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.