Data Analytics in der Schaden-/Unfallversicherung

Beispiele für Projekte, in denen wir Data Analytics und KI erfolgreich eingesetzt haben:

Erweiterung und Verbesserung der Tarifierung
Der zielgerichtete Einsatz von Data Analytics und KI optimiert 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 und hier.

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.


Identifikation regionaler Differenzierung
In der Schadenversicherung sind regionale Differenzierungen in vielen Produkten üblich. Dabei werden häufig Credibility-Verfahren eingesetzt, um benachbarte Gebiete anzugleichen und Cluster / Gruppen zu identifizieren. Vertriebliche Aspekte werden dabei berücksichtigt so, dass benachbarte Gebiete (z.B. PLZ-Gebiete) manuell angeglichen werden. Data-Analytics-Methoden können hier zu verbesserten, rein datengetriebenen Ergebnissen führen und dabei sowohl eine abstandsbasierte Glättung als auch eine nachbarschaftsbasierte Glättung berücksichtigen.