computerwoche.de

Archiv

IT in Versicherungen/Analysewerkzeuge haben strategische Bedeutung

Wettbewerbsvorteile durch Data Mining

30.01.2004
Ohne Statistiker und Mathematiker geht nichts in der Versicherungsbranche - schließlich entscheidet ihre Arbeit etwa darüber, welche Risiken eine Versicherung eingeht oder welche Tarife die Kunden zahlen müssen. Mit der Entwicklung moderner Analyseverfahren bekommen diese Experten Instrumente in die Hand, die viel genauere Prognosen als bisher ermöglichen. Von Klaus-Peter Huber*

Möglicherweise begann alles bereits vor fast 4000 Jahren mit dem babylonischen König Hammurabi: Sein Gesetzbuch legte fest, dass Eselstreiber bei Raubüberfällen auf Karawanen ihre Schäden untereinander ausgleichen müssen. Kaufleute sorgten bis zum Mittelalter in Eigenregie dafür, sich gegen die wirtschaftlichen Folgen unerwarteter Ereignisse abzusichern. Die Gründung der ersten Versicherungsunternehmen Anfang des 17. Jahrhunderts läutete dann das Zeitalter des modernen Versicherungswesens ein. Ab jetzt stand eine Frage im Mittelpunkt: Mit welcher Wahrscheinlichkeit tritt ein Schadensfall ein? Die Antwort bestimmt das Risiko einer Versicherung, Schäden regulieren zu müssen. Die Größe dieses Risikos - seine Wahrscheinlichkeit - entscheidet wiederum unmittelbar über die Höhe der Versicherungsbeiträge. Möglich wurde die in Zahlen fassbare Kalkulation des Risikos erst durch Fortschritte in Mathematik und Wahrscheinlichkeitsrechnung im 17. Jahrhundert. Und schon bald entstand das "Grundgesetz der Versicherungswirtschaft": Zufälle spielen bei Massenbeobachtungen eine um so geringere Rolle, je größer die beobachtete Masse ist.

Seit die Versicherungen ihre Geschäftsprozesse IT-gestützt abwickeln, hat sich die Arbeit der Versicherungsmathematiker und Statistiker vereinfacht: Sowohl die Datenmenge als auch die Verfügbarkeit der Daten ist stark gewachsen, so dass die Experten den Zufall mathematisch weitgehend eliminieren können. Damit haben die Statistiker in den Unternehmen einen neuen Stellenwert bekommen: Die Ergebnisse ihrer Kalkulationen werden nicht mehr nur für die Risikovorhersage genutzt, sondern dienen auch als Wissensbasis zum Beispiel für gezielte Marketing-Kampagnen oder für das Aufdecken von Betrugsfällen. Dabei können die Zahlen-Spezialisten von innovativen Data-Mining-Techniken profitieren: Wie der Begriff schon andeutet, geht es bei diesen Verfahren darum, wie Minenarbeiter auf der Suche nach Diamanten aus dem "Datenbergwerk" verborgenes Wissen ans Tageslicht zu befördern. Data-Mining-Techniken sind in der Lage, aus großen Datenmengen neue Informationen und Erkenntnisse zu gewinnen. So können Versicherungen aktiv nach bisher unbekannten Mustern oder versteckten Informationen suchen, unbekannte Korrelationen und Wechselwirkungen innerhalb der Geschäftsprozesse zu identifizieren und genaue Prognosen erstellen. Das Einsatzfeld für Data Mining ist damit sehr groß: Versicherungen können diese Analyseverfahren heute für nahezu alle strategischen Aufgaben nutzen.

Risikofaktor ermitteln

Da Versicherungen mit einem immateriellen Gut handeln, dessen Wert zudem nicht von der geistigen Leistung ihrer Mitarbeiter abhängt, unterliegt das Pricing von Policen ganz eigenen Gesetzen. Der Preis eines Versicherungsprodukts geht einher mit der Höhe des Risikos, das die Versicherung auf sich nimmt. Deshalb müssen sich die Unternehmen bei ihrer Tarifkalkulation immer eine Frage stellen: "Welches sind die Risikofaktoren, von denen einerseits die Wahrscheinlichkeit eines Schadensfalls, andererseits die Schadenshöhe abhängen?" Deshalb berücksichtigen Anbieter von Kfz-Versicherungen zum Beispiel, dass Porsche-Fahrer bei Unfällen zumeist höhere Schäden verursachen als die Besitzer eines Ford Ka.

Kadett-Fahrer habens besser

Doch in der Regel ist der Zusammenhang zwischen den Risikofaktoren und der Schadenshöhe und -häufigkeit nicht so offensichtlich. Deswegen sind die Versicherungen auf Data-Mining-Modellierungen angewiesen, die auch nichtlineare oder ungewöhnliche Korrelationen erkennen. Ein möglicher Weg ist hier die Segmentierung der Datensätze in homogene Gruppen. Je nach Aufgabe lässt sich eine Segmentierung hinsichtlich verschiedener Variablen - etwa Kundenverhalten oder Wohnort der Versicherungsnehmer - vornehmen. Ein Versicherungsunternehmen hat zum Beispiel auf diese Weise festgestellt, dass ein bestimmtes Segment in der Gruppe der 18- bis 20-jährigen Autofahrer deutlich weniger Unfälle verursachen als die gesamte Altersgruppe. Die detaillierte Datenanalyse hat gezeigt, dass die Angehörigen dieser Untergruppe so genannte Liebhaberautos wie alte VW Käfer oder Opel Kadetts fahren und sich deshalb im Straßenverkehr vorsichtiger bewegen. Mit dem Wissen konnte die Versicherung diesen Kunden günstigere Konditionen anbieten und sie so an das Unternehmen binden.

Nach Auskunft des Gesamtverbandes der Deutschen Versicherungswirtschaft (GDV) entsteht den hiesigen Versicherungen durch Betrug jährlich ein Schaden von über vier Milliarden Euro. Kein Wunder also, dass ein Unternehmen nur dann langfristig erfolgreich sein kann, wenn es massive Anstrengungen zum Aufdecken von Betrugsversuchen unternimmt. Dazu müssen die Experten nach ungewöhnlichen Datenkombinationen, Anomalien in den Schadensabwicklungen oder verdächtigen Mustern suchen. Spezielle Data-Mining-Verfahren wie Warenkorb- oder Cluster-Analysen helfen bei der Detektivarbeit. Wie Versicherungen diese Verfahren erfolgreich einsetzen können, zeigt das Beispiel der US-amerikanischen Krankenversicherung Empire Blue Cross Blue Shield: Das Unternehmen mit über vier Millionen Kunden hat mit einer entsprechenden Software unter anderem die abgerechneten Leistungen von Hals-Nasen-Ohren-Ärzten auf Betrugsfälle untersucht. Dazu hat die Versicherung aktuell von den Ärzten in Rechnung gestellte Bronchoskopien mit dem Datenbestand verglichen und herausgefunden, dass einer der Mediziner eine ungewöhnlich große Zahl dieser Atemwegs-Untersuchungen angegeben hat. In weitergehenden Nachforschungen konnten die Betrugsexperten nachweisen, dass der Arzt nicht erbrachte Leistungen berechnet hatte. Insgesamt sparte Empire Blue Cross Blue Shield durch Betrugserkennung mit Datamining etwa vier Millionen Dollar.

Während die einen Versicherungen solche Analysen nutzen, um hohe Risiken besser zu erkennen, optimieren andere damit ihre Arbeitsabläufe: Hier wird Datamining eingesetzt, um korrekte Rechnungen zu erkennen, so dass diese Ansprüche dann ohne manuelle Prüfung sofort beglichen werden können. Das spart interne Prüfungskosten, was den Controller freut. Und die verkürzte Bearbeitungszeit sorgt für zufriedene Kunden.

Versicherer versichern sich

Erscheint einer Assekuranz ein übernommenes Risiko zu groß, teilt sie es mit einem Rückversicherer - natürlich gegen eine angemessene Beteiligung an der Versicherungsprämie, die der Endkunde bezahlt. Wenn ein Rückversicherer mit ins Boot geholt wird, reduziert sich somit nicht nur das Risiko, sondern auch der Umsatz des Unternehmens. Die Aufgabe besteht also darin, hohe Schadensrisiken zu identifizieren und so das ideale Maß an Zusammenarbeit mit einem Rückversicherer zu kalkulieren. Traditionelle statistische Verfahren gehen davon aus, dass sich die Schadensfälle in einem Diagramm wie ein sanft geschwungener Abhang darstellen lassen: Viele kleinere Schadensfälle mit geringen Ansprüchen machen den Großteil der Schäden aus; einige wenige Fälle mit hohen Ansprüchen treiben die Gesamtsumme aller Schäden in die Höhe. Bei einer solchen Kalkulation können sich die Versicherungen jedoch nicht darauf verlassen, dass die für die Zusammenarbeit mit einem Rückversicherer relevante Zahl - nämlich die der Fälle mit einem hohen Schadensrisiko - tatsächlich der Realität entspricht. Data-Mining-Verfahren dagegen schlüsseln die Verteilung der Schadensfälle exakt auf: Die Experten können mit einer Gruppe historischer Schäden die zu erwartenden Schadensfälle in einer anderen Gruppe modellieren. Auf Grundlage einer solchen deutlich feinkörnigeren Analyse lässt sich besser entscheiden, in welchen Fällen die Dienste eines Rückversicherers in Anspruch genommen werden sollten.

Ansprüche von morgen kalkulieren

Häufig vergeht viel Zeit zwischen dem Tag, an dem ein Versicherungsnehmer einen Schaden meldet, und dem Termin, zu dem eine Schadenssumme ausbezahlt wird. Der Grund dafür: Nicht immer ist sofort klar, wie hoch der auszugleichende Schaden tatsächlich ist. Kann zum Beispiel ein versichertes Industrieunternehmen einen Liefervertrag nicht einhalten, weil eine Produktionsanlage ausgefallen ist, so dauert es häufig längere Zeit, bis feststeht, welche Schadenssummen die Versicherung übernimmt. Allerdings muss die Assekuranz Rücklagen für solche Schadensfälle bilden, um den finanziellen Forderungen jederzeit nachkommen zu können. Deshalb müssen Versicherungen zukünftige Ansprüche ihrer Kunden prognostizieren. Dabei kommt es darauf an, die Schadenshöhen möglichst genau vorherzusagen, denn die zurückgelegten Mittel fehlen den Versicherungen für Investitionen, die die Ertragskraft oder das Wachstum des Unternehmens sichern.

Andererseits dürfen die Rückstellungen nicht zu niedrig angesetzt werden, da die Assekuranz sonst in finanzielle Schwierigkeiten geraten könnte. Auch hier können Data-Mining-Verfahren die Statistiker bei der exakten Vorhersage künftiger Ansprüche unterstützen: etwa, indem sie Muster in abgeschlossenen Schadensfällen identifizieren, die Aufschluss über zu erwartende Schadenshöhen geben, oder indem sie laufende Prozesse nach den möglichen Ansprüchen klassifizieren.

Am weitesten verbreitet ist der Einsatz von Data Mining bei der Pflege der Kundenbeziehungen: Zahlreiche Versicherungen nutzen Analysetechniken, um ihre Kunden, deren Anforderungen und Wünsche kennen zu lernen - denn der Aufbau profitabler und dauerhafter Kundenbeziehungen setzt voraus, dass Unternehmen exakt wissen, wer ihre Kunden eigentlich sind und was sie wollen. Dazu gehört beispielsweise der Überblick über das jeweilige Policenportfolio oder auch das Wissen, ob jemand seinen Vertrag in naher Zukunft kündigen wird. Hier geht es also zum einen darum, das Kundenverhalten auf Basis abgeschlossener Geschäftsvorgänge zu klassifizieren und so die Wünsche und Anforderungen der Kunden zu erkennen. Mit diesen Informationen sind die Marketing-Experten in der Lage, den Kunden genau die Angebote zu unterbreiten, die ihrer Lebenssituation entsprechen: So können Versicherungen ihren Kunden mit kleinen Kindern gezielt Informationen zu Lebensversicherungen schicken oder einen frisch gebackenen Ingenieur auf Berufsunfähigkeits-Versicherungen hinweisen. Mit einer solchen maßgeschneiderten Kundenansprache lassen sich Cross- und Up-Selling-Potenziale ausschöpfen - und das bei deutlich reduzierten Marketing-Kosten.

Das Beispiel eines der größten deutschen Versicherungskonzerne zeigt, wie Unternehmen mit Data-Mining-Instrumenten ihre Marketing-Kampagnen verbessern können: Um sein Riester-Renten-Produkt einzuführen, hat das Unternehmen mit Analysetechnik die Kunden herausgefiltert, bei denen sich die persönliche Ansprache durch einen Vertriebsmitarbeiter lohnt.

Kundendaten mehrfach modelliert

Der Clou dabei: Da bei einem neuen Produkt wie der Riester-Rente natürlich keine historischen Daten zur Definition der künftigen Kundenpotenziale existierten, hat die Versicherung die Kundendaten mehrstufig modelliert und so wie in einem "lernenden System" von Durchlauf zu Durchlauf immer genauere Ergebnisse bekommen. Grundlage dieser Verfahren war die Analyse der Profile von Kunden, die bereits im Vorfeld besonderes Interesse am Thema Riester-Rente zeigten. Die Profile dieser Kundengruppen wurden mit denen einer Zufallsauswahl aus 30000 Kunden verglichen.

Mittels statistisch-mathematischer Verfahren wie Regressionsanalysen und Entscheidungsbäumen konnten die Marketing-Experten letztlich mehr als 50 Variablen als Einflussgrößen für die Affinität zum neuen Produkt identifizieren. Dazu zählten zum Beispiel das Alter des Kunden, die Zahl seiner Kinder, die Art seiner bestehenden Lebensversicherungsverträge, die Dauer der Kundenbeziehung sowie die Zeit, die seit dem letzten Vertragsabschluss verstrichen war.

Die Kampagne sah einen Kundenkontakt binnen zwei Monaten sowie ein detailliertes Feedback des Vertriebs in Form eines Besuchsberichts vor. Bereits nach der ersten Bestandsaktion zeigte sich ein Riesenerfolg: Mehr als die Hälfte aller Kundenbesuche führte zu - meist mehreren - Vertragsabschlüssen. Speziell bei der Riester-Rente war der Abschlusserfolg bei den mit dem Data-Mining-Verfahren ausgewählten Kunden dreimal größer als bei der Kontrollgruppe der Zufallsauswahl. Bei den besten zehn Prozent der selektierten Adressen für das Renten-Produkt lag die Abschlusswahrscheinlichkeit sogar um den Faktor 3,4 höher als bei der Kontrollgruppe.

Freiraum für Kreativität

Data Mining verschafft Versicherungen somit eine gesicherte Wissensbasis für strategische Entscheidungen - und zwar in allen Bereichen des Unternehmens. Natürlich bedürfen die Ergebnisse, die eine solche Lösung liefert, der Interpretation durch Experten. Denn ohne die Erfahrung und das Wissen der Planer und Entscheider über konkrete Aufgaben, über den Markt, die Kunden oder bestimmte Produkte kommt selbst die beste Software nicht aus. Doch weil die intelligenten Data-Mining-Werkzeuge die Experten von aufwändigen Analysen und mühseliger Kleinarbeit entlasten und ihnen neue Wege zeigen, haben sie mehr Freiraum für kreative Aufgaben - oder können auch einfach mal früher nach Hause gehen. (bi)

Dr. Klaus-Peter Huber ist Manager des Business Competence Centers CRM bei SAS Deutschland in Heidelberg.

Angeklickt

- Die Versicherungsexperten können den Zufall mathematisch weitgehend eliminieren.

- Sie können nach bisher unbekannten Mustern oder versteckten Informationen suchen, unbekannte Korrelationen und Wechselwirkungen innerhalb der Geschäftsprozesse identifizieren und genaue Prognosen erstellen.

- Während die einen Versicherungen solche Data-Mining-Analysen nutzen, um hohe Risiken besser zu erkennen, optimieren andere damit ihre Arbeitsabläufe.