Beispielhafte Darstellung zur Bewertung der Datenqualität (getrennt nach Art und Relevanz von Merkmalen im System): Wie viele Merkmale sollten insgesamt vorliegen? Wie viele davon können wirklich mit plausiblen Ergebnissen ausgewertet werden?
Beispielhafte Darstellung zur Bewertung der Datenqualität (getrennt nach Art und Relevanz von Merkmalen im System): Wie viele Merkmale sollten insgesamt vorliegen? Wie viele davon können wirklich mit plausiblen Ergebnissen ausgewertet werden?Quelle: Meyerthole Siems Kohlruss
Erschienen in Ausgabe 8-2018Politik & Regulierung

Der Preis ist heiß

In Zeiten der Zinskrise ist Tarifierung wichtig wie nie. Welche Schritte nötig sind, um ein modernes Pricing umzusetzen

Von Thomas Budzyn und Carina Götzen und Onnen SiemsVersicherungswirtschaft

Lesen Sie den vollständigen Artikel

Erhalten Sie Zugang zu allen Artikeln unserer Fachzeitschriften und Publikationen.

Jeder Versicherer gibt heute vor, irgendwie „digital“ zu sein – auch in der Tarifierung. Dies spiegelt sich in einer wahren Flut von Begriffen (Big Data, Data Lake, Data Science, Machine Learning, Künstliche Intelligenz, Neuronale Netze, Digitalisierung…), die den Anschein erwecken, moderne Methoden seien längst gang und gäbe. Ein Eindruck, den die immer häufiger eingerichtete Position des „CDO, Chief Digital Officer“ noch verstärkt. Doch in der Realität läuft Tarifierung heute nicht anders als vor 20 Jahren. Die Prämien für neue Produkte werden meist auf Basis recht schmaler Statistiken und durch den Blick nach rechts und links auf die Wettbewerber ermittelt – seit Beginn des Zeitalters für Tarifvergleiche und -ratings jedoch mit einem signifikanten Unterschied: Es werden Leistungen ergänzt, um die volle Punktzahl im Rating zu erreichen. Die Prämie allerdings bleibt häufig unverändert. Ist die Prämie falsch ermittelt, bleibt der Ausweg der Sanierung.

Branche unter Druck

Die Entwicklung eines Tarifes mit einer modernen Datenanalyse scheitert häufig an mangelnden oder mangelhaften Daten. Der Grund: eine systematische Datenerfassung und Zusammenfassung in entsprechenden Data Warehouses wurde in der Regel stiefmütterlich behandelt. Mit dieser „intuitiven“ Tarifierung ging es jahrzehntelang gut. Doch nun ist die Branche unter Druck. Zinskrise und steigende Kosten für die zunehmende Regulierung (Solvency II, EU-DSGVO, IDD, …) erzwingen, die anstehende Modernisierung, die im Lippenbekenntnis zu „Data Science“ ja anklingt, nun endlich umsetzen. Die Werkzeuge liegen schon bereit. Entwickelt wurden die nötigen aktuariellen Methoden in Deutschland seit der Deregulierung Mitte der 90er Jahre – zunächst in Kraftfahrt. Anschließend wurden sie nach und nach auf die anderen Sparten übertragen. Ein fortwährender Prozess, der noch nicht abgeschlossen ist. So weist das Know-how im Pricing in einzelnen Sparten oder Kundensegmenten unterschiedliche Reifegrade auf. Große Häuser sind im Pricing meist professioneller aufgestellt als kleine und mittlere Unternehmen. Grundsätzlich kann festgehalten werden: Die Kenntnis über den erwarteten Schadenaufwand des versicherten Risikos ist der Schlüssel zum wirtschaftlichen Erfolg. Auch die Kenntnis über die Wettbewerber in Form des Marktpricings ist ein entscheidendes Geschäftspotenzial. Wer seine Quersubventionierung identifiziert und Differenzialrendite nutzt, hat die Nase vorn und kann Wettbewerber ausstechen. Doch auch wenn…