ifa informiert

Data Analytics in der Tarifierung

Die erfolgreiche Anwendung von Data Analytics zur Hebung verborgener Schätze in eigenen Daten zählt aktuell zu den zentralen Herausforderungen und zusehends als Wettbewerbs­faktor in der Versicherungsbranche.

Eine vieldiskutierte Anwendungsmöglichkeit liegt in der Verwendung von modernen Machine-Learning-Methoden zur aktuariellen Tarifierung. Ein hohes Maß an Modell- und Daten­verständnis vorausgesetzt liefert der Einsatz von State-of-the-Art-Modellen wie Random Forests, Boosting Machines oder neuronalen Netzen in der Regel eine deutliche Verbesserung in der Prognose von Schadenbedarfen.

Allerdings steht diesem Gewinn in der Vorhersagegüte der große Nachteil als sogenannte „Black Box“ gegenüber, also der grundsätzliche Verlust der Interpretierbarkeit des Modells und somit auch der Kenntnis, wie sich der Preis zusammensetzt. Vor allem gehen gegenüber klassischen aktuariellen Methoden wie Verallgemeinerten Linearen Modellen (GLM) bewährte Stellschrauben (z.B. Dämpfung und Spreizung von Ratingfaktoren im Tarifmodell) verloren.

Das ifa nutzt die ganze Bandbreite moderner Data-Analytics-Methoden, die sich zur verbesserten Tarifierung nahtlos in die klassische Anwendung von GLM integrieren lassen. Diese Vorgehensweise ist beispielsweise dazu geeignet

• eine in die Modellanpassung integrierte Variablen- und Interaktionsselektion automatisiert und datengetrieben durchzuführen,
• neue oder granularere Tarifmerkmale beim Fitting implizit zu dämpfen,
• aus großen Datenmengen (Big Data, z.B. Telematik- oder Internetdaten) aggregierte Merkmale („Scores“) für das GLM mittels komplexer Mustererkennung herzuleiten oder
• im GLM bisher nicht erkannte nicht-lineare Effekte zu identifizieren und geeignet zu berücksichtigen.

Das ifa beschäftigt sich seit mehr als 15 Jahren schwerpunktmäßig mit dem Thema Data Analytics und unterstützt Versicherer bei der Anwendung moderner Methoden des Machine Learning im Rahmen aktuarieller Tätigkeiten wie z.B. der Tarifierung.

Weitere Informationen: