Moderne Methoden zur Datenanalyse können klassische Tarifierungsmodelle nicht ersetzen, aber sinnvoll ergänzen. Wie, damit befasst sich das Institut für Finanz- und Aktuarwissenschaften (ifa) in Ulm.
Redakteur/in: Kerstin Quirchtmayr - Veröffentlicht am 10.10.2018
Um bedarfsgerechte Prämien in der Schaden-/Unfallversicherung zu bestimmen, haben sich als Standardwerkzeug verallgemeinerte lineare Modelle etabliert. Diese Modelle sind robust, vielfältig einsetzbar und vor allem auch erklärbar. Sie stoßen aber dann an ihre Grenzen, wenn es um nicht-lineare Zusammenhänge und komplexe Interaktionen geht. Auch den Umgang mit immer größeren und unstrukturierten Datenmengen können die klassischen Modelle nur beschränkt bewältigen.
Angesichts immer neuer Datenquellen und Data-Analytics-Methoden ist die möglichst optimale Schätzung des erwarteten Schadenbedarfs zunehmend in den Fokus gerückt. Allerdings birgt der verlockende Ansatz, die Risikomodellierung mittels eines Machine-Learning-Verfahrens durch eine Black Box zu ersetzen, einige Gefahren.
Ergänzen statt ersetzen
Um dennoch die Vorteile von Machine-Learning-Verfahren gewinnbringend nutzen zu können, sollte der klassische Tarifierungsprozess durch Data-Analytics-Methoden ergänzt – nicht aber ersetzt – werden. Dabei gibt es vielfältige Möglichkeiten, wie neue Verfahren eingebunden werden können.
Zu Beginn müssen Daten erfasst, analysiert, angepasst und zusammengeführt werden. Hier werden moderne Data-Analytics-Modelle eingesetzt, um mittels komplexer Mustererkennung in großen, mitunter auch neuen und unstrukturierten Datenmengen (Big Data, z.B. Telematik- oder Internetdaten) aggregierte Merkmale („Scores“) herzuleiten, die dann im klassischen Modell integriert werden.
Schadenbedarf besser einschätzen
Durch Data Analytics können klassische Modelle weiterentwickelt werden, indem die Auswahl und Dämpfung von Merkmalen automatisiert und datengetrieben in der Modellanpassung berücksichtigt werden. Ergänzt werden kann die Tarifmodellierung durch zusätzliche Data-Analytics-Verfahren, die über ein sehr hohes Potenzial in der Mustererkennung verfügen. Mittels moderner Analyse- und Visualisierungstools werden komplexe Interaktionen und nicht-linearer Zusammenhänge überhaupt erst sichtbar.
Fazit: Data Analytics bietet eine Erweiterung der Toolbox des Aktuars zur verbesserten Tarifierung. Sinnvoll eingesetzt, optimiert es die Schätzung von erwarteten Schadenbedarfen, ohne die Möglichkeiten zur Interpretation und Tarifmodellierung zu verlieren.
zurück zur Übersicht
Beitrag speichern
sharing is caring
Das könnte Sie auch interessieren
