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 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:
Studie zu Nutzen und Akzeptanz der Rentenversicherung

Jochen Ruß und Stefan Schelling (ifa und Uni Ulm) haben ausführlich analysiert, unter welchen Umständen eine Verrentung des angesparten Geldes sinnvoll ist und warum die Akzeptanz von Verrentung meist auch dann sehr gering ist, wenn eine Verrentung rational wäre. [mehr]

ifa informiert:
Kundenberatung der Zukunft

Die Reisensburg-Tagung wird seit 1993 jährlich vom ifa veranstaltet und führt Teilnehmer aus der obersten Führungsebene der gesamten Finanzdienst­­leistungs­branche zusammen, um Grundsatzfragen und mittel- bis langfristige Entwicklungen zu diskutieren. [mehr]

Neuigkeiten in Kürze:

Erfolgreiche Anwendung von Data-Analytics-Verfahren in der Storno­modellierung [mehr]

PRIIP-KID: Konsultation und Forschungsarbeit veröffentlicht [mehr]

Stochastischer Profittest und stochastische Sterblichkeiten [mehr]

Ergebnisbericht der DAV zu PRIIP-KID aktualisiert [mehr]

Forschungsarbeiten zu Solvency II mit Gauss-Preis ausgezeichnet [mehr]