Vorhersagen auf der Basis strukturierter und historischer Daten zu entwickeln, gehört zum Tagesgeschäft der Versicherungswelt. Digitalisierung und Vernetzung erfordern jedoch ein schnelleres Vorgehen. Predictive Analytics eröffnet hier neue Möglichkeiten.
Die Versicherungswirtschaft musste schon immer versuchen, die Zukunft in einem gewissen Rahmen vorherzusagen. Die neue Technologie der „Predictive Analytics“ unterstützt die Gesellschaften dabei. Bei diesem Ansatz geht es darum, auf Basis von Datenmodellen Vorhersagen darüber anzustellen, wie sich eine Situation in Zukunft entwickeln kann.
Maschinelle Unterstützung bei der Analyse der aktuellen Situation sowie Vorhersagen über die weitere Entwicklung werden für Versicherer immer stärkere Bedeutung erhalten. So sind während der vergangenen Jahre in einigen Sparten die Kosten gestiegen, beispielsweise im Bereich Wohnen durch die Schäden immer häufiger auftretender extremer Wetterereignisse. Die fortschreitende Vernetzung und Digitalisierung der Gesellschaft schafft neue Risiken, gegen die sich Versicherte absichern möchten. Während sich die Gesellschaften bei der Versicherung von Gebäuden gegen Hochwasserschäden auf solide historische Daten verlassen konnten, gibt es solche Anhaltspunkte für Cyberrisiken nicht. Vorhersagen in diesem Segment werden zusätzlich dadurch erschwert, dass sich die Bedrohungslage nahezu in Echtzeit verändert. Zudem wird der Lebensraum durch die klimatischen Verwerfungen derart beeinflusst, dass Vorhersagen über eintretende Risiken ausschließlich aus historischen Daten heraus schwieriger werden.
Wohngebäude- und Cyberversicherung sind Beispiele dafür, wie maschinelle Vorhersagen Versicherungsgesellschaften unterstützen können.
Predictive Analytics hilft nicht nur beim Underwriting
Maschinelle Methoden können Muster dort erkennen, wo dies selbst für erfahrene Mitarbeiter nicht möglich ist. Das gilt vor allem bei der Identifizierung von Zusammenhängen zwischen Risikofaktoren und Ereignissen, zwischen denen sich keine linearen Bezüge herstellen lassen.
Wettbewerbsvorteile erringen solche Gesellschaften, die künftige Haftungsrisiken besser vorhersagen können. Underwriting-Prozesse basier(t)en stark auf Erfahrungswerten, sowohl der Gesellschaft als auch des einzelnen Mitarbeiters. Neue Arten von Risiken, wie Cybervorfälle, sind schwieriger einzuschätzen. Predictive Analytics kann dort die Qualität und Effizienz bei der Risikoprüfung steigern.
Maschinelle Vorhersagen im Underwriting sind ein Beispiel für Predictive Analytics in den Gesellschaften. Auch im Marketing können die Methoden Vorteile verschaffen und die Effizienz des eigenen Tuns erhöhen.
Aus den vorliegenden Daten lassen sich beispielsweise Vorhersagen über die Neigung eines Kunden zu einem Produkt ermitteln. Dazu werden die Abschlüsse und Beratungsinhalte aus dem Datentopf der Gesellschaft mit externen Informationen angereichert. Diese Vorhersagen helfen dann sowohl bei der Produktpräsentation online als auch im Beratungsprozess beim Makler.
Die Kosten für die Gewinnung eines Neukunden sind höher als die für die Kundenbindung. Predictive Analytics kann den Kundenstamm analysieren, Unzufriedenheit bei Kunden rechtzeitig erkennen und die Kunden oder Kundensegmente identifizieren, welche das größte Risiko für eine Abwanderung besitzen. Damit können rechtzeitig Maßnahmen ergriffen werden, um gegenzusteuern.
Maschinelle Methoden ersetzen nicht den Menschen
Die IT-basierten Methoden zur Datenanalyse können die Mitarbeiter bei der gezielten Identifizierung von Betrugsfällen unterstützen. Sie erkennen Muster und Auffälligkeiten. Ob es sich dabei um Betrug handelt, muss der Mensch erkennen. Ihm kommt die Aufgabe zu, endgültige Schlüsse aus den Mustern zu ziehen. Das gilt ebenso für den Einsatz in anderen Bereichen. Der Mensch muss den Kontext der Daten verstehen, nur er kann die Ideen entwickeln, um für identifizierte Risiken neue Produkte zu entwerfen oder Maßnahmen zur Bindung von Kunden zu entwickeln. Predictive Analytics ist ein Werkzeug, um die Arbeit der Mitarbeiter zu erleichtern und diese schneller, effizienter und genauer zu machen.
Datenqualität gewinnt an Bedeutung
Die Einführung von Predictive Analytics ist kein Selbstläufer. Ziel ist es, aus großen Datenmengen und komplizierten Strukturen Zusammenhänge abzuleiten. Dazu ist es notwendig, dass die Daten zwischen den verschiedenen Quellen ausgetauscht werden können. Die Datenqualität hat unmittelbaren Einfluss auf die Güte der Vorhersagen. Deswegen müssen Fehler in den Quellen gefunden und bereinigt werden. Hier stehen sich solche Gesellschaften selbst im Weg, die in ihren IT-Strukturen noch keine Transparenz beim Datenaustausch geschaffen haben.
Im ersten Schritt eines Projekts im Bereich Predictive Analytics stehen somit die Datenintegration, der Austausch von Daten aus unterschiedlichen Quellen sowie die Bereinigung von Fehlern und doppelten Inhalten im Fokus. In dem Projekt ist zudem die Frage zu klären, welche Daten aus fachlicher Sicht sinnvoll einbezogen werden können. Unter Umständen ist die Beschaffung und Integration von externen Daten sinnvoll. Sofern sensible und personenbezogene Daten zu untersuchen sind, müssen Maßnahmen ergriffen werden, die durch Anonymisierung und Pseudonymisierung den gesetzlichen Vorgaben genügen, aber valide Ergebnisse ermöglichen.
Mit Predictive Analytics bieten sich Versicherern Chancen zum Erreichen von Wettbewerbsvorteilen. Um von der Geschwindigkeit der automatisierten Analyse zu profitieren, sind zunächst die Voraussetzungen in der IT-Landschaft zu schaffen, was in den heterogenen Umfeldern vieler Rechenzentren der Versicherungswirtschaft nicht immer einfach ist.
