Data Science in der Assekuranz

Unternehmen besitzen heute mehr Daten über ihre Kunden als je zuvor. Ein wertvolles Asset, um dessen immense Bedeutung auch die Versicherungsbranche weiß. Und die Bedeutung von Daten wächst, insbesondere vor dem Hintergrund der Risiken durch Klimawandel, globale Krisen, wirtschaftliche Unsicherheiten und technologischen Fortschritt, wie die Studie „The Data-Powered Insurer“ der Beratungsgesellschaft Capgemini (Januar 2022) hervorhebt.

Das Datenvolumen ist durch die schnell voranschreitende Digitalisierung, den Einsatz neuer Technologien und die umfassende Vernetzung (IoT) in den vergangenen Jahren rasant gewachsen. Nach Angaben von Statista lag das weltweit erzeugte digitale Datenvolumen im Jahr 2020 bei gut 64 Zettabyte. Würde man diese Datenmenge auf DVDs speichern, wäre der Stapel fast drei Millionen Kilometer hoch. Zum Vergleich: Der Erdumfang beträgt rund 40.000 km. Bis zum Jahr 2025 soll sich das Datenaufkommen fast verdreifachen – auf rund 181 Zettabyte.

Wie die internationale Capgemini-Studie „The Data Powered-Insurer“ herausfand, erschließen über 40 Prozent der Versicherer mit Hilfe von Daten Nischenmärkte oder neue Marktsegmente, die sie zuvor als zu riskant bewertet hatten, verlagern ihren Schwerpunkt von Absicherung auf Prävention und überdenken ihre versicherungsmathematischen Annahmen. Dabei sollten die länderspezifischen Datenschutzgesetze berücksichtigt werden.

Als Beispiele nennt CapGemini unter anderem den japanischen Versicherungskonzern Tokio Marine. Das Unternehmen hat ein KI-gestütztes Produkt entwickelt für chronisch kranke Senioren, für die es oft schwierig ist, umfassenden Versicherungsschutz zu erhalten. Oder der US-Autoversicherer Allstate, der Telematik nutzt und die gesammelten Daten auch anderen Versicherern und Unternehmen als Telematik as a Service (TaaS) anbietet.

„Versicherer mit Echtzeit-Datenquellen wie Telematik, Wearables und Social-Media-Daten werden in der Lage sein, die steigenden Kundenerwartungen an Komfort, individuelle Beratung und dynamische Preisgestaltung zu erfüllen.“ Diese Versicherer bezeichnet Capgemini als „Insurance Data Masters“. Zu diesen „Data Masters“ zählen überwiegend große Versicherungskonzerne (vor allem aus China und Japan) mit einem Umsatz von mehr als 20 Milliarden Euro. Für die Studie wurden 510 Führungskräfte aus 204 Versicherungsunternehmen befragt.

Das Geschäftsmodell der Assekuranz basiert schon seit jeher auf Daten. Das Kerngeschäft von Versicherern beruht auf der Fähigkeit, Risiken zu bewerten, deren Kosten im Kollektiv zu managen und zu minimieren. Die Grundlage dafür sind: Daten. Schon im 18. Jahrhundert nutzte die Branche mathematische Methoden zur Datenanalyse. Heute steht eine gewaltige Datenmenge zur Verfügung und die Herausforderung ist es, diese Massendaten zu strukturieren, auszuwerten und daraus Wissen zu generieren.

Mit den neuen digitalen Technologien stehen effiziente Verfahren zur Verfügung, die es ermöglichen, die explosionsartig wachsenden Datenmengen intelligent auszuwerten. Künstliche Intelligenz (KI) gilt dabei als Schlüsseltechnologie. Inzwischen ist die Aufbereitung, Analyse und Darstellung von Daten zu einer Wissenschaft für sich geworden: Data Science (Datenwissenschaft). Das interdisziplinäre Gebiet zielt im Kern darauf ab, aus Daten Erkenntnisse zu gewinnen, die als Grundlage für Geschäftsentscheidungen und Vorhersagen verwendet werden können. Dabei werden statistische Methoden oder Methoden des Maschinellen Lernens als Verfahren der KI unter Ausnutzung entsprechender Recheninfrastrukturen auf Massendaten angewendet mit dem Ziel, fachspezifische Fragestellungen zu beantworten.

So wird z.B. aus Daten, die Hinweise auf das Verhalten, die Vorlieben, die Routinen oder wichtige Lebensstationen des Kunden geben, Wissen herausgefiltert, das dabei hilft, den Kunden besser zu verstehen, passgenaue Angebote zu gestalten oder Abläufe zu optimieren. Die konkrete Analyse der Daten wird auch als Data Mining bezeichnet. Darunter versteht man die systematische Anwendung von Verfahren des maschinellen Lernens, um (versteckte) Zusammenhänge, Muster und Trends in Datenbeständen zu erkennen.

Für die Versicherungswirtschaft bieten die Methoden enormes Potenzial. Data Science kann z.B. im Rahmen von Predictive Analytics genutzt werden. Darüber hinaus gibt es noch zahlreiche weitere Einsatzmöglichkeiten wie die nachfolgend aufgeführten Beispiele zeigen.

Effiziente Betrugserkennung durch Maschinelles Lernen

Verfahren des Maschinellen Lernens bieten auch in der Betrugserkennung erhebliches Potential. In Zusammenarbeit mit dem Betrugserkennungsspezialisten FRISS bietet msg insur:it eine innovative und automatisierte KI-Lösung zur Betrugserkennung in der Schadenregulierung. Die Lösung nutzt eine Vielzahl interner und externer Datenquellen, leistungsstarke KI-Techniken sowie Risiko- und Betrugsindikatoren, um betrügerische Schadenersatzansprüche zu analysieren und zu erkennen.

Immer kommunikationsbereit: Large Language Models in der Assekuranz

Large Language Models (LLMs) wie ChatGPT basieren ebenfalls auf Verfahren des Maschinellen Lernens. Die computerbasierten Sprachmodelle werden mit Hilfe des Maschinellen Lernens trainiert, aus riesigen Datenmengen Regeln und Muster der natürlichen Sprache zu erlernen.  Sie verstehen, verarbeiten und generieren natürliche Sprache. LLM-Lösungen bieten großes Potential und sind in der Assekuranz vielfältig einsetzbar, ob in der Kundenkommunikation, bei der Schadenaufnahme, in der Dokumentensuche oder als internes Assistenzsystem.

Auch msg insur:it befasst sich intensiv mit dem Einsatz von LLMs: So wird derzeit ein Wissensmanagement für die msg.Life Factory und ein Insurance Large Language Model aufgebaut. Außerdem entwickelt msg insur:it ein LLM-basiertes Issue Management.

Unter Verwendung verschiedener Verfahren des Maschinellen Lernens hat msg insur:it eine Lösung für die Teil-Automatisierung von Migrationen entwickelt, die bereits in der Praxis eingesetzt wird. Die Lösung ermöglicht es, die Überführung aktuarieller Funktionen mit Hilfe von Machine Learning automatisiert zu unterstützen. Das Verfahren verwendet neuronale Netze für versicherungstechnische Berechnungen – ein Novum in der Versicherungsbranche. Das Verfahren wird derzeit von msg insur:it weiterentwickelt. Aktuell stehen bereits Whitebox-Modelle zur Verfügung, die erklärbar und nachvollziehbar sind, so wie wir es von konventionellen Methoden gewohnt sind. Die Migration von Versicherungsbeständen ist meist aufwendig und teuer, doch mit der Teilautomatisierung lassen sich Migrationen zu vertretbaren Kosten umsetzen.