Intelligence sul rischio alluvionale
Oltre due terzi dei danni da alluvione negli Stati Uniti si verificano al di fuori delle zone ad alto rischio della FEMA. Se il tuo motore di tariffazione si ancora ancora alla distinzione tra Zona AE e Zona X, stai prezzando il rischio in modo errato su entrambi i fronti: sovraccaricando la casa rialzata all'interno della zona e sottostimando la casa con fondazione a platea al di fuori di essa. Gli assicuratori che sono passati allo scoring IA a livello di proprietà stanno già scremando i tuoi rischi migliori.
Costruiamo il livello di intelligence sul rischio alluvionale che collega i punteggi dei fornitori, il monitoraggio satellitare e i tuoi dati sui sinistri in un fattore di tariffazione unificato che il tuo esaminatore del DOI può approvare.
68,3%
Danni da alluvione al di fuori delle zone ad alto rischio della FEMA
NC State / First Street Research
106,1%
Combined ratio previsto per le polizze casa, 2025
III / AM Best
20% CAGR
Crescita delle polizze alluvione private, 2020-2024
Resources for the Future
Considera uno scenario concreto che si ripete migliaia di volte nel tuo portafoglio ogni anno.
Una casa unifamiliare nella Contea di Harris, Texas. Zona X FEMA (pericolo alluvionale minimo). Costruita nel 2004 su fondazione a platea senza alcun rialzo rispetto al livello del terreno. Il lotto è impermeabile all'85% (vialetto in cemento, patio, garage separato). Lo scolo pluviale più vicino è a 120 metri di distanza e fa parte di un sistema municipale vecchio di 30 anni progettato per un evento piovoso con tempo di ritorno di 10 anni.
Zona X. Nessun obbligo di assicurazione contro le alluvioni. Se il proprietario acquista una polizza alluvione volontaria, viene tariffata in base ai fattori NFIP Risk Rating 2.0, che non tengono conto del rapporto di superficie impermeabile, dell'infrastruttura di drenaggio sottodimensionata o del fatto che la casa ha un primo piano a quota zero rispetto al terreno. Il tuo sistema quota un premio di 450 $/anno.
Su un portafoglio di 50.000 polizze casa nel sud-est del Texas, questo schema di proprietà in Zona X mal prezzate genera in genere una fuga di valore annua compresa tra 2,8 e 4,2 milioni di dollari. Si tratta di 30-40 proprietà che generano da 70.000 a 120.000 $ in sinistri da alluvione per evento, a fronte di premi annui di 450 $.
Non è un'ipotesi. La Contea di Harris ha 1,2 milioni di proprietà in Zona X. Dopo l'uragano Harvey, il 70% dei sinistri da alluvione è arrivato da fuori delle zone ad alto rischio della FEMA. Gli assicuratori che hanno identificato queste proprietà prima dell'evento hanno ridotto il loro cat loss ratio di 8-12 punti quell'anno.
Ogni fornitore qui sotto risolve una parte del problema. Nessuno lo risolve end-to-end. La vera sfida è costruire l'integrazione e la documentazione regolatoria che trasformano le soluzioni puntuali in un piano tariffario approvato.
| Fornitore | Cosa fanno | Punto di forza | Lacuna |
|---|---|---|---|
| ZestyAI | Property intelligence basata su computer vision. Punteggi Z-FLOOD, Z-FIRE, Z-WIND da immagini aeree e permessi edilizi. | Comprovata in produzione su larga scala. Oltre 6 partnership con assicuratori firmate nel solo Q1 2026. Copertura multi-rischio. | Nessuna modellazione del drenaggio pluviale. L'opacità del funzionamento interno del modello rende più difficili le istanze al DOI in stati come CO e NY. Punteggi statici, nessun monitoraggio attivato da eventi. |
| ICEYE | Costellazione di satelliti SAR per il monitoraggio delle alluvioni in tempo reale. Oltre 30 satelliti, riosservazione in meno di 24 ore. | Unico fornitore con dati satellitari proprietari. Partnership con Munich Re e AXA (2026). Aggiornamenti dell'estensione dell'alluvione ogni 6 ore durante gli eventi. | Solo osservazione, non predittiva. Incertezza di +/-15 cm sulla profondità in ambito urbano (double-bounce). Richiede una pipeline personalizzata per trasformare il SAR grezzo in un flusso di gestione sinistri. |
| First Street | Punteggi Flood Factor (1-10) per ogni proprietà negli Stati Uniti. Rischio cumulativo a 30 anni. Dati gratuiti per i consumatori, API istituzionale. | Il database sul rischio alluvionale più completo degli Stati Uniti. Forte consapevolezza pubblica. Include pericoli fluviali, costieri e pluviali. | Modello solo sul pericolo. Non valuta la vulnerabilità strutturale (FFE, materiali da costruzione). Attualmente non accettato come fattore di tariffazione regolamentare. |
| Fathom (Swiss Re) | Dati globali sul pericolo alluvionale. Swiss Re lo sta integrando nel proprio cat model interno (gen. 2026). Set di eventi probabilistici a 50.000 anni. | Modellazione basata sulla fisica. I migliori scenari climatici prospettici. Il sostegno di Swiss Re conferisce credibilità presso i riassicuratori. | Di proprietà di Swiss Re, il che crea un potenziale conflitto per gli assicuratori con altre relazioni di riassicurazione. Solo livello di pericolo, nessuna vulnerabilità a livello di proprietà. |
| Verisk / AIR | Cat modeling consolidato. Flood Score 3.0 per la valutazione del rischio alluvionale a livello di proprietà negli Stati Uniti. XactGen per la stima dei sinistri con IA. | Le relazioni più profonde con gli assicuratori. Familiarità regolatoria. Accettato come standard dalla maggior parte dei DOI. | Architettura legacy in fase di adeguamento con l'IA. Ciclo di innovazione più lento. La tariffazione a pacchetto rende costoso utilizzare solo le componenti relative alle alluvioni. |
| RMS / Moody's | Piattaforma di cat modeling. Acquisizione di Cape Analytics per property intelligence geospaziale basata su IA. | Profonda integrazione con gli assicuratori. L'acquisizione di Cape aggiunge la valutazione delle proprietà basata su computer vision. | L'acquisizione di Cape Analytics è ancora in corso. Tempistiche di integrazione poco chiare. Cape è più forte su vento/incendi boschivi che sulle alluvioni. |
| Neptune Flood | MGA con motore di sottoscrizione proprietario Triton. API-first. Partnership con Palomar per il flood privato a livello nazionale. | Il flusso quote-bind più rapido per il flood privato. Integrazione con ChatGPT per la distribuzione digitale. Competenza pure-play sulle alluvioni. | Concorrente, non uno strumento che puoi acquisire in licenza. Il loro stack tecnologico è proprietario e non disponibile per altri assicuratori. |
| Big 4 / Grandi SI | Deloitte, Accenture, EY, PwC offrono servizi di consulenza e implementazione insurtech. | Riconoscibilità del marchio. Team numerosi. Relazioni esistenti con i vertici aziendali degli assicuratori. | Implementano piattaforme, non costruiscono intelligence sulle alluvioni su misura. Un incarico con Accenture parte da oltre 2 milioni di dollari e produce un esercizio di selezione dei fornitori, non un motore di scoring funzionante. Nessuna competenza proprietaria nel dominio delle alluvioni. |
Il panorama dei fornitori è frammentato per progettazione. ZestyAI vende punteggi di proprietà. ICEYE vende dati satellitari. Fathom vende livelli di pericolo. Verisk vende cat model. Nessun singolo fornitore ha un incentivo a costruire il livello di integrazione che combina fonti di dati concorrenti, perché quel livello commoditizza il loro singolo prodotto. Quel livello di integrazione, più la documentazione regolatoria per farlo approvare come piano tariffario, è ciò che costruiamo noi.
Ogni capacità affronta una specifica lacuna nel panorama dei fornitori. Lavoriamo con i punteggi e i dati che già acquisti, non contro di essi.
Fondiamo la property intelligence di ZestyAI, il monitoraggio SAR di ICEYE, i livelli di pericolo di Fathom/First Street e il tuo storico sinistri in un punteggio composito a livello di proprietà. La logica di fusione pondera ogni fonte in base alla geografia e al mix di rischi. Una proprietà costiera in Florida si appoggia molto sui modelli di storm surge e sul monitoraggio SAR. Una proprietà nell'entroterra del Texas pondera più in alto la modellazione del drenaggio pluviale e i rapporti di superficie impermeabile.
Output: un singolo fattore di tariffazione per proprietà, memorizzato in cache nel Guidewire Integration Data Manager o nel framework External Data Call di Duck Creek, disponibile in meno di 50 ms per il quote-bind in linea.
La presentazione di un algoritmo di tariffazione potenziato dall'IA richiede relazioni attuariali che mostrino l'incremento del loss ratio per decile, le classifiche di importanza delle feature, il backtesting out-of-sample rispetto a eventi storici e l'analisi dell'impatto disparato a livello di census tract. Produciamo il pacchetto di istanza completo per ciascuno stato.
Abbiamo mappato i requisiti di tutti i 50 stati. Il Colorado richiede una giustificazione per ogni variabile. Il DFS Circular 2024-7 di New York esige il test della discriminazione per proxy. La California richiede l'approvazione preventiva con documentazione completa del modello. Il pacchetto di istanza che produciamo è adattato ai requisiti specifici di ciascuno stato, non un modello standard valido per tutti.
Quando un evento alluvionale si attiva, mettiamo in funzione la pipeline che trasforma i dati SAR grezzi di ICEYE in intelligence operativa sui sinistri. Entro poche ore dal primo passaggio satellitare: il tuo TIV a rischio viene calcolato per tipo di copertura, i periti vengono indirizzati solo verso le proprietà confermate come allagate dal SAR, la gravità viene stimata combinando la profondità dell'alluvione SAR con la quota del primo piano derivata da computer vision, e i sinistri provenienti da località confermate come asciutte dal SAR vengono segnalati alla SIU.
La pipeline funziona come servizio gestito durante gli eventi. Tra un evento e l'altro paghi solo il livello di monitoraggio che sorveglia i trigger di tasking satellitare. Tipico miglioramento dell'efficienza nel dispiegamento dei periti: 40-60% in meno di sopralluoghi inutili.
Questa è la lacuna che la maggior parte dei fornitori trascura. L'alluvione pluviale (la pioggia che sovraccarica i sistemi di drenaggio) causa la maggior parte delle perdite alluvionali assicurate, eppure la maggior parte dei modelli commerciali si concentra sul rischio fluviale e sullo storm surge costiero. Costruiamo modelli pluviali a livello di proprietà utilizzando modelli digitali di elevazione derivati da LiDAR con risoluzione di 1 metro, rapporti di superficie impermeabile stimati con computer vision per ogni particella e dati sull'infrastruttura municipale di gestione delle acque piovane (diametro delle condotte, età, capacità di progetto).
Il modello risponde a una domanda specifica: per una data intensità di pioggia, quanto si alza l'acqua alla porta d'ingresso di questa proprietà? La risposta dipende dalla micro-topografia entro 500 metri, non dalla zona FEMA.
Con oltre 24 stati che adottano il NAIC AI Model Bulletin, il test indipendente di equità della tariffazione guidata dall'IA non è più facoltativo. Eseguiamo analisi dell'impatto disparato sulle tue tariffe potenziate dall'IA rispetto alla demografia dei census tract, identifichiamo quali feature di input portano segnale demografico (le condizioni del tetto e la superficie impermeabile sono le più comuni) e determiniamo se il potere predittivo è attuarialmente giustificato indipendentemente dalla correlazione.
Il deliverable è il pacchetto di documentazione che soddisfa lo standard più esigente (il DFS Circular 2024-7 di New York), il che significa che supera ogni altra verifica. Questo vale sia che tu stia usando il nostro motore di scoring sia punteggi di terze parti di ZestyAI, Cape Analytics o qualsiasi altro fornitore.
Quattro fasi. La Fase 1 è un deliverable autonomo. Se non troviamo una fuga di valore su cui agire nel tuo portafoglio, ti fermi lì.
Analizziamo il tuo portafoglio attuale rispetto ai dati sul rischio alluvionale a livello di proprietà. Per ogni polizza, confrontiamo il premio che addebiti con la perdita attesa stimata dall'IA. Il risultato è una heat map della tariffazione errata: quali geografie, quali tipologie costruttive, quali zone FEMA hanno il divario più ampio tra ciò che incassi e ciò che paghi.
Su un tipico portafoglio P&C con 200 milioni di dollari di premi sottoscritti, questa analisi rivela da 2 a 5 milioni di dollari di fuga di valore annua da selezione avversa. Quel numero, con dettaglio a livello di proprietà, è il tuo business case per le fasi rimanenti.
Costruiamo il motore di scoring multi-fonte calibrato sul tuo portafoglio specifico. Ciò significa selezionare e ponderare le fonti di dati che contano per le tue geografie, addestrare i micromodelli pluviali per i tuoi mercati chiave e costruire l'integrazione Guidewire o Duck Creek con il livello di cache di pre-scoring.
Convalidiamo il modello rispetto al tuo storico sinistri. Il test è semplice: la classifica di rischio del modello prevede quali polizze hanno presentato sinistri da alluvione negli ultimi 5 anni meglio del tuo attuale piano tariffario?
Produciamo i pacchetti di istanza al DOI per i tuoi stati prioritari. Ogni pacchetto include la relazione attuariale, il report di convalida del modello (backtesting rispetto a eventi storici, test out-of-sample), l'analisi dell'impatto disparato e la documentazione di spiegabilità che mostra come i fattori di tariffazione del modello si relazionano al rischio fisico di alluvione.
Le tempistiche di presentazione variano da stato a stato. Gli stati "file and use" (la maggior parte del sud-est) ti consentono di implementare immediatamente al momento della presentazione. Gli stati a "prior approval" (California, New York) richiedono la revisione dell'esaminatore prima dell'implementazione, il che aggiunge 60-120 giorni.
Avvio al primo ciclo di rinnovo con tariffe potenziate dall'IA. Monitoriamo le performance del loss ratio, l'adeguatezza dei premi e la fidelizzazione degli assicurati. Il primo ciclo di rinnovo è cruciale: vedrai alcune polizze non rinnovarsi man mano che i rischi mal prezzati ottengono per la prima volta una tariffazione corretta. L'obiettivo è che il premio perso dalle polizze ad alto rischio in uscita sia più che compensato dalla riduzione dei sinistri.
Se stai implementando anche la pipeline di triage dei sinistri basata su SAR, la attiviamo su un percorso parallelo ed eseguiamo un'esercitazione tabletop rispetto a un evento storico nel tuo portafoglio prima della successiva stagione degli uragani.
Rispondi a 8 domande sulle tue attuali capacità di sottoscrizione del rischio alluvionale. Ottieni una valutazione con punteggio, con lacune specifiche e i prossimi passi per la tua situazione.
La sfida dell'integrazione riguarda meno la chiamata API e più l'architettura di caching e fallback. Una chiamata API grezza a un servizio di scoring esterno richiede 200-400 ms, il che consuma gran parte del tuo budget di latenza per una quotazione in linea. Costruiamo un livello di pre-scoring che elabora in batch il tuo portafoglio in vigore ogni notte rispetto alle ultime immagini satellitari e ai feed di property intelligence, memorizzando i punteggi nell'Integration Data Manager di Guidewire. Quando arriva una richiesta di quotazione, il motore di tariffazione recupera il punteggio in cache in meno di 50 ms.
Per le nuove richieste non ancora in cache, utilizziamo un pattern di arricchimento asincrono: la quotazione procede con un punteggio preliminare basato sui dati disponibili di zona FEMA ed elevazione, poi il punteggio IA completo viene ripopolato in pochi minuti. La coda di referral intercetta tutti i casi in cui il punteggio preliminare e quello completo divergono in modo significativo.
Questo pattern mantiene il tuo flusso di quote-bind sotto i 500 ms, garantendo al contempo che ogni polizza ottenga alla fine la valutazione del rischio multi-fonte completa. Per Duck Creek, l'architettura è simile ma utilizza il loro framework External Data Call al posto dell'Integration Data Manager.
Il punteggio Z-FLOOD di ZestyAI è forte per la vulnerabilità strutturale a livello di proprietà, in particolare le condizioni del tetto, i materiali da costruzione e la prossimità all'acqua. Ma ha specifici punti ciechi che contano per le alluvioni. Primo, Z-FLOOD non modella la capacità di drenaggio municipale. Due proprietà con punteggi Z-FLOOD identici possono avere un'esposizione all'alluvione pluviale molto diversa a seconda che la rete fognaria pluviale nel loro micro-bacino sia stata progettata per un evento con tempo di ritorno di 10 o di 100 anni.
Secondo, ZestyAI non incorpora il monitoraggio SAR in tempo reale, quindi ottieni un punteggio di rischio statico ma nessun alerting di portafoglio attivato da eventi. Terzo, ed ecco il problema della presentazione: quando presenti Z-FLOOD come variabile di tariffazione a un DOI statale, l'esaminatore chiede l'importanza sottostante delle feature e l'incremento del loss ratio per decile. ZestyAI fornisce una model card, ma in stati come il Colorado e New York gli esaminatori vogliono vedere l'analisi eseguita sul tuo portafoglio specifico, non una convalida generica a livello di settore.
Costruiamo il wrapper che combina la property intelligence di ZestyAI con il monitoraggio SAR di ICEYE, la modellazione del drenaggio pluviale e il tuo storico sinistri in un punteggio composito. Poi produciamo la documentazione di istanza al DOI che mostra come ciascuna componente contribuisce all'accuratezza predittiva specificamente sul tuo portafoglio.
Il NAIC AI Model Bulletin, ora adottato in oltre 24 stati, richiede agli assicuratori di dimostrare che la tariffazione guidata dall'IA non produca esiti ingiustamente discriminatori. Per le alluvioni in particolare, il rischio è che le valutazioni delle proprietà basate su computer vision siano correlate al reddito del quartiere. Una proprietà in un'area a reddito più basso potrebbe mostrare manutenzione differita, punteggi più bassi sulle condizioni del tetto e più superficie impermeabile, tutti elementi che legittimamente prevedono la gravità delle perdite alluvionali ma che fungono anche da proxy per caratteristiche protette.
L'analisi inizia con un test di disparità geografica: mappiamo le tue tariffe potenziate dall'IA rispetto alla demografia dei census tract (etnia, reddito, età) e confrontiamo le distribuzioni delle tariffe. Se il modello IA produce sistematicamente tariffe più alte nei census tract a maggioranza di minoranze dopo aver controllato per il pericolo alluvionale effettivo, questo è un segnale d'allarme. Successivamente, eseguiamo un'analisi di attribuzione delle feature utilizzando i valori SHAP per identificare quali feature di input determinano la disparità. Spesso è una singola variabile come il punteggio sulle condizioni del tetto o il rapporto di superficie impermeabile a portare la maggior parte del segnale demografico.
La soluzione non è rimuovere la variabile. È dimostrare che il potere predittivo della variabile per le perdite alluvionali è attuarialmente giustificato indipendentemente dalla sua correlazione demografica. Produciamo il pacchetto di documentazione che mostra: ecco la disparità, ecco perché è attuarialmente giustificata, ed ecco i controlli che abbiamo implementato. Il DFS Circular 2024-7 di New York è lo standard più esigente. Se la tua documentazione supera New York, supera ovunque.
Quando un evento alluvionale si attiva, la costellazione di ICEYE inizia il tasking dei satelliti sull'area colpita. Ottieni la prima mappa di estensione dell'alluvione entro 12-24 ore dal picco di inondazione, fornita come shapefile compatibili con i GIS a risoluzione di 30 metri. Estensioni aggiornate arrivano ogni 6 ore man mano che si verificano ulteriori passaggi satellitari.
La pipeline di triage che costruiamo fa quattro cose con questi dati. Primo, sovrapposizione del portafoglio: l'impronta dell'alluvione SAR viene intersecata con gli indirizzi geocodificati dei tuoi assicurati per calcolare il Valore Totale Assicurabile a rischio, suddiviso per tipo di copertura e massimale di polizza. La tua direzione sinistri riceve questo report prima che arrivi la prima denuncia FNOL. Secondo, instradamento dei periti: i periti sul campo vengono inviati solo verso le proprietà confermate come allagate dal SAR, il che in genere riduce del 40-60% i sopralluoghi inutili. Terzo, stima della gravità: combinando la profondità dell'alluvione derivata dal SAR per ogni proprietà con la quota del primo piano stimata da computer vision, calcoliamo la profondità stimata di infiltrazione d'acqua, che si mappa direttamente sulle curve di danno del modello Hazus della FEMA.
Quarto, segnalazione delle frodi: qualsiasi denuncia FNOL proveniente da una proprietà che i dati SAR mostrano essere stata asciutta durante l'evento viene automaticamente indirizzata alla SIU. Il problema del double-bounce urbano nei dati SAR comporta falsi negativi nelle aree urbane dense, circa il 15% delle proprietà. Lo gestiamo con un riferimento incrociato satellitare ottico quando la copertura nuvolosa si dirada, in genere 48-72 ore dopo l'evento. Il sistema funziona come servizio gestito durante gli eventi e in stato dormiente tra di essi, così non paghi per un'infrastruttura inattiva.
La maggior parte dei modelli di alluvione commerciali, inclusi i punteggi dei fornitori che puoi acquistare oggi, è fondamentalmente retrospettiva. Si addestrano su dati storici di perdite e osservazioni satellitari, il che significa che modellano il clima che era, non il clima che sarà. Per una polizza di 1 anno, è accettabile. Per la strategia di portafoglio, l'adeguatezza delle riserve e le negoziazioni dei trattati di riassicurazione, è una vera lacuna.
La risposta tecnica sono le reti neurali informate dalla fisica. Invece di addestrarsi unicamente su eventi alluvionali storici, una PINN incorpora le equazioni di Saint-Venant (conservazione della massa e della quantità di moto per il flusso di un fluido) direttamente nella funzione di perdita. Ciò significa che il modello non può prevedere acqua che appare senza una sorgente o che scorre in salita. Quando le dai uno scenario di pioggia sintetico che supera qualsiasi cosa nel record storico, i vincoli fisici mantengono l'output fisicamente plausibile.
L'integrazione da parte di Swiss Re dei dati Fathom in set di eventi probabilistici a 50.000 anni rappresenta il settore che si muove in questa direzione. Costruiamo modelli surrogati a livello di proprietà che approssimano simulazioni idrodinamiche complete in millisecondi. Questi non sono pronti per la produzione per la tariffazione in tempo reale oggi. Ma sono essenziali per l'analisi degli scenari catastrofali, il test di adeguatezza delle riserve e le presentazioni di riassicurazione in cui devi dimostrare l'esposizione del tuo portafoglio a eventi non ancora accaduti. Li usiamo accanto ai punteggi dei fornitori: ZestyAI per il rischio di oggi, modelli informati dalla fisica per quello di domani.
Un incarico tipico dura 16-24 settimane attraverso quattro fasi. La Fase 1 (3-4 settimane) è la diagnostica del portafoglio: analizziamo il tuo portafoglio attuale, identifichiamo dove la tua tariffazione si discosta dal rischio a livello di proprietà e quantifichiamo l'esposizione alla selezione avversa. Questa fase rivela in genere da 2 a 5 milioni di dollari di fuga di valore annua su un portafoglio con 200 milioni di dollari di premi sottoscritti, il che finanzia il resto dell'incarico.
La Fase 2 (6-8 settimane) è lo sviluppo del modello: costruzione del motore di scoring multi-fonte, dei micromodelli pluviali per le tue geografie chiave e dell'integrazione Guidewire/Duck Creek. La Fase 3 (4-6 settimane) è la preparazione regolatoria: analisi dell'impatto disparato, relazioni attuariali e pacchetti di istanza al DOI per i tuoi stati prioritari. La Fase 4 (3-6 settimane) è la messa in produzione e il primo ciclo di rinnovo con tariffe potenziate dall'IA.
Il budget dipende dall'ambito. Un incarico mirato che copre uno stato e un rischio (flood privato in Florida, per esempio) costa 350.000-500.000 $. Un programma multi-stato e multi-rischio che copre alluvione, vento e incendi boschivi con pieno supporto di istanza al DOI costa 800.000-1.500.000 $. Per gli MGA, i numeri sono in genere più bassi perché il portafoglio è più piccolo e si presentano istanze in meno stati. Strutturiamo gli incarichi in modo che la Fase 1 sia un deliverable autonomo. Se la diagnostica del portafoglio non trova una fuga di valore su cui agire, ti fermi lì.
Le fondamenta tecniche dietro questa pagina di soluzione.
Architettura tecnica per l'estrazione della FFE basata su computer vision, le pipeline di monitoraggio delle alluvioni SAR e le reti neurali informate dalla fisica per la simulazione idrodinamica nella sottoscrizione assicurativa.
La diagnostica del portafoglio richiede 3-4 settimane e si ripaga da sola identificando le proprietà in Zona X mal prezzate nascoste nel tuo portafoglio.
La diagnostica del portafoglio richiede 3-4 settimane. Se non troviamo una fuga di valore su cui agire, ti fermi lì. Se la troviamo, il business case per lo scoring IA a livello di proprietà si scrive da solo.