Märkte & Vertrieb

Machine Learning: Ein Fluch oder Segen?

Von VW-RedaktionTagesaktuelle Informationen und Neuigkeiten aus der Versicherungsbranche. Alle Nachrichten des Tagesreports auch als Newsletter abonnierbar.
Machine Learning-Techniken sind längst in der Versicherungsbranche angekommen. Die richtige Anwendung muss allerdings strategisch durchdacht sein. Fast macht es den Eindruck, als wäre in Vorstandsetagen deutscher Versicherer das kollektive Ziel ausgegeben worden "Macht doch mal was mit Big Data und Machine Learning"! Doch gerade Versicherer sollten nicht blind auf diesen Zug aufspringen.
Hinweis: Den Kongress können Sie auch live im Internet verfolgen.
Hier ist ein konkretes Erwartungsmanagement notwendig: in welchen Fällen ist es sinnvoll, Machine Learning (ML) einzusetzen, welche Voraussetzungen müssen gegeben sein? Und in welchen Situationen sind ML-Verfahren auch nicht zielführend?
Versicherungsunternehmen nutzen bereits seit den 80er Jahren die Techniken des Predictive Modelling, um Daten zukunftsorientiert zu analysieren. Dank der vorliegenden, umfangreichen Daten versicherter Risiken ist es in Kombination mit eingetretenen Schäden möglich, Versicherungsprodukte mit einem adäquaten Preis zu versehen.
Zwar werden ML-Verfahren zukünftig auch auf die Versicherungsbranche einen nicht unerheblichen Einfluss haben – dennoch ist es fraglich, ob und in welchem Umfang die Versicherer schon heute Analysemethoden automatisieren können und sollten.

Erst digitalisieren, dann strukturieren

Um ML-Verfahren anwenden zu können, ist es unerlässlich, dass die zu analysierenden Daten digital und in geeigneter Struktur vorliegen. Viele Versicherer stehen allerdings schon bei bereits strukturierten Daten vor einigen Herausforderungen: eine "Single Version of the truth", die sämtliche strukturierten Daten in einer granularen und für die Datenanalyse auswertbaren Form bereithält, existiert aktuell in keinem Haus.
Das ist allerdings eine wesentliche Voraussetzung, um ML-Verfahren zunächst nur auf die internen, bereits gesammelten Daten anwenden zu können. Klassische Data-Warehouse-Systeme hingegen liefern zumeist nur verdichtete Controlling Daten, die im Kontext von ML nicht ausreichend granular sind.
Die unstrukturierten Daten liegen hingegen in vielen unterschiedlichen Formen vor: Text, Sprachinformation, Sensorinformation, Telefonie, Social Media, Geo-Informationen und so weiter. Um die Daten in eine adäquate Struktur zu bringen, werden häufig bereits ML-Techniken angewendet – zum Beispiel bei der Digitalisierung von Telefonmitschnitten. Das Credo lautet hier: vor der Nutzung zunächst digitalisieren beziehungsweise strukturieren.

Unreflektierte Anwendung führt zu Unglaubwürdigkeit

Neben der Anwendung zur Digitalisierung und Strukturierung von analogen oder unstrukturierten Daten können ML-Techniken bei Versicherern auch eingesetzt werden, um Empfehlungen auszusprechen, etwa wie bei Amazon oder Netflix: Kunden in ihrer Lebenssituation sichern sich auch ab gegen. Auch das Wettbewerberverhalten im Online-Markt lässt sich so analysieren. Ebenso können solche Verfahren eingesetzt werden, um das Foto eines geschädigten Fahrzeugs auszuwerten und die Schadenhöhe zu bestimmen. Die hierfür notwendigen Bilderkennungssysteme basieren in der Regel auf Neuronalen Netzen und können die Schadenbearbeitung signifikant beschleunigen.
Allerdings gibt es auch Beispiele, die gezeigt haben, in welchen Fällen es ungeeignet ist, Machine Learning-Methoden anzuwenden. Zum Beispiel dann, wenn regulatorische Zwänge vorgegeben oder genaue Modellprognosen gefordert sind, die es zu erklären gilt. Das ist unter anderem konkret der Fall bei Preisen von Versicherungsunternehmen. Es ist schlichtweg unglaubwürdig, wenn ein Tarif in Abhängigkeit vom Alter unerklärbar schwankt.
Warum sollte (bei sonst gleichen Risikomerkmalen) ein 33-Jähriger mehr Prämie bezahlen als ein 32-Jähriger oder ein 34-Jähriger? Doch genau dieses Verhalten, das in Fachkreisen als Strukturbruch bekannt ist, ist häufig das Ergebnis des unreflektierten Anwendens von Machine Learning-Verfahren.

Ein Schritt nach dem anderen

Die grundlegende Voraussetzung für die Anwendung von ML-Techniken ist die Verfügbarkeit von Daten in ausreichender Qualität, Granularität und Frequenz. Wenn diese Umstände nicht gegeben sind, ist die Anwendung von Machine Learning überstürzt und führt zu hektischem Aktionismus, der dem Unternehmen keinen Vorteil bietet.
Versicherer sollten also dem Machine Learning-Trend nicht wahllos folgen, sondern genau analysieren, in welchem Anwendungsbereich welche Methode angemessen ist. Eine visionär geprägte Datenstrategie ist allerdings in jedem Fall unabdingbar. Und Unternehmen, die beispielsweise auch heute noch keine soziodemographischen Daten für ihr Pricing verwenden, sollten zunächst diesen einfacheren Weg gehen, anstatt sich selbst zu überholen und dabei zu stolpern.
Autor: Gero Nießen, Director bei Willis Towers Watson, spricht heute zum dem Thema auf dem Weltkongress der Aktuare (ICA 2018) in Berlin. (Quelle: Willis Towers Watson)
Willis Towers Watson · Gero Nießen · Machine Learning