Sie sind hier: Startseite - Beratungsfelder - Spartenübergreifende Themen - Data Analytics

Data Analytics

Versicherungsunternehmen besitzen große Datenmengen, die zahlreiche Informationen z.B. zu Kunden und Schäden enthalten. Data Analytics beinhaltet die intelligente Informationsgewinnung aus solchen Daten und die praktische Umsetzung der daraus gewonnenen Erkenntnisse.

Wesentliche Prozessschritte sind

  • die Überführung der unternehmerischen Zielsetzung in eine mathematisch-statistische Problemstellung,
  • die Konkretisierung der dafür notwendigen Datenanforderung,
  • die technische Datenanalyse,
  • die kontextbasierte Auswertung,
  • die Interpretation und Kommunikation von gewonnenen Erkenntnissen sowie
  • die daraus abgeleitete Entscheidungsfindung und Umsetzung.

Neben klassischen Ansätzen der Datenanalyse und Statistik kommen insbesondere auch Methoden des Machine Learnings zur Anwendung (Advanced Analytics). Wir unterstützten Unternehmen bei unterschiedlichen Zielsetzungen:

  • Beim Data Mining werden komplexe Muster identifiziert, um neues Wissen zu generieren. Hierzu werden u.a. Clustering-Verfahren eingesetzt, um systematische Zusammenhänge in Daten zu erkennen und somit beispielsweise Kundengruppen zu klassifizieren oder Auffälligkeiten in deren Verhalten zu entdecken.
  • Beim Predictive Modelling werden bestmögliche individuelle Vorhersagen für eine optimale Entscheidungsfindung bestimmt. Durch diese Identifizierung systematischer Vorhersageregeln für neue Daten können beispielsweise Schäden, zukünftige Hochkostenfälle oder Stornowahrscheinlichkeiten projiziert werden.

Anwendungsbeispiele:

  • Cross- und Upselling: Vorhersage auf Basis des Bestands, welche Kunden wahrscheinlich bereit sind, einen weiteren Vertrag (spartenübergreifend) abzuschließen oder den bestehenden Vertrag zu erhöhen.
  • Im Rahmen des Vertriebscontrollings können Vertriebspartner analysiert, kategorisiert und nach Auffälligkeiten untersucht werden. Mit Clusteralgorithmen und Veränderungsanalysen lassen sich Vertriebspartner beispielsweise abhängig von der Güte ihres Geschäfts (Storno, Kundenwert, Volumen) in Cluster einsortieren und daraus Maßnahmen zur Incentivierung ableiten.
  • Im Kontext der Stornoprophylaxe kann für jeden Kunden individuell prognostiziert werden, mit welcher Wahrscheinlichkeit er seinen Vertrag stornieren wird. Bei Anwendung entsprechender Modelle lässt sich auch mehr über die auslösenden Faktoren lernen.

Weitere Anwendungsbeispiele finden Sie direkt bei den Sparten Leben, Schaden/Unfall und Kranken. Allgemeine Informationen zur Funktionsweise von Data Analytics finden Sie hier.

Wichtige Informationen:

ifa aktuell:
Data Analytics in der BU-Versicherung (mit Vorstellung am 26.05.2021 im Livestream)

Die zunehmende Anzahl von Merk­malen, die beim Abschluss einer Berufsunfähigkeitsversicherung abgefragt werden, führt aus aktuari­eller Sicht zu mehr Komplexität in der Prämienkalkulation. Die mathe­matischen Methoden müssen entsprechend Schritt halten. Methoden von Data Analytics können beispielsweise mittels Entscheidungs­bäumen Abweichungen von erwar­teten zu tatsächlichen Inzidenzen aufzeigen. Dies nutzt man heute bereits häufig im Risikocontrolling. Solche Erkenntnisse können aber natürlich auch für die Prämienkalku­lation genutzt werden. [mehr]

ifa informiert:
Auswirkungen von Garantien auf inflationsbereinigte Chancen und Risiken langfristiger Sparprozesse

Die hohe Garantieerfordernis bei Riesterprodukten und in der bAV ist im aktuellen Zinsumfeld sehr kritisch zu sehen. Daher sollte unbedingt berücksichtigt werden, dass ein moderates Absenken der Garantieerfordernis beim aktuellen Zinsniveau besonders viel Renditepotenzial bewirkt und das inflationsbereinigte Risiko nur in geringem Umfang erhöht. [mehr]

Neuigkeiten in Kürze:

Konkretisierung zur Offenlegung von Nachhaltigkeitsaspekten (ESG) im Zuge der Transparenzverordnung erschienen [mehr]

PRIIP: Europäische Aufsichts­behörden veröffentlichen überarbeitete RTS [mehr]

Verbesserungspotenzial in Excel®-Dateien [mehr]

Interne Revisionsprüfungen im Kontext von Solvency II und ALM [mehr]

Aktuarielle Software effizient testen [mehr]