Analytics im Fokus des Risiko­­manage­­ments

Doch das ist erst der Anfang: Zudem können Schlüsselbereiche für die weitere Überwachung festgelegt, ein automatisiertes Monitoring von Grenzwerten mit definierten Eskalationsverfahren genutzt, Gefahren in Echtzeit zur Verbesserung der unternehmensweiten Risikosituation behandelt (siehe Artikel 2) und Entscheidungshilfen bereitgestellt werden. Mit erweiterten Datenanalysen haben Versicherer das Potenzial zur Durchführung einer Beurteilung der gesamten Population, nicht nur von Stichproben und somit die Möglichkeit zur Erweiterung des Umfangs von Analysen bei gleichzeitig reduzierten Kosten. Wir können anhand der folgenden Beispiele bereits sehen, welchen Nutzen Analytics für Risikofunktionen bringt:
 

Praxisbeispiel 1: Behavior and Emotion Analytics Tool (BEAT)

BEAT ist eine Sprachanalyseplattform, die kognitive Technologien und Risiko-Algorithmen zur Überwachung und Risikoeinstufung von Sprachinteraktionen auf der Grundlage von Sprach-, Verhaltens- und emotionalen Mustern nutzt. BEAT stellt Risiken durch nonverbale Signale fest, wie z. B. eine auffällige Zögerlichkeit und Unsicherheit bei Kundendienst-Anrufen. Durch das ständige Monitoring ermöglicht BEAT außerdem Risikofunktionen, die richtigen Antworten auf Probleme zu ermitteln.
 

Praxisbeispiel 2: Automatische Fahrerbewertung und Risikoanalyse für die Kalkulation von KFZ-Versicherungen (Telematik)

Versicherer kalkulieren verschiedene Risiken bei KFZ-Versicherungen auf der Grundlage von spezifischen Bewertungsmodellen für das Fahrverhalten. Auf der Basis von verschiedenen Daten (d. h. Straße, Geschwindigkeit oder für die Fahrstecke benötigte Zeit) werden risikobezogene Informationen über mobile oder im Fahrzeug eingebaute Geräte erfasst. Diese Informationen werden dann dem Versicherer (oder einem zentralen Server des Automobil-OEM) zur Verfügung gestellt. Durch die Fähigkeit zur Abschätzung des Risikos der jeweiligen Fahrt eines Fahrers kann der Versicherer personalisierte und nutzungsabhängige Produkte (sogenannte Mikroversicherungen) anbieten.

Dieses Beispiel stellt nur den Beginn der Kalkulation von Versicherungsabschlüssen („risk-based pricing/underwriting“) oder anderen risikobezogenen operativen Aktivitäten auf der Basis erfasster Daten dar. Mit noch mehr Sensoren in Gebäuden, Fahrzeigen und Geräten (Internet der Dinge) werden Versicherer in der Lage sein, die generierten Daten zu verwenden, um Risiken effizienter zu kalkulieren oder Kunden dabei zu helfen, das Risiko eines Schadensereignisses zu vermeiden oder mindestens zu mindern. Dies wird zu besseren Portfolios/besseren Risiken (Selektion/Antiselektion) und zu einer besseren Risikodiversifikation führen. Allerdings könnte dieser Trend auch die Sicht auf das Gesamtkonzept der allgemeinen Versicherbarkeit und das „Solidaritätsprinzip“ bei Versicherungen verändern.

Analytics und darüber hinaus - Zusammenarbeit mit anderen Funktionen ist erfolgskritisch

Der für den Betrieb eines Versicherungsunternehmens erforderliche technologische Entwicklungsstand wächst in dem Maße, wie Algorithmen und Robotertechnologien Teile der Wertschöpfungskette dominieren. „Dieses zunehmende technologische Niveau führt durch die Möglichkeit der Zusammenarbeit von Menschen und Maschinen auch zu der Neudefinition von Jobs und der Transformation von kompletten Berufsständen.“ Dies gilt ebenso für das Risikomanagement. Die gemeinsame Nutzung von Ressourcen mit anderen Funktionen ist dabei der Schlüssel. Die Risikofunktion profitiert bei der Gestaltung ihres Betriebsmodells für die Zukunft von der technologischen, juristischen oder strategischen Kompetenz anderer Funktionen. Umgekehrt werden Risikomanager in der Lage sein, andere Funktionen mit den Risikomanagement-Fähigkeiten, auf die sie in einem dynamischen, komplexen und zunehmend technisierten Geschäftsumfeld bauen, zu unterstützen.