Intelligent durch den Datenwald: Predictive Analytics

Topics: Welchen Sinn hat Big Data für die Versicherungsbranche?

Fabian Winter: Big Data macht für uns in zweierlei Richtungen Sinn: Zum einen können wir bestehende Prozesse über die gesamte Wertschöpfungskette hinweg optimieren und automatisieren: im Vertrieb, in Underwriting, Pricing und Schaden. Zum anderen bedeutet Big Data auch, komplett neue Risiken durch eine ausreichend gute Datenlage versicherbar zu machen.

Patrick Sullivan: Wir sehen uns genau an, wie wir die zunehmende Verfügbarkeit von Daten für neue Produkte und Märkte nutzen können. Lebensversicherer stehen zum Beispiel vor der Herausforderung, den Kauf von Versicherungen für ihre Kunden einfacher zu machen. Big Data kann hier Underwriting-Erfordernisse ersetzen, die vom Kunden als aufdringlich empfunden werden.

Wie sieht die Datensituation in den Bereichen Life und Health derzeit aus?

Fabian Winter: Gerade im Health-Bereich bewegen wir uns in einem äußerst datenreichen Umfeld, da Versicherungsfälle hier sehr häufig sind. Dadurch entstehen automatisch große Tabellen. Diese wichtigen internen Informationen werden angereichert durch neue Datenquellen wie Wearable Devices, die weitere Informationen zu körperlicher Aktivität, Lebensstil oder Essgewohnheiten ergänzen.  

Patrick Sullivan: In den USA gibt es viele Datenquellen von Drittanbietern, die ein beschleunigtes Underwriting und intelligentes Schadenmanagement unterstützen. In Life und Health haben wir selbstverständlich ein großes Interesse daran, Medizin- und Gesundheitsdaten zu nutzen. Aber die Datensituation ist ganz wesentlich von der geltenden Rechtslage abhängig.

Big Data und Business Analytics gelten als Traumpaar. Welche Art von modernen Datenanalyseverfahren wenden Sie an, um Risiken bestmöglich zu modellieren und zu prognostizieren?

Patrick Sullivan: Die zunehmende Rechnerleistung hat Machine Learning-Techniken wie Random Forest und ausgefeilte Klassifikationsbaum-Methoden populär gemacht. Aber: Wir müssen sicherstellen, dass Kunden, Vertriebspartner und Regulatoren die Faktoren, die das Modell steuern, verstehen. Das heißt, wir benötigen durchschaubare Techniken, sind aber stets in der Lage, komplexere Methoden anzuwenden, um unsere prognostische Genauigkeit nach oben auszudehnen.

Fabian Winter: Wir können mit weitaus komplexeren Algorithmen umgehen als noch vor wenigen Jahren. Aber Modell-Komplexität kann schnell zu falschen Schlüssen führen. Daher folgen wir einer alten statistischen Regel, die besagt, systematisch das einfachste geeignete Modell für die gegebenen Daten anzuwenden. In einem Satz: Wir versuchen, das beste, nicht das komplexeste Modell für die jeweilige Aufgabe zu finden.  

Wie können Sie zukünftige Entwicklungen in ihren Analysen abbilden?

Fabian Winter: Vorhersagen können sie im Zweifelfall nur Dinge, die sich zumindest partiell, also in Komponenten oder Teilbereichen, schon einmal zugetragen haben. Eine neue Kombination von bekannten Effekten - und damit eine neue Situation - lässt sich mit Predictive Analytics im Gegensatz zu konventionellen Verfahren  gut vorhersagen. 

Patrick Sullivan: Wenn wir rückwärtsgerichtete Techniken mit fortschrittlichem Datenmanagement verknüpfen, das heißt schnelleren Zugang zu mehr Daten bekommen, sind wir in Life in der Lage, risikorelevante Entwicklungen früher zu erkennen. Ein Beispiel: Wenn wir bei der Antragsprüfung für eine Lebensversicherung  auf Laborbefunde verzichten, müssen wir die Angaben des Antragstellers zu potenziell risikoerhöhenden Erkrankungen oder Gewohnheiten schnell bewerten können.

Auf welchen Gebieten haben Sie mit Predictive Analytics in Life und Health bisher die größten Fortschritte erzielt?

Fabian Winter: Wir haben Predictive Modelling in den letzten Jahren unter anderem im Schaden- und Netzwerkmanagement verwendet, zum Beispiel zur Vorhersage von Betrug und Missbrauch, aber auch für die Erfolgsmessung bei Gesundheitsprogrammen. In enger Zusammenarbeit mit unseren Kunden haben wir in den letzten Jahren erfolgreich auch andere Anwendungen entwickelt, beispielsweise zur Optimierung von Vertrieb und Kundensegmentierung und zur Verbesserung von datenbasiertem, medizinischem Underwriting. 

Patrick Sullivan: Der Fokus bei Life in den USA liegt im Predictive Underwriting, d.h. wir nutzen Modelle, um die Verwendung von Risikoprüfungs-Kriterien mit Blick auf die Risikoauswahl und seine Zuordnung, etwa zu bevorzugten Risikogruppen, zu optimieren. Auch Cross-Selling ist für Erstversicherer immer ein Thema. Voraussetzung ist, dass unser Underwriting-Prozess sowohl die Erwartungen des Kunden als auch des Vermittlers erfüllt. Hier wurden durch Analytics große Erfolge in der Prozessvereinfachung erzielt.

Was ist Ihre persönliche Zukunftsvision im Bereich Data Analytics?

Patrick Sullivan: In Zukunft wird jede Entscheidung darüber, wie ein Risiko bewertet oder ob es getragen wird, von Datenanalysen unterstützt. Trotzdem sehe ich nicht, dass wir Entscheidungen generell an Maschinen übertragen. Wir werden Predictive Analytics sicher in vielen Situationen anwenden, ihr Wert ergibt sich jedoch  nicht einfach aus der Vorhersage. Der echte Differenzierungs- und Wettbewerbsvorteil liegt darin, die Gründe für die Vorhersage einzugrenzen und für weitere Bewertungen oder Maßnahmen zu verwenden. 

Fabian Winter: In der Gesundheitsversicherung hoffe ich, dass Big Data und Analytics den dortigen Kostenanstieg deutlich verlangsamen, teilweise sogar umkehren können, - mit dem Effekt, dass Gesundheitsversicherung auch weiterhin für möglichst viele Menschen finanzierbar bleibt. Zum anderen kann die Versorgung chronisch kranker Menschen durch die Analyse umfangreicher Daten hoffentlich anhaltend verbessert werden.