Quelle: Bild von Pete Linforth auf Pixabay
Schlaglicht

Data Analytics: "Bei einem großen Kundenstamm überblicken Menschen nicht mehr, was genau jeder Einzelne braucht"

Von Jörn DavidTagesaktuelle Informationen und Neuigkeiten aus der Versicherungsbranche. Alle Nachrichten des Tagesreports auch als Newsletter abonnierbar.
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 diesen Nutzen wirklich? Welchen Service erwartet der Kunde tatsächlich von seinem Versicherer? Oder entscheidet vielmehr, wie zufrieden der Kunde ist, angefangen beim Angebot bis zur Betreuung im Schadenfall.

Vertrauen als Grundwert

Dass wir als Versicherer traditionell vieles von und über unsere Kunden wissen, liegt in der Natur unseres Geschäftsmodells. Ohne sorgfältige Anamnese etwa lässt sich keine Krankenversicherung abschließen. Ohne ausreichende Beschreibung eines Gebäudes oder Gewerbes lässt sich kein passender Versicherungsschutz ermitteln. Somit überlässt uns ein Kunde nicht einfach nur Daten, er erwartet vielmehr, dass wir sie parat haben, wenn wir mit ihm in Kontakt sind. Auch setzt er, vollkommen zu Recht, voraus, dass seine, zum Teil durchaus sensiblen, Informationen bei uns sicher sind und wir uns ganz selbstverständlich an die gesetzlichen Vorgaben zum Datenschutz halten. Dieses Vertrauen ist für uns ein hohes Gut, das wir ernst nehmen. So ziehen wir zum Beispiel für unsere Analysen segmentbezogene statt personenbezogener Daten heran.

Treffender im Kundenkontakt

Die Technologiesprünge der Digitalisierung ermöglichen uns, die Erwartungen der Kunden mit der Vielzahl an Vorgängen, die wir täglich bearbeiten, auf wirtschaftliche Weise in Einklang zu bringen. Das gelingt mit klugen Kombinationen von Data Analytics-Modellen mit der Künstlichen Intelligenz (KI). Wo etwa bislang nur sauber strukturiertes Datenmaterial sequenziell ausgewertet wurde, können nun unstrukturierte Informationen in logische Zusammenhänge gebracht und daraus Schlüsse gezogen werden. Im Zusammenspiel der Technologien mit dem Menschen entfalten sich für Kunden und Unternehmen neue Potenziale. Bei einem großen Kundenstamm überblicken Menschen nicht mehr, was genau jeder Einzelne braucht. Data Analytics hingegen liefert Erkenntnisse, häufig in Echtzeit, die Kunden und Mitarbeitern den Alltag erleichtern. Beispielsweise im Fall einer Schadenmeldung, wenn Sachbearbeiter mit technischer Unterstützung zu einer zügigeren, aber gleichermaßen treffenden Einschätzung des Schadenumfangs kommen. Oder bei der Auswertung umfassender Gutachten sowie Krankenhausabrechnungen, um möglichst rasch eine Leistungszusage zu tätigen oder eine Leistung abzurechnen. So wird KI zur wertvollen Unterstützung und sie ermöglicht dem Mitarbeiter damit gleichzeitig, die gewonnene Zeit für andere wertschaffende Tätigkeiten einzusetzen.

 

So auch unsere eigenentwickelte Lösung StARS, die beim Erkennen fehlerhaft gestellter Krankenhausrechnungen unterstützt. StARS steht für „Statistische Analyse & Rechnungs-Steuerung und ist ein selbstlernendes System, das mit jedem neuen Fall dazulernt und dieses neue Wissen bei der nächsten Prüfung selbständig anwenden kann. StARS wirft bereits früh im etablierten Bearbeitungsprozess einen "Blick in die Zukunft", so dass unnötige und vor allem teure und zeitaufwändige Einzelfallprüfungen vermieden werden. Das System findet auch Fälle, die mit herkömmlichen Methoden nicht erkannt worden wären und es gibt zugleich nur die Fälle an Experten zur Prüfung weiter, die mit hoher Wahrscheinlichkeit fehlerhaft sind. Alle anderen Vorgänge können sofort ausbezahlt werden.

 

Im Vertrieb profitieren Kunden und Berater von intelligenten Prognosen. Sie erhalten Informationen dazu, welcher Kunde mit welcher Wahrscheinlichkeit ein bestimmtes Produkt kaufen wird. Auch wenn die Vertriebe ihre Bestände gut kennen, sparen sie Zeit, wenn sie mit Unterstützung eines Machine-Learning-Modells Kaufprognosen und geeignete Angebotsvorschläge erhalten. Zuweilen stoßen die Berater dabei vielleicht auch auf die eine oder andere überraschende Produktkombination. Das Verfahren entstand auf unserer konzern-eigenen Data-Analytics-Plattform und wurde zusammen mit anderen öffentlichen Versicherern konzipiert.

Schlanker im Schadenfall

Als Versicherer verstehen wir uns auf Prognosen und langfristigen Risikoabschätzungen. Jede Prognose basiert auf Erfahrungswerten. Mit heutigen Analysemöglichkeiten können wir deutlich größere Mengen an historischen Daten heranziehen, sowohl für differenziertere Tarifkalkulationen als auch zur Risikoprävention.

 

Unser Machine-Learning-Modell zur Schadenprognose etwa macht mögliche Gebäudeschäden durch Wetterereignisse vorhersagbarer. Das Modell gleicht dabei aktuelle Wetterdaten mit historischen Wetteraufzeichnungen aus ganz Deutschland ab und prognostiziert Gebäudeschäden bei Bestandskunden. So lassen sich zudem die Kapazitäten im Kundenservice besser steuern, die Kunden können im Schadenfall auf eine zügige Hilfe bauen und gleichzeitig hilft es die Kosten zu optimieren. Das Besondere: Unsere konzerneigene Data-Analytics-Plattform rechnet granularer und deutlich häufiger als auf der herkömmlichen IT-Infrastruktur, und ermittelt eine deutlich höhere Geodaten-Auflösung. Das Machine-Learning-Modell wurde ebenfalls gemeinsam mit anderen öffentlichen Versicherern entwickelt.

 

Für den Kunden ist der Eintritt eines Schadenereignisses der „moment of truth“, für uns als Serviceversicherer geht es um die zügige und transparente Regulierung. Data Analytics und KI liefern vielfältigen Support für die Sachbearbeiter. Eine leistungsfähige KI zur Erkennung und Klassifizierung von fotografierten Schadensbildern liefert z.B. wertvolle Unterstützung in der Schadenregulierung.

 

So haben sich Drohnen in den letzten Jahren zu regelrechten Alleskönnern entwickelt. Sie werden für unterschiedlichste Analysen eingesetzt und liefern zuverlässig präzise und umfassende Daten, vor allem bei komplexen Groß- und Kumulschäden. Diese Technologie ermöglicht uns mithilfe sehr guter Bildaufnahmen eine rasche und umfängliche Einschätzung der Schadenhöhe. Das gilt auch dann, wenn Gutachter einsturzgefährdete Gebäude, wie Industrieanlagen, nicht betreten können. Unsere Kunden profitieren von der schnelleren Bearbeitungszeit und einer nachvollziehbaren Dokumentation des Schadenausmaßes.

 

Unser neu entwickeltes Verfahren zur automatischen Unterscheidung von Dokumentenfotos und Fahrzeugfotos differenziert Dokumente wie den Fahrzeugschein von Schadensbildern und klassifiziert den Schaden vor. Die Schadenssachbearbeiter haben einen geringeren Aufwand und können sich auf die höherwertige Einzelfall-Analyse konzentrieren.

 

Die aufgezeigten Beispiele verdeutlichen, wie KI und Data Analytics bereits unverzichtbare Werkzeuge darstellen, um die steigenden Serviceerwartungen unserer Kunden und den wirtschaftlichen Umgang mit den Kundengeldern weiterhin dauerhaft in Einklang zu bringen.

Versicherungskammer Bayern · VKB · Daten