[20.02.2012] Zurzeit kann man eine Renaissance der Data-Mining-Idee beobachten. Welche Einsatzbereiche finden sich bereits heute im Spektrum von Versicherung für Predictive Analytics, welche Chancen – welche Restriktionen – sind diesem Konzept gesetzt?

1. 42 VERSICHERUNGS-IT
Profitable Prognosen
Predictive Analytics (PA) bei Vertriebssteuerung und -controlling. Zurzeit kann man eine
Renaissance der Data-Mining-Idee beobachten. Welche Einsatzbereiche finden sich bereits heute im
Spektrum von Versicherung für Predictive Analytics, welche Chancen – welche Restriktionen – sind
diesem Konzept gesetzt?
Axel Kummer, COO bei Falk Lehmann, Head vom „Shift from measurement to analysis, fore-
metafinanz Informationssysteme. of Business Intelligence casting and optimization“.
bei metafinanz Informa- Die Entscheidungsträger sind durch die wach-
tionssysteme. senden Datenmengen gezwungen, auf immer
stärker prognoseorientierte Modelle zu setzen,
um künftige Entwicklungen am Markt zu anti-
zipieren und rechtzeitig agieren zu können. Seit
knapp zwanzig Jahren bereits werden Predicti-
ve-Analytics-Werkzeuge insbesondere in Bran-
chen wie der Telekommunikation, des Handels,
In Zeiten der Finanzkrise und eines für Versicherungen. Unter dem Begriff Predicti- des Bankings, aber auch in der Versicherungs-
sich dramatisch wandelnden Marktes ist der ve Analytics werden im allgemeinen Sprachge- wirtschaft erfolgreich eingesetzt.
Einsatz von zukunftsorientierten Prognosemo- brauch die zukunftsorientierte Datenanalyse
dellen auch in der Versicherungsbranche ein ak- sowie das Erstellen von Prognosemodellen ver- Versicherer sind im Umbruch
tuelles Thema. standen. Predictive Analytics wird dem The-
BI-Anbieter wie SAS und IBM (SPSS) setzen bei menbereich „Business Analytics“ zugerechnet, Nicht erst seit dem Ausbruch der Finanzkrise
der Weiterentwicklung ihrer BI-Plattformen der häufig als die Weiterentwicklung oder Er- im Jahr 2009 vollzieht sich im Versicherungs-
konsequent auf das Thema Predictive Analytics weiterung der klassischen Business Intelligence markt ein dramatischer Wandel. Einerseits trifft
– und bieten analytische Modelle und Lösungen bezeichnet wird. Gartner spricht hier treffend die Finanzkrise die Versicherungen hart, da sich
aufgrund der deutlich erhöhten Volatilität der
Marktbewertungen das Anlagerisiko stark er-
höht hat beziehungsweise die Anlagemöglich-
Predictive Analysis: Im Spektrum der BI-Technologien keiten für die eingenommenen Versicherungs-
beiträge stark eingeschränkt sind. Spätestens
seit der Griechenland-Krise sind Staatsanleihen
BUSINESS INTELLIGENCE TECHNOLOGIES – ein Hauptinstrument des Assetmanagements
Predictive analytics von Versicherungen – durchaus mit erheblichen
HIGH
Dashboards, scorecards Risiken belastet.
Niedrige Zinsen führen zu ernsten Problemen,
OLAP and visualization tools
da Versicherungen darauf angewiesen sind, ihre
Query, reporting & search tools Beitragseinnahmen wirtschaftlich anzulegen,
um künftige zu erwartende Risiken zu decken
und Mindestverzinsungszusagen halten zu
PREDICTION können.
COMPLEXITY
What might Anderseits verändert sich auch der Versiche-
happen?
MONITORING rungsmarkt selbst: Die Zeiten des stetigen
What’s happening Wachstums der Versicherungen sind – zumin-
now?
dest in den Industriestaaten – vorbei. In einem
ANALYSIS gesättigten Markt stagnieren die Beitragsein-
metafinanz Informationssysteme GmbH
Why did it
happen? nahmen. Aufgrund der Globalisierung drängen
REPOR- im Kampf um mehr Marktanteile zudem neue
TING internationale Anbieter in den deutschen
What
happened? Markt. Zugleich stiegen die Kosten der Schaden-
regulierung in den letzten Jahren stetig an. Ein
LOW BUSINESS VALUE HIGH
hoher Kostendruck und damit eine zunehmend
Quelle: TDWI. Grafik: vb geringe Marge für die Versicherungen ist die
Folge.
versicherungsbetriebe 1 2012

2. VERSICHERUNGS-IT 43
Der Wettbewerb um die Versicherungskunden auf seine persönlichen Bedürfnisse zugeschnit- lungen werden unterschiedliche mathema-
wird härter und auch die Kunden haben sich ten sind – und vor allem Premiumservices. Für tisch-statistische Verfahren des (datengetriebe-
verändert. Der traditionelle Versicherungskun- diese spürbaren Mehrwerte ist er bereit, höhere nen) Data Minings und der hypothesenbasier-
de – bei einem Versicherer versichert und treu Beiträge zu zahlen. ten multivariaten Statistik genutzt. Der Einsatz
an ihn gebunden – wird zunehmend von neuen Um sich diesen Entwicklungen stellen zu kön- von Data Mining dient hierbei der Entdeckung
Kundentypen verdrängt. nen, sind die Versicherer nun stärker gezwun- von komplexen Strukturen, Zusammenhängen
gen, frühzeitig die richtigen Entscheidungen zu oder Besonderheiten in großen Datenmengen.
Prognosen für neue Kunden treffen, die richtigen Produkte zur richtigen Die daraus abgeleiteten Hypothesen/Modelle
Zeit, über den richtigen Vertriebskanal dem werden dann mit Hilfe von realen Daten und
richtig ermittelten Kundentyp anzubieten. Und Algorithmen hinsichtlich ihrer Prognosegüte
Da gibt es den vertragsorientierten Kundentyp, ihre Services noch stärker an den Kundenbe- überprüft.
der dem „Best of Breed“-Ansatz folgend kosten- dürfnissen auszurichten.
orientiert seine Versicherungsrisiken beim je- Die Nutzung von mathematischen, statisti- PA-Erfolg will gemanaged sein
weils attraktivsten Versicherer abdeckt. Ein schen Verfahren für zukunftsorientierte Prog-
Trend, der sich maßgeblich auf das Internet mit nosemodelle ist kein neues Thema in der Asse- Dieser in der Praxis häufig auf dem „Cross-In-
seinen Vergleichsportalen und die daraus resul- kuranz. Zumindest nicht bei den größeren Ver- dustry Standard Process for Data Mining“
tierende Transparenz der Versicherungsangebo- sicherern. In fast allen großen Versicherungen (CRISP-DM) basierende Prozess wird im Kontext
te stützt. Für diese Kunden werden kostengüns- finden sich heute schlagkräftige Statistikabtei- der Predictive Analytics als Scoring bezeichnet.
tige Standardprodukte angeboten – die ohne lungen, die sich dediziert auch mit Predictive Dieses Vorgehen ist in vielen modernen Versi-
komplizierte Mechanik quasi industrialisiert Analytics beschäftigen. Wesentliche Prognose- cherungsunternehmen seit mehreren Jahren
erbracht werden können. und Analyseschwerpunkte liegen vor allem auf etabliert. Obwohl ein solch etabliertes Stan-
Demgegenüber steht eine zweite Kunden- dem analytischen Customer Relationship Ma- dardvorgehen existiert, sind darüber hinaus
gruppe, für die nicht der Preis, sondern viel- nagement beziehungsweise der Customer Intel- aber eine Fülle von Einflussfaktoren zu mana-
mehr die erbrachte Leistung im Vordergrund ligence sowie der damit eng verbunden Ver- gen, die über den erfolgreichen Einsatz von Pre-
steht. Dieser individualistische Kundentyp er- triebssteuerung. dictive Analytics in der Versicherungsbranche
wartet Versicherungsprodukte, die individuell Zur Beantwortung der fachlichen Fragenstel- entscheiden. Von zentraler Bedeutung für den
Anzeige Ausstellernews CeBIT 2012
wändig wieder eingeheftet und neue entnommen
Zeutschel zeta: aus Aktenordnern kopieren werden müssen. Für einfachste Handhabung sorgt
der rechts am Gerät angebrachte Touchscreen, der
Multifunktionsgerät für sich intuitiv bedienen lässt und eine Vorschau des
Scans ermöglicht.
das moderne Büro Konzipiert für den harten Büro-Alltag
Die intelligente Steuerungssoftware wurde für ty-
pische Büro-Anwendungen konzipiert und führt zu
In Banken und Versicherungen wird weiter fleißig zeigt mit der neuen zeta Office-Version, wie es einem optimierten Kopierergebnis. Störende Ele-
gescannt und kopiert – und zwar nicht nur lose geht. Bei dem Multifunktionsgerät liegen die Vor- mente wie die Ordnermechanik samt Hebel oder
Vorlagen. Oft müssen auch Dokumente aus Akten- lagen auf dem Rücken und werden von oben scho- die Lochung bei Dokumenten werden automatisch
ordnern oder Schnellheftern, aber auch Bilanzen nend gescannt. Nach jeder Kopie kann man be- entfernt, schief angelegte Seiten gerade gerückt
oder Seiten aus Büchern kopiert werden. Zeutschel quem umblättern, ohne dass Dokumente zeitauf- und verzerrte Buchstaben im Buchfalz entzerrt.
Und mit einer Scanfläche von A3+ verarbeitet zeta
auch größere Dokumente wie Bilanzen, benötigt
Die neue zeta aber im Vergleich zum klassischen A3-Kopierer in-
Office-Version ist klusive Papiermagazin deutlich weniger Stellflä-
auf die Kopier- che. Ist die digitale Kopie erstellt, kann der An-
anforderungen im wender diese auf USB-Stick abspeichern, per E-
Büro abgestimmt. Mail verschicken, auf einen FTP-Server hochladen
oder über angeschlossene Drucker in Papierform
ausgeben.
Außerdem ist zeta ein echter Hingucker, ein Gerät,
an dem man gerne arbeitet. Zwei Design-Aus-
führungen sind erhältlich: mit aluminiumfarbener
Ze ut sc he l au f
Außenseite oder weiß lackiert.
de r Ce BI T 20 12
Ha lle 3 / H1 5
www.zeutschel.de

3. 44 VERSICHERUNGS-IT
nehin lassen sich die Investitionen – abhängig
Praxis: CRoss Industry Process vom einzusetzenden Statistikverfahren – durch
die Nutzung kostengünstigerer Open-Source-
Werkzeuge wie zum Beispiel „R“ (www.r-pro-
ject.org) oder „RapidMiner“ (www.rapid-i.com)
begrenzen.
Der von einigen Data-Mining-Anbietern ver-
folgte Ansatz, in ihren Suiten vorkonfigurierte
versicherungsspezifische Prognosemodelle be-
reitzustellen, um die Einstiegshürden für klei-
nere Versicherungen zu senken, ist dabei zu
hinterfragen: Diese erfordern nämlich eine
Kombination von Fach- und Statistikwissen bei
den Analysten, außerdem sind die Prognose-In-
putdaten der Versicherer sehr heterogen.
Datenqualität im Trend
Ein echter Fortschritt in der Toolunterstützung
zeichnet sich indessen an anderer Stelle ab:
Durch den immer breiter werdenden Einsatz
von Prognosemodellen steigt auch die Komple-
xität und Vielzahl der in die Analysen einbezo-
genen Datenquellen. Somit gewinnt die Sicher-
Quelle: www.crisp-dm.org stellung der Datenqualität zunehmend an Ge-
wicht. Eine Entwicklung, der die Anbieter durch
die Integration von Data-Quality-Lösungen in
In der Praxis folgen wir dem CRossIndustry Standard Process (CRISP) for Data Mining. ihre BI-Suiten Rechnung tragen.
Gerade in kundenfokussierten Prognosen, deren
Ergebnis häufig zu direkter Kommunikation
Erfolg einer entwickelten Scorecard ist es insbe- gestellten datenschutzrechtlichen Anforderun- oder einer (mit Kosten verbundenen) Interakti-
sondere, die fachliche Zielsetzung zu klären und gen sowohl den Umfang als auch die Qualität on mit dem Kunden führt, ist eine qualitativ
das passende mathematisch-statistische Modell der zur Analyse heranziehbaren Daten maßgeb- hochwertige – systematisch qualitätsgesicherte
auszuwählen. Auch die Qualität der zugrunde- lich ein. Vor allem Mehrsparten-Versicherun- – Kundendatenbasis ein absolutes Muss. Wird
liegenden Datenbasis sowie die richtige Inter- gen, in denen die einzelnen Sparten Sach-, Kran- hier zu wenig getan, wirkt schnell das „GIGO“-
pretation der erzielten Prognoseergebnisse und ken- und Lebensversicherung in rechtlich selb- Prinzip: „Garbage In, Garbage Out“.
die daraus abgeleiteten Maßnahmen spielen ständigen Unternehmen organisiert sind, Die wichtigste Innovation stellt jedoch die im-
eine große Rolle. Auf den ersten Blick hört sich haben gerade in Bezug auf personenbezogene mer stärkere Verankerung von Scorecards in die
dies trivial an, ist es aber in keiner Weise. Daten strenge Regeln zu befolgen. operativen Geschäftsprozesse dar. Kommen
In der Praxis zeigt sich darüber hinaus, dass die heute analytische Prognosemodelle hauptsäch-
Prognosegüte – und damit der Nutzen – stark Investitionen schrecken noch ab lich im rein dispositiven Umfeld – wie zum Bei-
mit der versicherungsfachlichen und mathema- spiel der Vertriebs- und Aktionsplanung – zur
tisch-statistischen Kompetenz der durchfüh- Der Prozess der Scorecard-Modellierung ist Anwendung, so gewinnt künftig der systemati-
renden Data-Mining-Spezialisten korrelieren. selbstverständlich toolgestützt und basiert auf sche Einsatz in operativen Anwendungssyste-
Im Versicherungsumfeld kommen im Hinblick dem Einsatz statistischer Werkzeuge. Eigen- men an Bedeutung. Immer mehr Werkzeugan-
auf die benötigten Kunden- und Vertriebsdaten ständige Data-Mining-Lösungen wie beispiels- bieter bieten daher die Möglichkeit, über defi-
einige weitere branchenspezifische Besonder- weise die des „SAS Enterprise Miner 6.2“ oder des nierte Serviceschnittstellen die zugrundeliegen-
heiten hinzu: Im modernen Versicherungsver- „IBM SPSS Modeler 14“ sind zurzeit allerdings in den Statistikkomponenten in operativen An-
trieb werden unterschiedlichste Vertriebswege, den Versicherungen noch kaum verfügbar, da wendungssystemen, wie zum Beispiel Weban-
wie AO-Vertreter, Makler, Strukturvertriebe, teilweise beträchtliche Investitionen damit ver- wendungen, zu integrieren. So werden bei-
Onlineplattformen, Internet oder B2B-Partner, bunden sind. Daher kommen bei der Scorecard- spielsweise Scorecards in Kundenportalen von
wie zum Beispiel Autohäuser oder Automobil- Entwicklung häufig die bereits für andere Zwe- Versicherungen eingesetzt, um den Kundendia-
hersteller, genutzt. Die Beschaffung (und cke eingesetzten statistischen Werkzeuge wie log zu analysieren und zu steuern.
Standardisierung) der zur Modellentwicklung beispielsweise „SAS| STAT“ zum Einsatz. Anhand bekannter Kundenmerkmale wird der
und -anwendung notwendigen Vertriebsdaten Dabei kann der Einsatz echter Data-Mining- jeweilige Portalbesucher unter Nutzung von
ist dabei eine große Herausforderung. Suiten zu einer erhöhten Scoring-Produktivität Scorecards in Echtzeit analysiert und die für ihn
Erschwerend wirkt hierbei auch die rechtliche führen. Zumindest zurzeit stellt dies aber – aus wahrscheinlich interessantesten Produkte und
Unabhängigkeit der Vertreterschaft, die als Sicht vieler Versicherer – noch keinen echten Services prognostiziert, die dann im Dialog an-
selbständige Handelsverteter rechtlicher und kritischen Erfolgsfaktor dar, da auch mit den gezeigt werden. Erste Erfahrungen zeigen, dass
wirtschaftlicher Eigentümer ihrer Daten sind. etablierten statistischen Werkzeugen gleich- Unternehmen so signifikante Steigerungen des
TDWI
Zusätzlich schränken die an die Versicherung wertige Ergebnisse erzielt werden können. Oh- Verkaufserfolges erzielen können. ½
versicherungsbetriebe 1 2012