Für private Krankenversicherungsunternehmen ist es wichtig, die Höhe der erwarteten künftigen Schadenzahlungen genau zu verstehen. Ob eine Beitragsanpassung notwendig ist, wird in der PKV durch den Auslösenden Faktor definiert. Das zugehörige Verfahren (lineare Extrapolation aus den vergangenen drei Beobachtungsjahren) ist in der Krankenversicherungsaufsichtsverordnung (KVAV) beschrieben und lässt wenig Handlungsspielraum. Für die Höhe der Beitragsanpassung ist der Auslösende Faktor jedoch nicht maßgeblich. Vielmehr kann eine bessere Prognose von zukünftigen Schäden eines Krankenversicherers durch Anwendung innovativer Methoden erreicht werden. Davon profitiert die Güte der Planungsrechnung: zukünftige Verläufe von Beiträgen, Überschüssen und RfB können besser prognostiziert werden.
Bewährtes neu interpretiert – unter diesem Motto hat sich das Institut für Finanz- und Aktuarwissenschaften (ifa) in einer Case Study für einen Krankenversicherer die Verbesserung der Vorhersagegüte von Prognosen mit Hilfe von datenbasierten Prädiktionsmodellen vorgenommen. Ausgangspunkt war ein Datensatz eines Vollversichertentarifs, wie man ihn bei jedem Versicherungsunternehmen vorfindet, d.h. pro Vertrag standen Merkmale wie die Erstattungen der letzten Jahre, aber auch die für die Kalkulation ohnehin vorhandenen Merkmale wie Alter, Selbstbehalt oder berufliche Stellung zur Verfügung. Weitere Merkmale wie die historische Entwicklung der Prämien sowie Risiko- und sonstige Zuschläge sowie das Geschlecht und der Vertriebsweg wurden zugespielt, um die Güte des Prognosemodells zu verbessern.
Dabei wurden Ansätze zur Risikomodellierung aus anderen Sparten auf die Krankenversicherung übertragen und insbesondere eine getrennte Modellierung von Schadenhöhen und Schadeneintrittswahrscheinlichkeiten vorgenommen. Wie bei Data Analytics üblich, wurden weitere Merkmale abgeleitet, indem beispielsweise der Quotient aufeinander folgender Jahresschäden gebildet wurde. Zudem wurden verschiedene Modelle getestet und verglichen, um aus der Vielzahl der Merkmale die relevanten Merkmale zu ermitteln. Bei der abschließenden Bewertung der Modelle wurden dann modellierte Schäden mit den tatsächlich beobachteten Schäden verglichen. Durch die Verwendung der innovativen Methoden, die eine Berücksichtigung vielfältiger Merkmale ermöglichen, zeigte sich eine erhebliche Verbesserung der Prognosegüte. Die Datenanalyse im Bereich der Schadenzahlungen ist ein zentraler Bereich für einen Krankenversicherer, um sein Geschäft zu verstehen und angemessen steuern zu können. Die Anwendung moderner statistischer Verfahren kann dabei wertvolle Erkenntnisse liefern, die mit bewährten Methoden bislang nur ansatzweise erkannt werden.
Weitere Einsatzgebiete von Data Analytics in der Krankenversicherung finden Sie hier.
Im Zuge der Einführung der sogenannten „EU-Kleinanlegerstrategie“ wird derzeit auf EU-Ebene die Frage kontrovers diskutiert, ob provisionsbasierte Beratung bei Finanzprodukten stärker reguliert oder gar verboten werden sollte. Begründet wird die Forderung eines Verbots dabei mit Ergebnissen der sogenannten Kantar-Studie. Dies ist in doppelter Hinsicht problematisch: Die in der öffentlichen Diskussion angeführten Kostenargumente können gar nicht aus der Kantar-Studie abgeleitet werden. Argumente jenseits einer reinen Kostenbetrachtung, die gegen ein Provisionsverbot sprechen, werden komplett ausgeblendet. Um eine Indikation abzuleiten, für welche Typen von Verbrauchern welche Form der Beratungsvergütung kostengünstiger ist, haben wir für verschiedene Vergütungsmodelle quantitative Analysen durchgeführt. Hier hat sich deutlich ergeben, dass für Verbraucher, die regelmäßig eher kleine Summen sparen (die also im Rahmen der EU-Kleinanlegerstrategie besondere Beachtung erhalten müssten) provisionsbasierte Modelle meist kostengünstiger sind als Honorarmodelle. [mehr]
Produkte, die kein lebenslanges Einkommen bieten, sind viel riskanter als sie auf den ersten Blick erscheinen. Eine lebenslange Rente sichert das Risiko ab, welches daraus resultiert, dass niemand wissen kann, wie alt er oder sie wird, und daher nicht planen kann, bis zu welchem Alter die regelmäßigen Ausgaben finanziert werden müssen. [mehr]
BaFin beschreibt Zuordnungsansatz für Vermögenswerte im Rahmen der EU-Offenlegungsverordnung [mehr]
Value for Money bei Altersvorsorgeprodukten [mehr]
Update des Branchenstandards für PRIIP der Kategorie 4 erfordert Modellanpassungen [mehr]
Eiopa zu differenziertem Pricing in Schaden/Unfall [mehr]
Forschungsarbeiten zu Solvency II mit PwC Insurance Nord Preis ausgezeichnet [mehr]