Coya gibt Einblick wie Aktuare am besten arbeiten sollten
Quelle: pixabay
Als bekennende Nachdenker lassen sich Aktuare nur ungern unterbrechen. Sie finden kleinste Rechenfehler und befruchten Diskussionen mit präzisen Argumenten. Hilft oder stört da die Digitalisierung? Coyas Perspektive der digitalen Revolution in der Versicherungsmathematik.
Aktuare sind gläubig. Sie glauben an Modelle und daran, dass sich viele Dinge in unserer Welt typisch verhalten und damit vorhersagbar sind, basierend auf Annahmen und Verteilungen, die bestimmt, präzisiert und geteilt werden müssen. Andauernd verbessern Aktuare ihre Modelle, passen sie an Veränderungen an, machen sie detailreicher, genauer, tiefgängiger – ein Prozess, der Parametrisierung und Kalibrierung genannt wird. Größere Bedeutung erlangen aktuarielle Modelle aufgrund des stetig steigenden Daten- und Wissensdursts; sie werden komplexer, schwerer handhabbar und sind überaus sensitiv. Entwickelt in hauseigenen Systemen oder mithilfe mathematischer Plattformen (z.B. SAS, R) sind sie meist unabhängig, also eigenständig vom Versicherungsbetrieb. Höchstes Gut sind die Eingabe-Schnittstellen, die alle vorhandenen Datenquellen inner- und außerhalb des Hauses anzapfen. Besonders die System-Eigenständigkeit wird in der heutigen vermehrt datengetriebenen Welt diskutiert. Welcher Versicherer möchte nicht sofort neueste aktuarielle Kunden- und Schadenerkenntnisse in den Entwicklungs-, Verkaufs- und Annahmeprozess übernehmen?
Die Digitalisierung erzeugt verschiedenste Zukunftsvisionen in der Versicherungsbranche. Für Aktuare ermöglichen heutige Data-Science-Methoden schon eine verbesserte Visualisierung und Analyse von großen und komplexen Datenmengen. Die Übertragung der Kopfarbeit des Aktuars in klare, strukturelle Prozesse erlaubt die Erzeugung von selbstlernenden Algorithmen, die Erkenntnisse generieren, prüfen und in mögliche Produkt- und Preisentscheidungsvorlagen ummünzen. Für Effizienz in der Umsetzung von Erkenntnisgewinnung ist insbesondere die Integration aktuarieller Modelle und Data-Science-Methoden in die Versicherungssysteme notwendig. Nur so können nützliche Entscheidungen mit Sicht auf Produkt oder Preis extrem schnell, da (teil-) automatisiert getroffen und für unsere Kunden bereitgestellt werden.
Coya ist modellgläubig. Auf allen Ebenen, insbesondere auch in der Versicherungsmathematik. Neue Tools und Methoden helfen, Daten zu verstehen und schnelle Entscheidungen zu treffen. Alles beginnt mit dem PredictiveModelling in der Preisfindung. Aktuare bestimmen hier den Preis für ein Versicherungsprodukt. Was ist der Kundenbedarf? Welches Risiko steht dahinter? Wir Versicherer bedienen uns bei höherer Mathematik, um zu entscheiden, ob ein Versicherungsprodukt lohnenswert und tragbar ist. Alles beginnt beim Kunden: Traditionell bilden sogenannte GLMs (General Linear Models) die Basis für eine Kategorisierung unserer Kunden. Wie wird ein Kunde bewertet? Das Modell bestimmt die Eckdaten, die wir uns von unseren Kunden wünschen. Seit Jahren fließen neue mathematische Methoden in diese Kundenkategorisierung (Tarifierung) ein. DataScience-Methoden eignen sich insbesondere für eine Visualisierung und Bewertung von großen Kundendatenmengen. Sie produzieren mögliche Kunden- und Auswahlkriterien schnell und selbstständig und helfen dabei, zu bewerten, wie sensitiv oder abhängig diese voneinander sind. Bei Coya setzen wir im Pricing auf das Beste aus alten bewährten und neuen Methoden. Neue Machine-Learning und Deep-Learning-Algorithmen sind gefragt, weil Daten und Datenquellen durch die Digitalisierung unser täglich Brot sind. Sie können die Versicherung revolutionieren. Wir möchten verstehen, wie und weswegen Methoden sich für die Einteilung von Kundengruppen und die Voraussage von Schadenspotenzial eignen und was dabei die Hürden sind. Wir glauben, hiermit unseren Kunden geeignete und spezifische Preise für altbekannte und neue Produkte anbieten zu können. Und wir bauen einen reichhaltigen Erfahrungsschatz auf, der uns Aktuare zukunftsfähig macht und in unseren Tarifierungsaufgaben unterstützt.
WAS TUN, WENN KAUM DATENPUNKTE EXISTIEREN?
Die Reservierung schließt sich direkt an die Preisfindung an. Sobald unsere Kunden ein neues Produkt kaufen, muss dieses über die Zeit finanziell bewertet werden. Bei welchen Kundengruppen kommt es an, sehen wir viele oder eher wenige Schäden und wie groß ist das Potenzial des Produktes? Der Rückblick in die Vergangenheit und die Mustererkennung für zukünftige Prognosen sind Spezialität der Reserve-Modelle in der Versicherung. Traditionell werden Dreiecksmethoden verwendet – aber was machen, wenn kaum Datenpunkte existieren?
Lesen Sie den vollständigen Beitrag in der August-Ausgabe der Versicherungswirtschaft.
