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.
    • In der Schadenversicherung macht die geografische Analyse auf einen Blick erkennbar, in welchen Regionen Produkte profitabel oder defizitär sind und wo Spielräume für Beitragsrabatte existieren.
      Hier, aber auch in anderen Sparten kann man beispielsweise durch Analyse von Vertragsparametern Erkenntnisse über Marktdurchdringung und regionale Schwerpunkte in der Gestaltung von Versicherungsschutz gewinnen.
      Aus solchen Erkenntnissen abgeleitete Anpassungen am Tarifmodell oder geplante Vertriebsmaßnahmen können anschließend wiederum mit der identischen Visualisierung untersucht werden, um die Auswirkung geplanter Maßnahmen a-priori abzuschätzen.
  • Die Schadenregulierung, also die Prüfung, Bearbeitung und Abwicklung von Schäden, ist ein umfangreicher, meist schadenindividuell verlaufender und manuell gesteuerter Prozess.
    Dabei 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.
  • Im Risikomanagement können feingliedrige Visualisierungen der geografische Analyse, z.B. auf Kreisebene, helfen, Kumulrisiken zu erkennen. Die geografische Analyse der Entwicklung von Schadenquoten oder anderer Risikokennzahlen im Zeitverlauf kann aufzeigen, wie Risiken in gewissen Regionen zu- oder abnehmen.
Weitere Anwendungsbeispiele finden Sie hier oder direkt bei den Sparten Leben und Kranken.
Wichtige Informationen:

ifa aktuell:
Provisionsverbot und Kleinanlegerstrategie – Plädoyer für eine Koexistenz von Provision und Honorar bei Altersvorsorgeprodukten

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]

ifa informiert:
Die Zukunft der Lebenserwartung – Wie sollten Aktuare mit der Unsicherheit umgehen?

Die Zukunft der Lebenserwartung ist aktuell so unsicher wie selten zuvor. Das ifa hat im Rahmen der Herbsttagung der DAV auf diese Unsicherheit hingewiesen und vorgestellt, wie Aktuare in der Produktentwicklung und im Risikomanagement mit dieser Unsicherheit umgehen können. [mehr]

Neuigkeiten in Kürze:

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]