Märkte & Vertrieb

Wie Maschinen lernen können

Von VW-RedaktionTagesaktuelle Informationen und Neuigkeiten aus der Versicherungsbranche. Alle Nachrichten des Tagesreports auch als Newsletter abonnierbar.
Eine Mehrheit der Versicherungs-CEOs räumt laut einer aktuellen Analyse von PwC dem Thema Data Analytics eine vorrangige Stellung in der Unternehmensentwicklung ein. Dazu passt, dass die meisten Führungskräfte die Versicherungsindustrie sich noch nicht im Stand "highly data driven" sehen. Ein Gastbeitrag von Aktuar Clemens Frey.
Also: viel Luft nach oben für maschinelles Lernen (ML), d.h. das Erkennen von Mustern aus vorhandenen Daten und die automatische Repräsentation von Gesetzmäßigkeiten in mathematischen Modellen. Die Anwendungen sind vielfältig, sie betreffen die gesamte Wertschöpfungskette und werden zunehmend erfolgskritisch.
Drei Gründe hierfür: Im Vertrieb erlaubt ML die Intensivierung und Verbesserung der Kundeninteraktion. Im Pricing/Underwriting ermöglicht es genauere, umfassendere Analysen und damit bessere und schnellere Entscheidungen. Im Schadenmanagement sowie im Backoffice können Prozessqualität und Kosteneffizienz spürbar gesteigert werden.
In allen Bereichen bewegen sich derzeit Anwendungen aus dem Experimentierstadium heraus in die Umsetzung. Deshalb lohnt ein Blick auf die Erfolgsfaktoren:
  • Klare und eindeutige Formulierung des jeweiligen Use Cases für ML, und systematisches Aussteuern der diesbezüglichen Projekte.
  • Effiziente (möglichst automatisierte) Datensammlung – unter dieser Bedingung und unter Einsatz geeigneter Tools kann ML in der Testphase schnell Erfolge erzeugen.
  • Passende Datenaufbereitung, ggf. mit Anreicherung oder Ergänzung fehlender Daten und den notwendigen Maßnahmen zur sogenannte Feature Selection bzw. zum Feature Engineering.
  • Angemessene Auswahl des Algorithmus zur Modellerzeugung und Optimierung seiner Parameter (sogenannte Hyperparamter Optimization). Hier helfen Tools zum automatisierten maschinellen Lernen, z.B. die Data Science Machine von PwC.
Beachtet man diese Erfolgsfaktoren, ist der erste Meilenstein erreichbar: Es liegen erste Ergebnisse des ML vor, d.h. angepasste Repräsentationen der Daten, wie etwa ein Satz von Entscheidungsbäumen, ein künstliches Neuronales Netz oder eine Support Vector Machine.
Entscheidend sind die Validierung, Analyse und Erklärung dieser Ergebnisse. Sie sollten einer systematischen Prüfung unterzogen werden, damit in erster Linie fehlerhafte Modelle identifiziert werden können. Aber auch, um Transparenz sowie Akzeptanz für diese neuen, leistungsfähigen Methoden im Unternehmen zu schaffen. Hierzu gibt es eine Reihe von Qualitäts- und Güteindikatoren, die insbesondere einen interessanten Vergleich zwischen derzeit vorliegenden und ML-Modellen, d.h. zwischen alter und neuer Welt, erlauben.
Abschließend muss die Operationalisierung im Rahmen der IT- und Prozesswelt des Versicherers erfolgen. Dieser Schritt erfordert zumindest mittelfristig echte Transformation. Aktuelle Systeme sind im Allgemeinen wenig flexibel und meist starr auf derzeitige Modellstrukturen ausgelegt, z.B. auf die Anwendung von Generalized Linear Models im Bereich der Tarifierung. Entscheidungs- oder Regressionsbäume aus dem ML können hier nicht unmittelbar verwendet werden. Aus diesem Grund wurden verschiedene Methoden entwickelt, um die ML-Ergebnisse kurzfristig in bestehenden Umgebungen nutzen zu können.
Längerfristig sollte eine Anpassung der Systeme erfolgen, um eine unmittelbare Nutzung von ML zu ermöglichen und den damit verbundenen Mehrwert zu generieren. Denn wir beobachten derzeit vermutlich erst die bescheidenen Anfangserfolge einer besonders für Versicherer sehr vielversprechenden Technologie.
Bild: Clemens Frey ist Aktuar DAV, CERA sowie Partner und Head of Actuarial Services bei PwC Deutschland. (Quelle: PwC Deutschland)
PwC · Data Analytics · Clemens Frey
Auch interessant
Zurück
13.08.2019VWheute
Über­nah­me­welle in deut­scher Fintech-Branche Die Fintech-Szene wird durch Fusionen kleiner. Die Ursache sind Übernahmen, wie eine PWC-Studie zeigt…
Über­nah­me­welle in deut­scher Fintech-Branche
Die Fintech-Szene wird durch Fusionen kleiner. Die Ursache sind Übernahmen, wie eine PWC-Studie zeigt, aber es gibt auch andere Gründe. Der Trend zur Verkleinerung soll weiter anhalten und die Versicherungsbranche ist ein Teil der …
24.07.2019VWheute
Data Analy­tics: "Bei einem großen Kunden­stamm über­bli­cken Menschen nicht mehr, was genau jeder Einzelne braucht" An Daten mangelt es nicht und …
Data Analy­tics: "Bei einem großen Kunden­stamm über­bli­cken Menschen nicht mehr, was genau jeder Einzelne braucht"
An Daten mangelt es nicht und heutzutage auch nicht mehr an den technischen Möglichkeiten, diese zum Nutzen der Kunden einzusetzen. Doch wann spürt ein Kunde …
12.07.2019VWheute
IT auf dem Prüf­stand: "Daten­schutz ist keine Entschul­di­gung mehr für Rück­stän­dig­keit" Die besten Tools ändern allein keinen Prozess, glaubt …
IT auf dem Prüf­stand: "Daten­schutz ist keine Entschul­di­gung mehr für Rück­stän­dig­keit"
Die besten Tools ändern allein keinen Prozess, glaubt Joachim Ullerich. Wer mehr Agilität wolle, müsse geeignete Methoden und Tools systematisch einführen. Das brauche eine klare …
09.07.2019VWheute
IT auf dem Prüf­stand: "Der perfekte Vertrieb verknüpft digital mit persön­lich" Bei einem Kulturwandel oder der Einführung neuer Ansätze wie Agilität…
IT auf dem Prüf­stand: "Der perfekte Vertrieb verknüpft digital mit persön­lich"
Bei einem Kulturwandel oder der Einführung neuer Ansätze wie Agilität gilt es immer, das passende Tempo für die Organisation zu finden, sagt Karsten Eichmann. Der Vorstandsvorsitzende der Gothaer …
Weiter