Erschienen in Ausgabe 11-2018Schlaglicht

Wissen, wann der Schaden kommt

Von Olav SkowronnekVersicherungswirtschaft

Lesen Sie den vollständigen Artikel

Erhalten Sie Zugang zu allen Artikeln unserer Fachzeitschriften und Publikationen.

Sie finden in der Klimaforschung und in der Preisgestaltung von Handelsunternehmen ebenso Anwendung wie bei der Vorhersage von Straftaten oder Stromlasten: Prognosemodelle auf der Basis umfangreicher Datenanalysen, auch Predictive Analytics genannt. Im Personenschaden lassen sich durch Prädiktionsmodelle ebenfalls wichtige Erkenntnisse gewinnen. Dabei wird der Fokus nicht auf die Betrachtung von Kollektiven, sondern auf die Vorhersage von Entwicklungen im Einzelschaden gelegt. Das Prinzip der Prädiktionsmodelle ist in der Versicherungsbranche nicht neu. Die Entwicklung von Modellen auf der Basis strukturierter Daten wird im Pricing, also bei der Tarifierung, von den Versicherern schon immer als Kernkompetenz betrieben. Die Digitalisierung mit ihrer Möglichkeit, große Datenmengen zu erfassen und zu analysieren, erweitert jedoch zunehmend das Anwendungsfeld von Predictive Analytics. Mehr und mehr bedient sich auch der Schadenbereich mathematisch-statistischer Methoden, um bestehende Datenbestände nicht nur für die Beschreibung von Ist-Zuständen, sondern auch für die Vorhersage beispielsweise von Kostenentwicklungen im Schadenbestand zu nutzen.

Fokus auf Vorhersagen von Entwicklungen im Einzelschaden

Im Personenschaden lassen sich durch Prädiktionsmodelle ebenfalls wichtige Erkenntnisse gewinnen. Dabei wird der Fokus nicht auf die Betrachtung von Kollektiven, sondern auf die Vorhersage von Entwicklungen im Einzelschaden gelegt. Dies in verschiedenen Schadensegmenten umzusetzen, ist eine große Herausforderung, da es die mögliche Streuung der Einzelwerte vergleichbarer Fallkonstellationen zu beherrschen gilt. Mit zunehmender Komplexität der Schäden gilt nämlich, dass sich die Streuung der Werte um einen erwarteten Wert vergrößert und die für eine valide Kostenprädiktion notwendige Konfidenz nicht mehr gegeben ist. Insoweit muss ab einer definierten Schadengröße die klassische Mathematik neueren Ansätzen Künstlicher Intelligenz weichen, um auch für diese schwierig beherrschbaren Schadensegmente sinnvolle Prognosen zu erstellen. Wohl alle Versicherer sehen die potenziellen Chancen des Predictive Modelling. Häufig steht jedoch auch eine recht schlechte Datenlage der Umsetzung im Weg. Für diese Versicherer erzeugen Dienstleister die nötigen Datenstrukturen und Systemvoraussetzungen, um die Chancen, die sich durch den Einsatz von Prädiktionsmodellen ergeben, überhaupt nutzen zu können. So sind schon jetzt die strukturierte Erfassung und medizinische Codierung sowie…