ifa informiert

Data Analytics in der Lebensversicherung – Möglichkeiten und Grenzen

Die Nutzung von Daten ist für Versicherungsunternehmen schon immer eine Kern-kompetenz ihres Geschäftsmodells. Die in den letzten Jahren zunehmend populären Data-Analytics-Methoden sind eine hilfreiche Erweiterung des Methodenbaukasten für Datenanalysen in der Lebensversicherung: Sie erlauben ein besseres Erkennen von Strukturen in den Daten und hierdurch eine signifikante Verbesserung der Prognosegüte. Außerdem kann der Analyseprozess beschleunigt und automatisiert werden.

Unsere Projekterfahrungen zeigen, dass es auch in der Lebensversicherung zahlreiche spannende Anwendungsbeispiele für Data Analytics entlang der gesamten Wertschöpfungskette gibt. Illustrativ nachfolgend zwei konkrete Anwendungsbeispiele:

• Für ein aktives Bestandsmanagement ist ein grundlegendes Verständnis des künftigen Versicherungsnehmerverhaltens entscheidend. Hierbei können Data-Analytics-Methoden dazu verwendet werden, das künftige Kundenverhalten (Rückkauf, Kapitalwahl, Beitragsfreistellung etc.) besser zu verstehen. Durch dieses verbesserte Verständnis der bestehenden Kunden können beispielsweise Beitragsfreistellung oder Storno prophylaktisch vermieden oder Best-Estimate Annahmen verfeinert werden. In einem konkreten Anwendungsfall konnten wir etwa mit Hilfe von Methoden auf Basis von Entscheidungsbäumen die einzelvertragliche Vorhersage der Kapitalwahl erheblich verbessern.
• Im aktuariellen Risikomanagement werden zunehmend komplexe Modelle eingesetzt, sodass der damit verbundene Rechenzeitaufwand eine On Demand Berechnung von Unternehmensrisikokennzahlen (z.B. ein tägliches Update der Solvenzquote) unmöglich macht. Data-Analytics-Methoden können zur Approximation dieser Kenngrößen verwendet werden, sodass eine Berechnung instantan möglich ist. Interessanterweise stellt sich die Problematik einer zu geringen Datengrundlage hier nicht, da zur Kalibrierung synthetische Daten verwendet werden, die mit dem komplexen Original-Modell erzeugt werden.

Anwendungsunabhängig ist es wichtig zu entscheiden, ob Modelle z.B. aus regulatorischen Gesichtspunkten nachvollziehbar sein müssen. Black-Box Modelle, die sich zwar durch eine hervorragende Prognosegüte auszeichnen, sind nicht interpretierbar. Für die Anwendung dieser Modelle ist es deshalb besonders wichtig diese mit Kontext- und Methodenwissen zu validieren, um Fehlschlüssen vorzubeugen.

Andererseits sind aber manche mögliche Anwendungsfelder in der Lebensversicherung dadurch geprägt, dass eher zu wenige als zu viele Daten zur Verfügung stehen (also gerade keine Big Data). Hier ist der Zusatznutzen von Data-Analytics-Methoden fraglich. Um solche Fragestellungen für Data-Analytics-Methoden zugänglich zu machen, muss ggf. zunächst die Datenbasis verbessert werden, beispielsweise in Form eines Data Warehouse zum Kundenverhalten. Da der Aufbau einer geeigneten Datenbasis erfahrungsgemäß einige Zeit dauert, sollten entsprechende Initiativen eher frühzeitig in Angriff genommen werden.

Weitere Informationen: