[10.06.2012] Data Mining galt einst als Kerndisziplin der Business Intelligence. Nachdem es einige Zeit ruhiger um das Thema wurde, taucht das Konzept inzwischen unter dem Begriff Predictive Analytics wieder auf. In Zeiten der Finanzkrise und sich wandelnder Märkte gewinnen Prognosemodelle in der Versicherungsbranche an Bedeutung, und BI-Anbieter bieten entsprechende analytische Modelle und Lösungen dafür.

1. Predictive Analytics –
richtigen Produkte zur richtigen Zeit über den richtigen Vertriebskanal deler, was an den meist hohen Kosten liegt. Häufiger anzutreffen sind
anzubieten und ihre Services noch stärker an den Kundenbedürfnissen hingegen statistische Werkzeuge wie SAS/STAT. Zwar versprechen echte
auszurichten. Data Mining Suiten eine höhere Scoring-Produktivität, doch noch betrach-
Prognosemodelle als zukunftsträchtiges Management-Tool ten das viele Versicherer nicht als entscheidenden Erfolgsfaktor. Speziell
für kleinere Versicherungen
bieten Data-Mining-Anbie-
Data Mining galt einst als Kerndisziplin der Business In- und sich wandelnder Märkte gewinnen Prognosemodelle ter auch vorkonfigurierte
telligence. Nachdem es einige Zeit ruhiger um das Thema in der Versicherungsbranche an Bedeutung, und BI-An- Prognosemodelle an.
wurde, taucht das Konzept inzwischen unter dem Begriff bieter bieten entsprechende analytische Modelle und Lö-
Predictive Analytics wieder auf. In Zeiten der Finanzkrise sungen dafür. Eine andere Kategorie von
Tools, die ebenfalls im Pro-
gnosekontext an Bedeu-
Finanzkrise und Kulturwandel beeinflussen Versiche- tung gewinnt, sind Data-
rungsmarkt Quality-Produkte. Solche
Der Versicherungsmarkt befindet sich inmitten eines dramatischen Wan- Anwendungen, die die Qua-
dels. Einerseits zeigt die Finanzkrise Wirkung in Form volatilerer Marktbe- lität der verwendeten Daten
wertungen, die auch höhere Anlagerisiken nach sich ziehen. Hinzu kommen sicherstellen, sind in vielen
neuerdings Unsicherheiten bei den Staatsanleihen, die den Versicherern als BI Suiten bereits integriert.
Hauptinstrument beim Asset-Management dienen. Eine weitere Gefahr für Grundsätzlich sind zukunftsorientierte Prognosen in der Assekuranz Gerade bei kundenbezo-
das Geschäftsmodell sind außerdem die anhaltend niedrigen Zinsen, die es nichts Neues, fast alle großen Versicherungen beschäftigen sich mit Pro- genen Prognosen ist eine
den Versicherungen erschweren, ihre Beitragseinnahmen wirtschaftlich an- gnosen. Zu den typischen Aufgabengebieten gehört zum Beispiel die systematisch qualitätsgesicherte Datenbasis wichtig, weil im Anschluss an
zulegen und die garantierte Mindestverzinsung zu halten. Ermittlung des Kundenwerts, bei der man auch die künftige Entwick- die Analyse kostenintensive Interaktionen mit den Kunden erfolgen.
lung des Kundenstamms vorhersehen oder Kundensegmente langfristig
loyalisieren möchte. Beim Churn Management hingegen versucht man, Als wichtigste Innovation auf dem Gebiet der Predictive Analytics ist
rechtzeitig kündigungsbereite Kunden zu erkennen. Im Lead Manage- jedoch die Verankerung von Scorecards in die operativen Geschäftspro-
ment wiederum helfen Prognosen, die Reichweite und Wirksamkeit von zesse zu sehen. Während analytische Prognosemodelle in der Vergan-
Marketing Kampagnen zu erhöhen. genheit im dispositiven Umfeld wie der Vertriebs- und Aktionsplanung
zur Anwendung kamen, gewinnt künftig der Einsatz in operativen An-
Autoren: Falk Lehmann, Head of BI und Axel Kummer, COO, metafinanz Mit Data-Mining komplexe Strukturen entdecken wendungssystemen an Bedeutung. Die Voraussetzung dafür schaffen die
Informationssysteme Um die fachlichen Fragenstellungen richtig beantworten zu können, Werkzeuganbieter, indem sie Service-Schnittstellen zu den integrierten
kommen unterschiedliche Verfahren aus dem Data-Mining und der hy- Statistikkomponen-
(
(
Predictive Analytics (PA) gilt als Weiterentwicklung der klassischen pothesenbasierten multivariaten Statistik zum Einsatz. Mittels Data Mi- ten implementieren.
Kundendialog mit Hilfe von Score-
Business Intelligence (BI) und bezeichnet die zukunftsorientierte Daten- ning lassen sich komplexe Strukturen oder Zusammenhänge in großen Dies können dann aus cards analysiert und gesteuert
analyse sowie das Erstellen von Prognosemodellen. Das Analystenhaus Datenmengen entdecken. Dieser Prozess wird als Scoring bezeichnet und unterschiedlichsten werden
Gartner spricht treffend vom „Shift from measurement to analysis, fore- lässt sich schematisch wie folgt darstellen: Anwendungen heraus
casting and optimization“. Seit rund zwanzig Jahren kommen PA-Tools Zunächst geht es darum, den fachlichen Kontext zu verstehen. Dazu wird genutzt werden. In Web-Anwendungen kann dann beispielsweise der
in Branchen wie der Telekommunikation, dem Handel sowie der Finanz- ein Prognosemodell, die sogenannte Scorecard, erstellt, welches das zu Kundendialog mit Hilfe von Scorecards analysiert und gesteuert werden.
und Versicherungswirtschaft zum Einsatz. Getrieben wird das Thema vor Aber auch das Marktumfeld verändert sich. Nach einer Phase des ste- prognostizierende Ereignis spezifiziert. Dann müssen die aus fachlicher Der Kunde erhält dabei in Echtzeit die für ihn wahrscheinlich interes-
allem durch die stetig wachsenden Datenmengen. Um in der Datenflut tigen Wachstums in den Industriestaaten stagnieren die Beitragsein- Sicht erforderlichen Daten definiert werden. In der Praxis bilden Score- santesten Produkte und Services angezeigt. Erste Erfahrungen belegen
den Überblick zu behalten, künftige Marktentwicklungen zu erkennen nahmen, und die Globalisierung bringt neue Anbieter in den deutschen cards häufig ein multivariates Modell ab, in dem durch passende ma- bereits eine signifikante Steigerung des Verkaufserfolges.
und rechtzeitig zu reagieren, nutzen Entscheidungsträger in zuneh- Markt. Zusätzlich steigen die Kosten der Schadenregulierung stetig an thematische Verknüpfung verschiedene Merkmale zu einem Modell zu-
mendem Maße prognoseorientierte Modelle. und drückten die Margen. sammengeführt werden. Abschließend wird die Scorecard in definierten Fazit
Geschäftsprozessen angewandt. Zunehmender Wettbewerb- und Kostendruck sowie ein verändertes
Ein tiefgreifender Kulturwandel ist schließlich auch auf Kundenseite zu Kundenverhalten zwingen die Assekuranz dazu, ihre Ressourcen ziel-
beobachten. Galt früher der durchschnittliche Versicherungskunde als Grundvoraussetzung für das Erstellen von Prognose ist das Vorhanden- gerichteter einzusetzen. Priorität hat dabei der Ausbau und Erhalt
konservativ mit starker Bindung an seinen Versicherer, so gewinnen in- sein von validen Kunden- und Vertriebsdaten. Gerade im Versicherungs- der eigenen Kundenbasis. Predictive Analytics unterstützt das, indem
zwischen zwei neue umfeld sind diese allerdings oft schwer zu beschaffen, was an den viel- Scorecards nicht mehr nur dispositiv, sondern auch in operativen Pro-
( )
Der individualistische Kundentyp Kundetypen an Ge- fältigen Vertriebswegen liegt. So verteilen sich die Daten in der Branche zessen in Echtzeit eingesetzt werden können. Kleineren und mittleren
wünscht Versicherungsprodukte, wicht: Der vertragso- vom AO-Vertreter über Makler, Strukturvertriebe, Onlineplattformen und Versicherern fehlt dazu allerdings oft das interne Knowhow zum Aufbau
die seine persönlichen Bedürfnisse rientierte Kunde auf Internet bis hin zu B2B-Partnern wie Autohäuser oder Automobilherstel- von Scorecards sowie das Budget für analytische Werkzeuge. Als ziel-
adressieren sowie Premium-Services
der einen Seite infor- ler. Auch datenschutzrechtliche Anforderungen erschweren den Zugang führender Ansatz empfiehlt sich hier, Scorecards mit einem erfahrenen
miert sich über Ver- zu hochwertigen Daten. So müssen zum Beispiel Mehrsparten-Versi- Partner zu entwickeln, der über Branchen- und Mathematikkompetenz
gleichsportale und deckt seine Versicherungsrisiken beim günstigsten cherungen, die ihre Sparten Sach-, Kranken- und Lebensversicherung in verfügt. So kann das Thema mit den eigenen Mitarbeitern aufgebaut
Versicherer, der ihn mit industrialisierten Standardprodukten bedient. rechtlich selbständigen Unternehmen organisiert haben, im Umgang mit und die notwendigen Prozesse etabliert werden. Sogar bei den Tools gibt
Demgegenüber wünscht der individualistische Kundentyp Versicherungs- personenbezogenen Daten strenge Regeln befolgen. es Einsparpotenziale, indem kostengünstige Open Source-Werkzeuge
produkte, die seine persönlichen Bedürfnisse adressieren sowie Premium- für Data Mining und Statistik verwendet werden – so zum Beispiel R
Services, für die er bereit ist, höhere Beiträge zu zahlen. Tools für Data-Mining und Data-Quality (http://www.r-project.org/) oder RapidMiner ( http://rapid-i.com). Der
Für die Scorecard-Modellierung kommen im Versicherungsumfeld ver- Umfang erster Projekte muss übrigens nicht gleich mehrere Mannjahre
Damit Versicherer angemessen auf diesen fundamentalen Wandel re- schiedene Tools zum Einsatz. Noch wenig verbreitet sind eigenständige umfassen. Erste Ergebnisse lassen sich oft bereits nach kurzer Zeit erzie-
agieren können, müssen sie frühzeitig Entscheidungen treffen, um die Data-Mining-Lösungen wie etwa SAS Enterprise Miner oder IBM SPSS Mo- len und schrittweise ausbauen.