[16.04.2012] Zurzeit kann man eine Renaissance der Data Mining-Idee beobachten. Nachdem Anfang der 2000er Jahre ein wesentlicher Baustein der Business Intelligence gesehen wurde, war es in den letzten Jahren zunehmend ruhig um dieses Thema geworden. Nun taucht das Konzept im Kontext von Business Analytics oder Predictive Analytics wieder auf. Gartner sieht in seinem aktuellen Hype Cycle das Thema Predictive Analytics kurz vor der Erreichung des Plateau der Produktivität. In Zeiten der Finanzkrise und eines sich dramatisch wandelnden Marktes war und ist der Einsatz von zukunftsorientierten Prognosemodellen ein aktuelles Thema auch in der Versicherungsbranche. Insbesondere BI Anbieter wie SAS und IBM (SPSS) setzten bei der Weiterentwicklung ihrer BI-Plattformen konsequent auf das Thema Predictive Analytics – und bieten analytische Modelle und Lösungen für Versicherungen. Welche Einsatzbereiche finden sich bereits heute im Spektrum von Versicherung für Predictive Analytics, welche Chancen und - welche Restriktionen – sind diesem Konzept gesetzt?

1. ZfV 311
Axel Kummer / Falk Lehmann
Predictive Analytics bei Vertriebssteuerung und -controlling: Status
Quo und Perspektiven in der Versicherung
Zurzeit kann man eine Renaissance der Data Mining-Idee beobachten. Nachdem Anfang der 2000er Jahre ein wesentlicher Baustein der Busin-
ess Intelligence gesehen wurde, war es in den letzten Jahren zunehmend ruhig um dieses Thema geworden. Nun taucht das Konzept im Kon-
text von Business Analytics oder Predictive Analytics wieder auf. Gartner sieht in seinem aktuellen Hype Cycle das Thema Predictive Analytics
kurz vor der Erreichung des Plateau der Produktivität. In Zeiten der Finanzkrise und eines sich dramatisch wandelnden Marktes war und ist der
Einsatz von zukunftsorientierten Prognosemodellen ein aktuelles Thema auch in der Versicherungsbranche. Insbesondere BI Anbieter wie SAS
und IBM (SPSS) setzten bei der Weiterentwicklung ihrer BI-Plattformen konsequent auf das Thema Predictive Analytics – und bieten analyti-
sche Modelle und Lösungen für Versicherungen. Welche Einsatzbereiche finden sich bereits heute im Spektrum von Versicherung für Predic-
tive Analytics, welche Chancen und - welche Restriktionen – sind diesem Konzept gesetzt?
sind. Spätestens seit der Griechenland-Krise das Internet mit seinen Vergleichsportalen
Prediction – oder das Vorhersehen
sind Staatsanleihen – eine bisher als sicher und die daraus resultierende Transparenz der
des künftig zu Erwartenden.
geltende Assetklasse und somit ein Hauptin- Versicherungsangebote stützt. Für diese Kun-
Unter dem Begriff „Predictive Analytics“ strument des Assetmanagements von Versi- den werden kostengünstige Standardproduk-
werden im allgemeinen Sprachgebrauch die cherungen – durchaus mit erheblichen Risi- te angeboten – die ohne komplizierte Mecha-
zukunftsorientierte Datenanalyse sowie das ken belastet. Niedrige Zinsen führen zu ern- nik quasi industrialisiert erbracht werden
Erstellen von Prognosemodellen verstanden. sten Problemen, da Versicherungen darauf können.
Predictive Analytics wird dem Themenbe- angewiesen sind ihre Beitragseinnahmen
reich „Business Analytics“ zugerechnet, der wirtschaftlich anzulegen, um künftige zu Abbildung 3
häufig als die Weiterentwicklung oder Erwei- erwartende Risiken zu decken und Mindest-
terung der klassischen Business Intelligence verzinsungszusagen halten zu können. Dem Gegenüber steht eine zweite Kun-
bezeichnet wird. Gartner spricht hier tref- dengruppe, für die nicht der Preis, sondern
fend vom „Shift from measurement to analy- Anderseits verändert sich auch der Versi- vielmehr die erbrachte Leistung im Vor-
sis, forecasting and optimization“. cherungsmarkt selbst. Die Zeiten des stetigen dergrund steht. Dieser individualistische
Wachstums der Versicherungen sind – Kundentyp erwartet individuell auf seine
Abbildung 1 zumindest in den Industriestaaten – vorbei. persönlichen Bedürfnisse zugeschnittene Ver-
In einem gesättigten Markt stagnieren die sicherungsprodukte und vor allem Premium-
Entscheidungsträger werden aufgrund Beitragseinnahmen. Aufgrund der Globali- Services. Für diese spürbaren Mehrwerte ist
immer stärker wachsender und zu verarbei- sierung drängen im Kampf um mehr Mark- er bereit höhere Beiträge zu zahlen. Um sich
tender Datenmengen gezwungen sein, auf tanteile neue internationale Anbieter in den diesen Veränderungen und Entwicklungen
immer stärker prognoseorientierte Modelle deutschen Markt. Zugleich stiegen die stellen zu können, sind die Versicherer im viel
zu setzen und diese auch in operativeren Ent- Kosten der Schadenregulierung in den letz- stärkeren Maße als in der Vergangenheit
scheidungsprozessen systematisch zu nutzen, ten Jahren stetig an. Ein hoher Kostendruck gezwungen, frühzeitig die richtigen Entschei-
um künftige Entwicklungen am Markt zu und damit eine zunehmend geringe Marge dungen zu treffen, die richtigen Produkte,
antizipieren und rechtzeitig agieren zu kön- für die Versicherung ist die Folge. zur richtigen Zeit, über den richtigen Ver-
nen. Bereits seit knapp zwanzig Jahren wer- triebskanal dem richtig ermittelten Kunden-
den daher Predictive Analytics (PA) Werkzeu- Abbildung 2 typ anzubieten und vor allem ihre Services
ge insbesondere in Branchen, wie der Tele- noch stärker an den Kundenbedürfnissen
kommunikation, des Handels, des Bankings – Der Wettbewerb um die Versicherungs- auszurichten.
aber auch in der Versicherungswirtschaft kunden wird härter und auch die Kunden
erfolgreich eingesetzt. haben sich verändert. Der traditionelle Versi-
Heutige Anwendungsgebiete von Pre-
cherungskunde – langfristig konservativ ori-
dictive Analytics in der Versicherung
entiert, mit allen Produkten bei einem Versi-
Der Versicherungsmarkt im Umbruch
cherer versichert und einmal gewonnen, treu Die Nutzung von mathematisch, statischen
Nicht erst seit dem Ausbruch der Finanz- an seine Versicherung gebunden – wird Verfahren für zukunftsorientierten Prognose-
krise im Jahr 2009 vollzieht sich im Versiche- zunehmend von neuen Kundentypen ver- modelle ist kein neues Thema in der Asseku-
rungsmarkt ein dramatischer Wandel. Einer- drängt.
seits trifft die Finanzkrise die Versicherungen Axel Kummer
hart, da sich aufgrund der deutlich erhöhten Da gibt es den vertragsorientierten Kun- COO, metafinanz Informationssysteme GmbH
Volatilität der Marktbewertungen das Anla- dentyp, der dem Best-of-Breed-Ansatz fol- Falk Lehmann
gerisiko stark erhöht hat bzw. die Anla- gend, kostenorientiert seine Versicherungsri- Head of Business Intelligence, metafinanz Informations-
gemöglichkeiten für die eingenommenen siken beim jeweils attraktivsten Versicherer systeme GmbH
Versicherungsbeiträge stark eingeschränkt abdeckt. Ein Trend der sich maßgeblich auf

2. ZfV
ranz. Zumindest nicht bei den größeren Ver- – Welche Agenturstandorte werden wo – Separierung der Daten in Trainingsdaten
sicherern. In fast allen großen Versicherun- regional benötigt? zur Modellierung und in von den Trai-
gen finden sich heute schlagkräftige Statisti- – Welche Agenturen und Makler werden ningsdaten unabhängige Testdaten zur
kabteilungen, die sich dediziert auch mit Pre- künftig welchen Umsatz mit welchem Pro- Validierung.
dictive Analytics beschäftigen. Wesentliche dukt erwirtschaften?
Prognose- und Analyse-Schwerpunkte liegen – Welche Produkte müssen sich wie oft ver- Scorecard-Modellierung
heute vor allem auf dem analytischen Custo- kaufen, um künftigen Entwicklungen des – Aufbau eines statistischen, kontextbezoge-
mer Relationship-Management bzw. der Marktes zu begegnen? nen Prognosemodells, das den Einfluss von
Customer Intelligence sowie der damit eng – Wie entwickelt sich der Markt im Zeitraum Merkmalen auf ein Ereignis/Gegenereignis
verbunden Vertriebssteuerung. X für bestimmte Produkte? (bei den meisten Einsatzgebieten von
Scorecards handelt es sich um die Vorher-
Häufige Fragestellungen, die mit analyti- sage zweier Ausprägungen wie bspw.
Eingesetzte Verfahren und Modelle
schen Modellen prognostiziert werden, sind „Kunde kündigt“ und „Kunde kündigt
z.B.: Zur Beantwortung der fachlichen Fragen- nicht“) auf Basis von vorhandenen Beob-
stellungen werden unterschiedliche mathe- achtungen analysiert und Wahrscheinlich-
Customer Lifetime Value / Kundenwert: matisch-statistische Verfahren des (datenge- keiten aufgrund des Modells berechnet.
– In welchen Segmenten und wie entwickelt triebenen) Data Mining und der hypothesen- – In der Praxis bilden Scorecards häufig ein
sich künftig der Kundenstamm? basierten multivariaten Statistik genutzt. Der multivariates Modell ab, in dem durch pas-
– Mit welchen Strategien lässt sich das Einsatz von Data Mining dient hierbei der sende mathematische Verknüpfung ver-
zukünftige Kundenverhalten beeinflussen? Entdeckung von komplexen Strukturen, schiedene Merkmale zu einem Modell
– Welche Entscheidungsmerkmale sprechen Zusammenhängen oder Besonderheiten in zusammengeführt werden.
dafür, dass Endkunden ein Produkt kau- großen Datenmengen. Die daraus abgeleite- – Zum Einsatz kommen unterschiedlichste
fen? ten Hypothesen/ Modelle werden dann mit Data-Mining-Verfahren, wie zum Beispiel
– Über welche Kommunikationskanäle las- Hilfe von realen Daten und Algorithmen hin- Neuronale Netze, Entscheidungsbäume
sen sich in den unterschiedlichen Kunden- sichtlich ihrer Prognosegüte überprüft. und logistische Regressionen.
segmenten am besten ansprechen? – Welches Verfahren für das jeweilige Pro-
– Wie lassen sich Kundensegmente langfri- Abbildung 4 gnosemodell am besten geeignet ist hängt
stig loyalisieren und nachhaltig entwickeln? sowohl von den zur Verfügung stehenden
– Wie können Budget und Ressourcen bei Dieser in der Praxis häufig auf dem Daten ab als auch von der Fachlichkeit des
kundenorientierten Investitionsvorhaben „Cross-Industry Standard Process for Data zu analysierenden Ereignisses.
am effektivsten eingesetzt und gesteuert Mining“ (CRISP-DM) basierende Prozess
werden? wird im Kontext der Predictive Analytics als Scorecard-Evaluation
Scoring bezeichnet. Das prinzipielle Vorge- – Zur kontinuierlichen Verbesserung des
Churn Management/ Attrition: hen beim Scoring lässt sich vereinfacht durch betrachteten Prognosemodells werden
– Welche Kunden werden wahrscheinlich in folgende Schritte darstellen: systematisch die strukturellen Einflüsse der
nächster Zeit kündigen bzw. sind stornoge- betrachteten Merkmale analysiert und
fährdet? Verständnis des fachlichen Kontextes nicht signifikante Besonderheiten heraus-
– Wie lassen sich unzufriedene Kunden – Klärung der fachlichen Zielsetzung des gefiltert.
erkennen bevor sie eine Kündigungsabsicht Prognosemodells (Scorecard): Insbesonde- – Bewertung der Prognosegüte: Mittels der
äußern? re der fachlichen Spezifikation des zu pro- unabhängigen Validierungsmenge wird die
– Welche Maßnahmen zur Kündigungsver- gnostizierenden Ereignisses sowie des avi- Aussagekraft der Scorecard gemessen und
hinderung oder gar Kündigerrückgewin- sierten Prognosezeitraumes. anhand von etablierten Kennzahlen die
nung sind unter Berücksichtigung ökono- – Festlegung des künftigen Einsatzszenarios: Prognosegüte bewertet.
mischer Kennzahlen, wie z.B. des Kunden- In welchen (operativen) Prozessen soll die
wertes, in der jeweiligen Konstellation am Scorecard eingesetzt werden? Scorecard-Einsatz
erfolgversprechendsten? – Festlegung von Kriterien der Wirksamkeit – Anwendung der Scorecard in den definier-
der Scorecard: Was soll mit dem Score- ten Einsatzszenarios, d.h. Einbettung in die
Lead Management/ Aktionsmanagement card-Einsatz erreicht werden und wie lässt operativen Geschäftsprozesse und Durch-
– Wie kann die Reichweite und Wirksamkeit sich das Ergebnis bewerten? führung der Prognose auf Basis aktueller
von Marketing Kampagnen erhöht wer- (täglicher, wöchentlicher oder monatlicher)
den? Datenbereitstellung und –aufbereitung Daten.
– Up- und Cross-Selling: Welche Kunden – Klärung welche Daten aus fachlicher Hin- – Kontinuierliche Messung der Prognosegüte
haben eine hohe Abschlussaffinität hin- sicht zu berücksichtigen sind, in welchem und Wartung des statistischen Modells, das
sichtlich weiterer ausgewählter Produkte? Umfang diese überhaupt (technisch) vor- in regelmäßigen Abständen immer weiter
– Zu welchem Anlass hat ein Vertreterbesuch handen sind und ob zusätzlich extern zu trainiert und validiert wird, um die Pro-
die größte Wirksamkeit? beschaffene Daten, wie zum Beispiel gnosegüte stetig zu verbessern.
Markt- und Milieudaten benötigt werden,
Vertriebsplanung / Standortplanung – Analyse der Datenqualität der zur Modell- Dieses Vorgehen lässt sich in vielen moder-
– Wie entwickeln sich die Kunden regional? bildung heranzuziehenden Daten, nen Versicherungsunternehmen finden und
– Welche Vertriebswege sind für welche Pro- – Ggf. Umsetzung und Einhaltung möglicher ist in diesen seit mehreren Jahren etabliert.
dukte und Kundensegmente effektiv und Restriktionen des Datenschutzes, Obwohl ein etabliertes Standardvorgehen
effizient?

3. ZfV
existiert, sind darüber hinaus eine Fülle von auf dem Einsatz von statistischen Werkzeu- hauptsächlich im rein dispositiven Umfeld –
Einflussfaktoren zu managen, die über den gen. Eigenständige Data Mining Lösungen, wie z.B. der Vertriebs- und Aktionsplanung –
erfolgreichen Einsatz von Predictive Analy- wie beispielsweise des SAS Enterprise Miner zur Anwendung, so gewinnt künftig der syste-
tics in der Versicherungsbranche entschei- 6.2 oder des IBM SPSS Modeler 14, sind matische Einsatz in operativen Anwendungs-
den. zurzeit jedoch in den Versicherungen noch systemen an Bedeutung. Immer mehr Werk-
gering vertreten, da mit Einsatz dieser Werk- zeuganbieter bieten daher die Möglichkeit
zeuge teilweise beträchtliche Investitionen über definierte Service-Schnittstellen die
Kritische Erfolgsfaktoren
verbunden sind. Daher kommen bei der zugrundeliegenden Statistikkomponenten in
Von zentraler Bedeutung für den Erfolg Scorecard-Entwicklung in der Assekuranz operativen Anwendungssystemen, wie zum
einer entwickelten Scorecard sind insbeson- häufig die bereits für andere Zwecke einge- Beispiel Web-Anwendungen, zu integrieren.
dere: setzten statistischen Werkzeuge, wie beispiels- So werden beispielsweise bereits heute Score-
– die Klärung der fachlichen Zielsetzung, weise SAS| STAT zum Einsatz. cards in Kundenportalen von Versicherun-
– die Auswahl des passenden mathematisch- gen eingesetzt, um den Kundendialog zu
statistischen Modells, Der Einsatz von echten Data Mining Sui- analysieren und zu steuern. Anhand bekann-
– die Qualität der zugrundeliegenden Daten- ten kann allerdings zu einer Erhöhung der ter Kundenmerkmale wird der jeweilige Por-
basis und Scoring-Produktivität führen, stellt aber – talbesucher unter Nutzung von Scorecards in
– die richtige Interpretation der erzielten zumindest zurzeit - aus Sicht vieler Versiche- Echtzeit analysiert und die für ihn wahr-
Prognoseergebnisse und der daraus abge- rer noch keinen echten kritischen Erfolgsfak- scheinlich interessantesten Produkte und Ser-
leiteten Maßnahmen. tor dar, da auch mit den etablierten statisti- vices prognostiziert, die dann unmittelbar im
schen Werkzeugen gleichwertige Ergebnisse Dialog angezeigt werden. Erste Erfahrungen
Das hört sich auf den ersten Blick trivial erzielt werden können. Der von einigen Data zeigen, dass hierdurch signifikante Steige-
an, ist es aber in keiner Weise. In der Praxis Mining-Anbietern verfolgte Ansatz in ihren rung des Verkaufserfolges erzielt werden kön-
zeigt sich drüber hinaus, dass die Progno- Suiten vorkonfigurierte versicherungsspezifi- nen.
següte – und damit der Nutzen - stark mit der sche Prognosemodelle bereitzustellen, um die
versicherungsfachlichen und mathematisch- Einstiegshürden für kleinere Versicherungen
Fazit
statistischen Kompetenz der durchführenden zu senken, ist allerdings Angesichts des star-
Data Mining Spezialisten korrelieren. ken Einflusses der notwendigen Kombinati- Zunehmender Wettbewerb- und Kosten-
on von Fach- und Statistikwissen der Analy- druck sowie verändertes Kundenverhalten
Im Versicherungsumfeld kommen im Hin- sten sowie der jeweiligen Heterogenität der
blick auf die benötigten Kunden- und Ver- Versicherer hinsichtlich Prognose-Inputdaten
triebsdaten einige weitere branchenspezifi- – zumindest zu hinterfragen.
sche Besonderheiten hinzu. Im modernen
Versicherungsvertrieb werden unterschied- Ein echter Fortschritt in der Toolunterstüt-
lichste Vertriebswege, wie AO-Vertreter, zung zeichnet sich indessen an anderer Stelle „In der Praxis zeigt
Makler, Strukturvertriebe, Onlineplattfor- ab: Durch den immer breiter werdenden
men, Internet oder B2B-Partner, wie z.B. Einsatz von Prognosemodellen, steigt auch sich drüber hinaus,
Autohäuser oder Automobilhersteller, die Komplexität und Vielzahl der in die Ana-
genutzt. Die Beschaffung (und Standardisie- lysen einbezogenen Datenquellen – die dass die Prognose-
rung) der zur Modellentwicklung und Sicherstellung der Datenqualität gewinnt
–anwendung notwendigen Vertriebsdaten somit zunehmend an Gewicht. Eine Entwick- güte – und damit der
stellt hierbei eine erhebliche Herausforde- lung, der durch die Anbieter durch die Inte-
rung dar. Erschwerend wirkt hierbei auch die gration von Data Quality Lösungen in ihre Nutzen – stark mit
rechtliche Unabhängigkeit der Vertreter- BI Suiten Rechnung getragen wird.
schaft, die als selbständige Handelsverteter der versicherungs-
rechtlicher und wirtschaftlicher Eigentümer Gerade in kundenfokussierten Prognosen,
ihrer Daten sind. deren Ergebnis häufig zu direkter Kommuni- fachlichen und
kation oder einer (mit Kosten verbundenen)
Zusätzlich schränken die an die Versiche- Interaktionen mit dem Kunden führt, ist eine mathematisch-
rung gestellten datenschutzrechtlichen Anfor- qualitativ hochwertige – systematisch qua-
derungen sowohl den Umfang als auch die litätsgesicherte – Kundendatenbasis ein abso- statistischen Kompe-
Qualität der zur Analyse heranziehbaren lutes Muss. Wird hier zu wenig getan, wirkt
Daten maßgeblich ein. Vor allem Mehrspar- schnell das GIGO-Prinzip – „Garbage In, tenz der durch-
ten-Versicherungen, in denen die einzelnen Garbage Out“. Die komplexesten und hoch-
Sparten Sach-, Kranken- und Lebensversi- entwickeltsten Prognosemodelle nützen nur, führenden Data
cherung in rechtlich selbstständigen Unter- wenn qualitativ hochwertige Daten die
nehmen organisiert sind, haben gerade im Grundlage der Analyse und Prognose sind. Mining Spezialisten
Blick auf personenbezogene Daten strenge
Regeln zu befolgen. Die wichtigste Innovation stellt jedoch die korrelieren“
immer stärkere Verankerung von Scorecards
Der Prozess der Scorecard-Modellierung in die operativen Geschäftsprozesse dar.
ist selbstverständlich toolgestützt und basiert Kommen heute analytische Prognosemodelle

4. ZfV
zwingen die Assekuranz künftig noch in viel
stärkerem Maße ihre begrenzten Ressourcen
zielgerichteter einzusetzen. Dem Ausbau und Abbildung 1: Predictive Analysis im Spektrum der BI-Technologien.
Erhalt der eigenen Kundenbasis kommt
dabei eine überragende Bedeutung zu.
Bereits heute befindet sich in vielen großen
Versicherungen Predictive Analytics erfolg-
reich im Einsatz. Aufgrund der technologi-
schen Weiterentwicklung wird das Einsatz-
spektrum von Prognosemodellen jedoch
immer umfangreicher. Künftig werden
Scorecards nicht nur dispositiv, sondern auch
direkt eingebettet in die operativen Prozessen
an Bedeutung gewinnen. Die größte Ein-
stiegshürde zum Aufbau von Scorecards für
kleinere und mittlere Versicherer bildet –
neben der oft nicht unbeträchtlichen Investi-
tion in die analytischen Werkzeuge – vor
allem die Skillfrage. Häufig sind Spezialisten,
die sowohl über exzellentes versicherungsspe-
zifisches Know-how, als auch über eine her- (Quelle: TDWI)
vorragende mathematisch-statististische
Expertise verfügen, intern nicht verfügbar.
Eine Lösung für diese Herausforderung ist
es, bei den ersten Schritten zum Aufbau von
eigenen Scorecards nicht gleich zu viel zu
wollen, sondern zusammen mit einem erfah-
renen Partner, der über hinreichende Bran-
chen- und Mathematikkompetenz verfügt, Abbildung 2: Stagnierende Beitragseinnahmen ausgewählter Branchen der deutschen Sachversicherungen
sukzessive das Thema und die eigene Mitar- in Mio. Euro
beiter zu entwickeln sowie die notwendigen
Prozesse zu etablieren. Auch die Investitio-
nen lassen sich – abhängig vom einzusetzen-
den Statistikverfahren – durch die Nutzung
von kostengünstigere Open Source – Werk-
zeugen für Data Mining und Statistik, wie
zum Beispiel R ( http://www.r-project.org/)
oder dem RapidMiner ( http://rapid-i.com /),
begrenzen.
Ein erstes Projekt muss nicht gleich mehre-
re Mannjahre umfassen. Erste Ergebnisse las-
sen sich oft bereits nach kurzer Zeit erzielen
und schrittweise ausbauen.
(Quelle: GDV, 2009)

5. ZfV
Abbildung 3: Neues Kundenverhalten in der Versicherung
(Quelle: Benölken, Gerber, Skudlik, 2005)
Abbildung 4: Cross-Industry Standard Process for Data Mining