„In Beständen denken, nicht in Einzelfällen!“

Quelle: Bild von Pexels auf Pixabay

Versicherungsnehmer A und B haben jeder zwei Leitungswasser-Schäden in Folge. Viele Gebäudeversicherer würden hier eine Kündigung aussprechen – und zwar beiden Personen, ohne weitere Merkmale zu berücksichtigen. Doch einmal angenommen, die Kunden hätten unterschiedliche Profile: Kunde A liegt in einer guten Leitungswasser-Zone und hat für die Zukunft eine gute Profitabilitätserwartung – im Gegensatz zu Kunde B, dessen zwei Rohrbrüche durch Verschleiß zustande kamen.

Mit den beiden Fällen unterschiedlich umzugehen, ist eine Frage der Wirtschaftlichkeit. Im Falle des Beispiels von Kunde A und B geht es darum, „Pech“ von systematisch untertarifierten Risiken zu unterscheiden. Möglich ist dies mithilfe der Mathematik. Hier können spezielle statistische Verfahren den Einfluss des Zufalls herausfiltern und das wahre Risiko zum Vorschein bringen.

Hierbei kann eine Datenanreicherung über externe Dienstleister mittels der Risikoadresse hilfreich sein. Sie kann dafür sorgen, dass neben dem aktuellen Gebäudewert teilweise auch das Gebäudealter und weitere Daten zur Verfügung stehen. Beispielsweise haben Analysen aus unserem Hause ergeben, dass der Versicherungswert, der in den Systemen der Versicherungsunternehmen hinterlegt ist, in vielen Fällen signifikant zu niedrig ist. Bei Gebäuden, die älter als zehn Jahre sind, ist der Versicherungswert sogar in der Hälfte der Fälle um mindestens 20 Prozent zu gering angesetzt.

Doch selbst, wenn das Gebäudealter unbekannt ist, kann Actuarial Data Science Abhilfe schaffen. Wenn ein Gebäudealter mit entsprechenden Verfahren geschätzt wird, kann dies die Prognose des zukünftigen Schadenausmaßes markant verbessern. Das Mittel der Wahl ist hier „Imputation“ – ein Begriff für statistische Verfahren, mit denen fehlende Daten aus den übrigen, vorhandenen Daten geschätzt werden können, um die Datenbasis zu vervollständigen.

Wer seine Erkenntnismöglichkeiten auf solche Weise schärft, bemerkt oft Problemkonstellation, die vorher nicht bewusst gewesen sind. Etwa kann eine starke Diskrepanz sichtbar werden – zwischen dem, wie die Prämie vor einiger Zeit festgelegt wurde und dem Stand, wie er nun als eigentlich notwendig erkannt wird. Ist jedoch der Gesamtbestand ausreichend profitabel, sind auch solche Fälle nicht als Problem anzusehen.

Dass Entscheidende ist, dass der Versicherer objektiven Einblick in den eigenen Bestand hat. Ist dies der Fall, kann auch eine bewusst in Kauf genommene Quersubventionierung ein akzeptables Mittel sein. Denn zugrunde liegt dann ein Denken in Beständen, nicht in Einzelfällen.

Mathematisch fundierte Modelle kommen in manchen Fällen zu dem Ergebnis, dass schadenfreie Risiken gekündigt oder die Prämie massiv angepasst werden müssten. Das kann im Vertrieb schwer zu erklären sein. Mögliche Gründe sind zum Beispiel Umstufungen (z.B. vorher ZÜRS-Zone 1, jetzt Zone 4), aber auch Fehltarifierungen in der Vergangenheit, die teilweise auch unverschuldet geschehen sein können, weil zum Zeitpunkt der Zeichnung noch viele risikorelevante Merkmale nicht erfasst wurden wie beispielsweise das Gebäudealter oder die Leitungswasserzone. Auch Angaben zu baulichen Veränderungen, Anbauten etc. werden bei langlaufenden Verträgen in der Regel nicht oder nur oberflächlich nachgehalten.

Entscheidend ist, dass ein professionelles Datenmanagement den Großteil der Fälle verlässlich durchdringt und damit den Bestand beherrschbar macht – und damit ein System schafft, das mit Kunde A und Kunde B auf Basis objektiver Ertragskennzahlen angemessen umgeht.

Ein Blick in die nahe Zukunft zeigt, dass das Internet of Things für neue Anwendungsfälle sorgen wird. Vieles im Markt wird sich dynamisch verändern. Doch auch hier ist ein gut geführter Datenhaushalt die Grundlage für jegliches wirtschaftliche Handeln.

Und stimmt die Datengrundlage einmal, ist es möglich, höchst differenzierende Risikomodelle zu entwickeln. Hierbei können Datenpools einen wichtigen Schlüssel zum Erfolg darstellen. Über eine große gemeinsame Datenbasis erzielen sie viel höhere Signifikanz – zugleich bieten sie den Beteiligten Gelegenheit zum Austausch über den aktuellen und zukünftigen Stand der (Versicherungs-) Technik. Die Prognosegüte der Modelle, die hierbei zum Einsatz kommen, bestätigen unsere über vierzig Poolmitglieder jedes Jahr aufs Neue. Professionelle Risikomodelle sind ein Schlüssel und die Voraussetzung zu einer wettbewerbsorientierten Tarifoptimierung.

Autor: Thomas Budzyn ist leitender Berater bei der aktuariellen Beratungsgesellschaft Meyerthole Siems Kohlruss in Köln

Ein Kommentar

  • „ Bei Gebäuden, die älter als zehn Jahre sind, ist der Versicherungswert sogar in der Hälfte der Fälle um mindestens 20 Prozent zu gering angesetzt.“ Und warum ist das so?
    War der Wert 1914 nicht korrekt ermittelt worden? Dass der gleitende Anpassungsfaktor die tatsächliche Entwicklung im Einzelfall nicht 1:1 stimmt ist doch selbstverständlich. Es wird aber auch Einzelfälle geben, die überversichert sind. Es muss der gesamte Bestand betrachtet werden. Es darf bei der gleitenden Neuwertversicherung nicht der Fehler gemacht werden, ein älteres Gebäude nach heutigem Kenntnisstand neu zu bewerten. Vielmehr müsste auf den Zeitpunkt der ursprünglichen Bewertung abgestellt werden. Ansonsten wäre der Wert 1914 obsolet. Es daher auch beim besten Willen nicht nachvollziehbar, warum Versicherer für dieselben Gebäude auf unterschiedliche Werte 1914 kommen? Für das Gebäude sollte eine „Wert 1914-Pass“, den alle Versicherer akzeptieren, ausgestellt werden. Dann wären nur noch werterhöhende Baumaßnahmen zu berücksichtigen. Dadurch wäre auch ein Versichererwechsel einfacher.
    Dass es nicht um eine individuelle Wertermittlung geht, zeigt doch, dass Versicherer einfach pauschale Werte zugrunde legen (z.B. 150 M/qm Wohnfläche); unabhängig von der Gebäudeausstattung. Dass dann eine individuelle Prüfung zu anderen Werten führt, ist nachvollziehbar.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.

12 − 8 =