Datengetriebene Geschäftsmodelle: Diese fünf Fehler müssen Versicherer vermeiden

Sie sind die Verheißung der Stunde: datengetriebene Geschäftsmodelle und Produkte. Doch sie bergen zu viele Risiken und scheitern zu oft – aber nicht an der Technik, sondern aus menschlichen Gründen. Welche Lehren können Versicherer daraus ziehen? Von Annika Bergbauer und Alexander Horn.

Daten werden häufig als das neue Öl bezeichnet. Das Volumen dieses wertvollen Rohstoffs wächst mit atemberaubender Geschwindigkeit: Die International Data Corporation (IDC) schätzt, dass sich die weltweite Datenmenge von rund 33 Zettabyte im Jahr 2018 auf 175 Zettabyte im Jahr 2025 mehr als verfünffachen wird. Das wirtschaftlich zu nutzen, hat große praktische Relevanz, wie eine Bitkom-Umfrage von 2020 zeigt: Für 85 Prozent der deutschen Unternehmen mit mehr als 50 Beschäftigten spielt die intensive Datennutzung heute und in Zukunft eine sehr große Rolle.

Doch die Realität sieht oft noch anders aus: Daten wirklich gewinnbringend zu nutzen, ist kein einfaches Geschäft. So scheitern nach Schätzung von Fachleuten immer noch 60 bis 80 Prozent aller Datenprojekte. Umso wichtiger wird, dass auch in Versicherungsunternehmen die Risiken zielgerecht gesteuert werden – eine anspruchsvolle Aufgabe für Entscheider. Was gehört dazu und wie lässt sich das Risikomanagement am besten umsetzen? Was auf den ersten Blick überrascht: Datenprojekte scheitern in der Regel nicht aus (daten-)technischen, sondern aus menschlichen Gründen. Das sind die fünf häufigsten Risiken:

Risiko 1: Die Erwartungen an Daten und Algorithmen sind zu hoch. Datenanalysen können nur die Probleme lösen, für die sie entworfen wurden und das auch nur so gut wie die vorhandenen Daten sind. Ein Beispiel zum Thema Next Best Offer: Hier helfen Datenanalysen, Muster beim Kaufverhalten zu erkennen. Daraufhin kann eine Versicherung ihren Kunden bessere Angebote machen und so den Absatz steigern. Doch die beste Datenanalyse nutzt nur wenig, wenn die zugrunde liegenden Daten aufgrund geringer Kontaktfrequenz zwischen Versicherung und Kunde hoffnungslos veraltet sind.

Risiko 2: Die Umsetzungsgeschwindigkeit wird überschätzt. Verständnis und Vorbereitung von Daten kosten Zeit. So verbringen viele Datenexperten bei Projekten 80 Prozent ihrer Zeit mit der Vorbereitung von Daten statt der Analyse – viel länger also, als Entscheider annehmen.

Risiko 3: Der Ergebnisbeitrag ist unklar, der Nutzen bleibt gering. Die Entscheider möchten auch das Trendy Gadget der Konkurrenz, zum Beispiel einen Algorithmus für Next Best Offer. Doch der muss zu einem operativen Problem passen: Schneidet die Versicherung im Verkauf bereits gut ab, hat jedoch eine schlechte Risikoselektion, dann löst das Datenprodukt kein Problem, sondern kann es stattdessen sogar noch verschärfen. Deshalb sollten operative Problemstellungen immer vorab fachlich analysiert und priorisiert werden.

Risiko 4: Mangelnde Akzeptanz bei den betroffenen Einheiten. „Algorithmen werden unsere Jobs ersetzen!“ Diese Angst ist weit verbreitet, in der Regel aber unberechtigt. Umso wichtiger wird, dass bei Datenprojekten alle Stakeholder von Anfang an eingebunden werden, um Ängste zu nehmen und Begeisterung zu schaffen. Ein wichtiger Punkt, denn mangelnde Akzeptanz führt zu innerer Verweigerungshaltung – und kann sogar bewirken, dass Algorithmen bewusst falsch trainiert werden.

Risiko 5: Die Expertise in Unternehmen ist noch gering. Fachleute für Daten sind Mangelware. Besonders die Assekuranz spürt diesen Fachkräftemangel, da sie noch nicht als attraktive IT-Arbeitgeberin wahrgenommen wird. Bis heute bieten die meisten Versicherungen noch keine klare Datenstrategie. Folglich sind sie nicht für Datenexperten attraktiv, die gerne mit Gleichgesinnten an spannenden Projekten arbeiten möchten.

Auch wenn Datenprojekte derzeit noch oft scheitern, sind sie dennoch die unverzichtbare Basis für datengetriebene Geschäftsmodelle im 21. Jahrhundert. Umso wichtiger ist es, von Beginn an alle Risiken zu minimieren – damit sich die Erfolgsgeschichten schnell vermehren.

Autoren: Annika Bergbauer, Consultant der Business- und IT-Beratung bei Q_Perior, und Alexander Horn, Associate Partner, leitet den Bereich Process Intelligence & Architecture bei Q_Perior

Den vollständigen Beitrag lesen Sie in der aktuellen März-Ausgabe der Versicherungswirtschaft.