Data Mining, Data Analytics, Big Data und Co: Solche Schlagworte sind derzeit in aller Munde. Viel wichtiger als die konkrete Bezeichnung sind jedoch die Möglichkeiten, die damit eröffnet werden – denn in den Daten liegen oft verborgene Schätze.
Redakteur/in: Mag. Peter Kalab - Veröffentlicht am 26.07.2018
Von Sandra Blome und Jochen Ruß
Bei Data Mining werden – bildlich gesprochen wie beim Goldschürfen – Unmengen an rohen Daten (Steine) untersucht, um die darin verborgenen Schätze (Goldstücke) zu finden. Das Gold entspricht dabei komplexen statistischen Zusammenhängen, sogenannten „Mustern“, die mit bloßem Auge – bzw. mit einfacheren statistischen Verfahren – nicht erkennbar wären. Der Begriff Data Analytics macht deutlich, dass die so gewonnenen Informationen intelligent analysiert und genutzt werden, z. B. zur verbesserten Vorhersage zukünftiger Ereignisse oder bei der Entscheidungsfindung in automatisierten Prozessen. Wenn von Big Data gesprochen wird, dann ist vor allem die große Menge an vielfältigen und komplexen Daten gemeint.
Wir verwenden hier exemplarisch den Begriff Data Analytics und zeigen im Folgenden anhand einiger Beispiele, was man damit machen kann.
Den Kunden halten (Stornoprophylaxe)
Ein typisches Beispiel eines unbekannten zukünftigen Ereignisses ist Storno. Mit Hilfe von Data Analytics kann man für jeden Kunden individuell prognostizieren, mit welcher Wahrscheinlichkeit er seinen Vertrag stornieren wird. Dabei werden insbesondere die Daten der Vergangenheit analysiert. Grundlage sind zunächst Merkmale zum Vertrag und zum Kunden. Es können aber auch externe Daten zum Kunden (z. B. sozioökonomische Daten) oder zum Vertrag (z. B. Positionierung im Wettbewerb) hinzugenommen werden.
Auf Basis der beobachteten Kündigungen in der Vergangenheit wird dann abgeleitet, welche Kunden im aktuellen Bestand zukünftig mit besonders großer Wahrscheinlichkeit stornieren werden. Unter Zuhilfenahme eines Kundenwertmodells kann man dann über geeignete Maßnahmen zur Bestandssicherung entscheiden.
Neue Verträge gewinnen (Cross- und Upselling)
Mit den vorhandenen Daten kann man auch vorhersagen, welche Kunden wahrscheinlich bereit sind, einen weiteren Vertrag abzuschließen oder den bestehenden Vertrag zu erhöhen. Neben den typischen Vertrags- und Kundendaten aus dem Bestandsführungssystem können hier zusätzliche Information zu Namens- oder Adresswechsel eine wertvolle Ergänzung sein. Auf Basis dieser Ergebnisse kann der Vertrieb dann mit einem passenden Angebot gezielt auf die identifizierten Kunden zuzugehen.
Den Vertriebspartner kennen (Vertriebscontrolling)
Doch nicht nur der Kunde, auch der Vertriebspartner kann im Fokus solcher Analysen stehen. Auf Basis von Daten wie Neugeschäftsvolumen pro Vertriebspartner, Güte des gelieferten Geschäfts (gemessen durch Storno und Kundenwert) können Auffälligkeiten bei Vertriebspartnern erkannt und gegebenenfalls „schwarze Schafe“ frühzeitig identifiziert werden. So kann Data Analytics auch das Vertriebscontrolling verbessern.
Prozesse verschlanken (Automatisierung)
Auch im Betrieb eines Versicherers finden sich zahlreiche Anwendungen, insbesondere in der Schadenregulierung eines Schaden-/Unfall- oder Krankenversicherers. Ein Data-Analytics-Algorithmus kann mit der Regulierungspraxis der Vergangenheit trainiert werden, um Fälle zu erkennen, bei denen das Eingreifen eines Sachbearbeiters nicht notwendig bzw. der ökonomische Nutzen daraus zu gering ist. So kann die Dunkelverarbeitungsquote erhöht werden.
Warum Data Analytics viel mehr als nur das Drücken auf einen „magischen“ Knopf bedeutet und wie wichtig die Wahl des richtigen Modells ist, erfahren Sie in der AssCompact August-Ausgabe.
Dr. Sandra Blome ist Partner & Director beim Institut für Finanz- und Aktuarwissenschaften (ifa).
apl. Prof. Dr. Jochen Ruß ist Geschäftsführer des ifa und lehrt an der Universität Ulm sowie der LMU München.
zurück zur Übersicht
Beitrag speichern
sharing is caring
Das könnte Sie auch interessieren
