Sie sind hier: Startseite - Beratungsfelder - Schaden-/​Unfallversicherung - Data Analytics

Data Analytics in der Schaden-/Unfallversicherung

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.

Anwendungsbeispiele:
  • Data Analytics bietet eine Erweiterung der Toolbox des Aktuars zur verbesserten Tarifierung. Sinnvoll eingesetzt optimiert es die Schätzung von erwarteten Schadenbedarfen, ohne die Möglichkeiten zur Interpretation, Kommunikation und Tarifmodellierung zu verlieren.
    • Die klassische Risikomodellierung mit verallgemeinerten linearen Modellen (Generalized Linear Models, GLMs) lässt sich durch den Einsatz sog. elastischer Netze effizienter gestalten. Rein datengetrieben werden nicht-lineare Transformationen von Merkmalen oder Gruppen einzelner Merkmalsausprägungen unter simultaner Kalibrierung aller Merkmale erkannt und automatisch an die beobachteten Daten angepasst. Da die Risikofaktoren in bewährter GLM-Struktur vorliegen, ist die nahtlose Integration in den weiteren Tarifierungsprozess gegeben:

      Details zu diesem Ansatz finden Sie in diesem Vortrag.
    • Komplexere Machine-Learning-Verfahren können gewinnbringend zur Unterstützung der bestehenden Modellierung eingesetzt werden. Gemäß dem Prinzip „Ergänzen statt Ersetzen“ reichen Anwendungen von der Auswertung neuer Big-Data-Datenquellen über die verbesserte Erkennung von nicht-linearen Zusammenhängen und versteckten Interaktionen bis hin zum Benchmarking des GLMs zur Identifizierung defizitärer Teilbestände.
  • Die Schadenregulierung, also die Prüfung, Bearbeitung und Abwicklung von Schäden, ist ein umfangreicher, meist schadenindividuell verlaufender und manuell gesteuerter Prozess.

    Im Laufe dieses Prozesses entstehen viele Daten zum Schaden und zu einzelnen Bearbeitungsschritten, die um Angaben zur versicherten Person und deren Vergangenheit angereichert werden können. Mit Data Analytics ist es möglich, die Beleg- und Rechnungsprüfung anhand von erwarteten Korrekturpotenzialen zu steuern, um Bearbeitungskosten zu senken und den Regulierungsprozess zu beschleunigen. Eine Fallstudie zur Automatisierung des Regulierungsprozesses und weitere Anwendungsmöglichkeiten finden Sie hier.
Weitere Anwendungsbeispiele finden Sie hier oder direkt bei den Sparten Leben und Kranken.
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]