News

Data Mining: Die Kristallkugel für Underwriter

Redaktion RiskNET

Charakteristisch für das Underwriting bei Versicherern ist die Abhängigkeit von künftigen, schwer vorhersehbaren Ereignissen. Tritt ein solches Ereignis ein, hat dies Konsequenzen nicht nur für die Rentabilität des jeweiligen Abschlusses, sondern für die Performance des Versicherers insgesamt. Mit dem komplexen Deloitte-Modell auf Basis von Data Mining lässt sich die Wahrscheinlichkeit möglicher zukünftiger Ereignisse jedoch sehr genau antizipieren und eingrenzen. So können Versicherer, ihre Underwriting-Risiken mithilfe dieser anspruchsvollen Analysemethode minimieren und ein optimal angepasstes Pricing realisieren. „Die Versicherungswirtschaft hat sich nach den Katastrophen der letzten Jahre zwar gerade erst halbwegs erholt und wieder einigermaßen befriedigende Renditen erzielt, doch die weltweite Konjunktur droht mit einem erneuten Abschwung“, erläutert Marc Böhlhoff, Director Insurance bei Deloitte. „Für die Branche könnte dies in einem Nullsummenspiel enden, das nur durch wirksame Methoden zur Risikoabschätzung beim Underwriting vermieden werden kann.“

Statistisch fundierte Methoden

„Gerade auf den Underwritern lastet ein enormer Druck, zudem sind ihre Entscheidungen oft auch von subjektiven Aspekten geprägt. Umso wichtiger ist hier eine verlässliche, abgesicherte Methode zur Beurteilung potenzieller Entwicklungen – und damit einhergehender Risiken“, ergänzt Marc Böhlhoff. Die Lösung liegt in der Kombination von fundiertem Data Mining und entsprechenden Risikokapitalmodellen. Schon heute fokussieren sich zahlreiche Versicherer auf die (Weiter-) Entwicklung solcher Modelle, die Fähigkeit dazu gehört für viele Marktteilnehmer bereits zu den Kernkompetenzen und verschafft ihnen einen entscheidenden Wettbewerbsvorteil.

Fünfstufiger Prozess

Ein adäquates Data Mining erfolgt unter Anwendung geeigneter statistischer Instrumente. Es bildet die Basis für die Entwicklung von Risikokapitalmodellen. Im Zentrum steht dabei die Identifizierung von Risikokenndaten, die ihrerseits als Konstante in die zu entwickelnden Modelle einfließen. Der Prozess der Modellentwicklung und -implementierung teilt sich in fünf Stufen auf: Entwicklung, Evaluation, Prozess-Redesign, Technologie-Implementierung sowie Training. Hierbei kommt es auf einen kontinuierlichen und konsistenten Prozessfluss an – einschließlich Change Management und der Einbeziehung regulatorischer Rahmenbedingungen. Ein solches Modell bietet seinem Anwender eine Reihe von Vorteilen. Einer davon ist die optimierte Segmentierung beim Underwriting. Diese bewirkt eine entscheidende Reduktion potenzieller Verluste, da der Versicherer eine größere Zahl an spezifischen Variablen zur Verfügung hat, die ihm die Identifikation potenziell verlustträchtiger Policen ermöglicht. Darüber hinaus ermöglichen Risikokapitalmodelle die Erschließung neuer Geschäftsoptionen einschließlich eines attraktiven Pricings. Ein weiterer Vorteil solcher Modelle ist die Möglichkeit, die technischen Prozesse zu optimieren. Dazu gehört die Erweiterung eines automatisierten Underwritings, im Rahmen dessen nur noch ausgesuchte Aspekte manuell überprüft werden müssen, dazu gehört aber auch die Selektion unterstützender – und kostenintensiver – Services, die nur noch ganz gezielt zum Einsatz kommen. „Diese Risikokapitalmodelle auf Basis von Data Mining eignen sich nicht nur für das Underwriting und die Schadenbearbeitung bei Schaden-/Unfallversicherern, sondern auch für Krankenversicherer“, betont Marc Böhlhoff.

Stärkere Segmentierung zur Reduktion von Verlustrisiken

Eine leistungsfähige Lösung auf Data-Mining- und Risikokapitalmodell-Basis bietet Versicherern entscheidende Vorteile sowohl in finanzwirtschaftlicher als auch in operationaler Hinsicht. Um diese nutzen zu können, brauchen sie jedoch eine klare Implementationsstrategie, die alle relevanten Aspekte beachtet. Erst dann können sie die Profitabilitätspotenziale in vollem Umfang ausschöpfen. „Immer mehr Versicherer werden Risikokapitalmodelle entwickeln und einsetzen – umso kritischer wird die Situation für jene, die sich gerade in Zeiten stagnierender und rückläufiger Märkte überkommener Methoden bedienen“, prognostiziert Marc Böhlhoff.

Einen ausführlichen Abstract dazu finden Sie hier zum Download.

 



Themenverwandte Artikel

Kausalzusammenhänge mit AI erkennen: Chancen und Risiken künstlicher Intelligenz News

Chancen und Risiken künstlicher Intelligenz

Kausalzusammenhänge mit AI erkennen

Redaktion RiskNET

Artificial Intelligence (AI) erobert die Welt: Über 1,2 Milliarden Ergebnisse liefert Google zu den Suchbegriffen "Künstliche Intelligenz",…

Staatsverschuldung: Das "R – G"-Theorem in der Finanzpolitik Kolumne

Staatsverschuldung

Das "R – G"-Theorem in der Finanzpolitik

Martin W. Hüfner, Chief Economist, Assenagon Asset Management S.A.

Vor gut einem halben Jahr hielt der französische Ökonom Olivier Blanchard eine Rede, die für erhebliche Aufregung sorgte. Auf der renommierten…

Nur noch vier Länder A1: Wenig grün, viel rot auf der Risikoweltkarte News

Nur noch vier Länder A1

Wenig grün, viel rot auf der Risikoweltkarte

Redaktion RiskNET

Norwegen, die Niederlande, die Schweiz und Luxemburg. Das sind die vier verbliebenen Länder in der Kategorie A1 beim internationalen Kreditversicherer…

Zahlreiche Risiken überschatten Wachstumsausblick News

Szenarioanalyse

Zahlreiche Risiken überschatten Wachstumsausblick

Redaktion RiskNET

Die EU-Kommission hat ihre Wachstumsprognosen für die größten Länder der Eurozone für dieses und das nächste Jahr weitgehend bestätigt, sieht den…

Libra: Chancen und Risiken - Eine Autobahn für den Zahlungsverkehr Kolumne

Libra: Chancen und Risiken

Eine Autobahn für den Zahlungsverkehr

Martin W. Hüfner, Chief Economist, Assenagon Asset Management S.A.

Versetzen Sie sich 200 Jahre zurück. Als die Dampfmaschine ihren Siegeszug begann, waren die Reaktion der Menschen überwiegend negativ. Den meisten…