\n