Daten sind die Grundlage für unser Geschäft. Ein umfassendes Verständnis unserer Daten ermöglicht es uns, die eingegangenen Risiken einzuschätzen, profitables Geschäft entsprechend zu bepreisen und auszuwählen, und somit unsere Portfolios aktiv zu steuern. Data Analytics trägt zur fundierten Entscheidungsfindung der Hannover Rück-Gruppe sowie unserer Partner und Kunden bei, um die Zukunft der Branche zu gestalten, Strategien zu verbessern, und den Verbrauchern risikoadäquate Angebote zu einem fairen Preis zu machen.

Data Analytics umfasst die systematische Erfassung und Aufbereitung von Daten, sowie deren Verarbeitung und Modellierung. Moderne IT-Systeme ermöglichen es uns, Daten systematisch zu speichern, aufzubereiten und mit zusätzlichen Informationen anzureichern. Darüber hinaus ermöglichen sie eine Vielzahl von Methoden der deskriptiven und prädiktiven Analyse und deren effiziente Nutzung, von der Produktentwicklung über die Preisgestaltung bis hin zum ständigen Monitoring und Management der Risiken in unserem Portfolio. Da die Datenerfassung und -aufbereitung die arbeitsintensivsten Schritte bei jeder Datenanalyse sind, hat sich hier die Automatisierung als einer der wesentlichen Schlüssel zum Erfolg erwiesen. Sie befreit uns von langwieriger Routine und ermöglicht es uns, uns auf die Herausforderung zu konzentrieren, die Ergebnisse zu kontextualisieren, sowie aussagekräftige und umsetzbare Erkenntnisse abzuleiten, die wir über alle Disziplinen innerhalb der Hannover Rück-Gruppe hinweg diskutieren und weitergeben können.

Dabei machen wir uns die aktuellen Innovationen der Data Science zunutze. Für uns sind die Tools und Algorithmen, Vorhersagemodelle und Methoden des maschinellen Lernens jedoch nie ein Selbstzweck. Vielmehr konzentrieren wir uns darauf, die beste Lösung für das jeweilige Problem zu finden, um unser tatsächliches Verständnis für die gemeinsam mit unseren Partnern eingegangenen Risiken zu verbessern.

Wir unterstützen unsere Kunden dabei, die richtigen Schlüsse aus ihren Daten zu ziehen, um ein besseres Verständnis für das Verhalten und die Motivation von Verbrauchern zu entwickeln. Daher arbeiten unsere Datenanalysten Hand in Hand mit unserer Geschäftsentwicklung sowie mit unseren Marktexperten und den Risikomanagementteams der Hannover Rück, um Risiken und Chancen für unsere Kunden zu identifizieren.

Datenanalyse in der Praxis: Überblick

Daten sind keine Zahlen, Daten sind Informationen. Gleichen Sie solche Informationen mit Ihren Erwartungen ab, können Sie Erkenntnisse über die Rentabilität Ihres Portfolios gewinnen, die Ihnen zu entscheidenden Wettbewerbsvorteilen verhelfen können.

Die Relevanz, die Daten für Versicherungsunternehmen haben, ist ebenso wenig zu unterschätzen wie der Mehrwert, den versierte Analysten mit Unterstützung leistungsstarker IT-Systeme zu generieren vermögen. In enger Zusammenarbeit mit unseren Marktexperten unterstützt das Data-Analytics-Team der Hannover Rück Kunden dabei, das volle Potenzial ihrer Daten zu heben.

Unsere Experten identifizieren signifikante Datenmuster, die es Unternehmen ermöglichen, sich bezüglich ihrer Portfolios ein umfassendes Bild von potenziellen Chancen und Herausforderungen zu machen. Wir beraten sie, wie sie diese Informationen gewinnbringend für die Entwicklung datenbasierter Strategien heranziehen können.

Zunächst gilt es, die Rohdaten genau zu prüfen und sie für die Analyse vorzubereiten. Eine typische Datei enthält Zehntausende von Einträgen, die auf Fehler und Unstimmigkeiten untersucht werden müssen. Ein Beispiel hierfür könnte ein Eintrag sein, bei dem das Schadendatum vor dem Datum des Versicherungsbeginns liegt. Unsere Datenanalysten legen eine Reihe von Regeln fest, um eine zuverlässige und belastbare Datenbasis zu gewährleisten. Unter Umständen gilt es auch, Annahmen bezüglich fehlender Daten zu treffen, z. B. zu eingetretenen, aber nicht gemeldeten Schäden.

Diese Datenbereinigung ist ein entscheidender Schritt im Analyseprozess, selbst wenn die Datenqualität grundsätzlich gut ist. Gemeinsam mit unseren Marktexperten wird das Ergebnis dahingehend überprüft, ob es den Erwartungen entspricht oder ob es Überraschungen gibt. Im nächsten Schritt werden beschreibende Berichte über identifizierte Trends erstellt, die dem Kunden aufzeigen, wie sich sein Portfolio im Laufe der Zeit entwickelt hat. Die Rentabilitätsanalyse vergleicht im letzten Schritt Prämieninformationen mit Schadeninformationen und zu Grunde liegenden Sterblichkeits- und Preisannahmen.

Geht man Daten gezielt auf den Grund, lassen sich wertvolle Einsichten gewinnen. Eine fundierte Datenanalyse deckt Schwachstellen auf und erlaubt es, strategische Maßnahmen zu definieren. Unsere Experten arbeiten eng mit Ihrem Unternehmen zusammen, um Sie bestmöglich dabei unterstützen zu können, Ihre Daten im Sinne Ihrer individuellen Geschäftszielsetzungen nutzbar zu machen.

Die vier Schritte einer erfolgreichen Datenanalyse

Datenanalyse in der Praxis: Beispiel

Wir unterstützen Sie dabei, wertvolle Informationen aus Ihren Daten zu gewinnen. Die meisten Fälle werden Ihren Erwartungen entsprechen, aber wir decken auf, wo es Überraschungen gibt und verhelfen Ihnen zu Einsichten, die Mehrwert schaffen.

Unsere Experten haben drei Jahre umfassende Daten zu Krankenzusatzversicherungspolicen inkl. Leistungsansprüchen eines großen südostasiatischen Versicherungsunternehmens analysiert. Die Datenbasis bestand aus Informationen zu fast 26.000 Versicherungsfällen. Diese setzten sich aus rund 80.000 separaten Posten zusammen, die in den Jahren 2018-2020 zur Auszahlung gekommen waren. Die Leistungen ergaben sich aus Zusatzversicherungen zu Lebensversicherungen, und die Geschlechterverteilung war nahezu ausgeglichen. Die zugrunde liegenden Verträge waren zwischen 2001 und 2020 abgeschlossen worden.

Um wesentliche Faktoren zu identifizieren, die sich negativ auf die Portfolioprofitabilität auswirken könnten, erstellten unsere Datenanalysten zunächst eine Schadenübersicht sowie Burning-Cost-, Schadenquoten- und Stornoanalysen. Oft können solche Analysen verborgene und völlig unerwartete Aspekte aufdecken. Nach einer ersten Prüfung kamen unsere Experten zu einigen aufschlussreichen Erkenntnissen – u.a. zu Stornoverhalten und möglichen Effekten im Zusammenhang mit Covid-Maßnahmen.

In Bezug auf Letzteres stellten sie zwischen März und Mai 2020 im Vergleich zu den Vorjahren einen auffälligen Rückgang der Meldungen von Atemwegserkrankungen fest, die nicht auf das Corona-Virus zurückzuführen sind. Vermutlich war dies auf die in dieser Zeit eingeführten Lockdown- und Hygienemaßnahmen zurückzuführen. Außerdem stellten sie fest, dass die Stornorate im zweiten Versicherungsjahr einen Spitzenwert erreichte, während sie im ersten Versicherungsjahr deutlich unter dem Durchschnitt lag. Die Stornoraten nahmen mit zunehmender Versicherungslaufzeit tendenziell ab. Eine niedrigere Stornorate wurde auch mit jährlichen Prämienzahlungen im Vergleich zu häufigeren Zahlungen in Verbindung gebracht.

Für das Altersband 0-5, in dem Produkte oft antiselektiert werden, wurde eine beträchtliche Anzahl von Schadenfällen sowie eine hohe Schadenquote festgestellt – ggf. auf Marketingmaßnahmen zurückzuführen. Unsere Experten empfahlen, den Geschäftsmix genau zu überwachen, um sicherzustellen, dass die Gesamtprofitabilität nicht gefährdet wird. Darüber hinaus schlugen wir vor, die Analyse auszuweiten und in den Vorjahren angenommene Anträge einzubeziehen und mit Informationen zum Schadenverlauf anzureichern.

Auf einen Blick

Die Datenanalyse ist ein kontinuierlicher Prozess, bei dem wir den Kunden begleiten. Wir unterstützen ihn dabei, Schlüsse zu ziehen, die seinen künftigen Erfolgskurs bestmöglich sichern.

hr | bluebox: Maschinelles Lernen in der Praxis

Mit einer Kombination aus menschlicher Datenanalyse-Expertise und KI-Technologien unterstützt hr | bluebox Versicherungsunternehmen dabei, Schwachstellen im Portfolio im Vorfeld zu erkennen. In dieser Ausgabe von ReCent Actuarial News taucht Lukas Herrmann in die Welt der Algorithmen ein und geht insbesondere auf den Einsatz von CART (Classification and Regression Trees) bei der Bestimmung von Frühstornoindikatoren ein:

ReCent Actuarial News

"hr | bluebox: Practical insights to machine learning"

Aufschlussreiche Visualisierungen: Beispiel

Die Lebenserwartungen unterschiedlicher Gruppen von Menschen unterscheiden sich: Frauen leben statistisch gesehen länger als Männer, Nichtraucherinnen länger als Raucherinnen. Ein oft diskutierter Prädiktor für Lebenserwartung ist die individuelle finanzielle Situation. Ein genauer Blick auf die Daten zeigt jedoch, dass sie kein optimaler Prädiktor für die Lebenserwartung ist. Andere sozio-ökonomische Faktoren wie Bildung oder Lebensstil (z.B. Rauchen, Ernährung) sind mit der Lebenserwartung deutlich klarer korreliert. Die folgenden Illustrationen, die regelmäßig wiederkehrende Beobachtungen aus unserem Geschäft spiegeln, verdeutlichen, dass der durchschnittliche sozio-ökonomische Gesamtzustand der Bevölkerung einer Region deutlich stärker mit der durchschnittlichen Lebenserwartung korreliert ist als das durchschnittliche Bruttosozialprodukt. Zusammenhänge wie diesen besser zu verstehen ist eine der Voraussetzungen für faire (Rück-)Versicherungsangebote für Pensionsfonds und für gutes Risikomanagement.

BIP pro Kopf (in GBP)

Restlebenserwartung mit 65 Jahren

Durchschnittlicher sozioökonomischer Status

Aufschlussreiche Visualisierungen: Tipps

In der Versicherungsbranche werden wir mit vielen Daten bombardiert und es kann herausfordernd sein, diese zu verstehen. Daten-Visualisierungen sind dabei sehr hilfreich – aber wie können wir Diagramme und Grafiken so gestalten, dass wir auch die beabsichtigte Wirkung erzielen?

Da Informationen immer leichter verfügbar und zunehmend detaillierter werden und der Anspruch des Publikums steigt, wird es immer wichtiger sicherzustellen, dass wir sorgfältig über die grafische Aufbereitung von Daten nachdenken.

Wenn Sie daran interessiert sind, Ihre Daten besonders effektiv zu visualisieren, gibt diese diese englischsprachige Zusammenfassung einer Präsentation von zwei unserer Data-Analytics-Experten bei der Virtual Insights Session des Australian Actuaries Institute hilfreiche Einblicke. Sie finden Tipps, wie Sie Informationen überzeugender veranschaulichen können sowie Hinweise dazu, worauf es sich zu achten lohnt, wenn Sie eine Visualisierung kritisch hinterfragen wollen. Dies beinhaltet:

  • Welche Art von Visualisierung eignet sich am besten für Ihr Publikum und Ihre Daten?
  • Wer ist Ihr Publikum? Bereiten Sie die Informationen für eigene Zwecke, einen Expertenkreis oder ein eher breites Publikum auf?
  • Was ist der Informationszweck? Ein Vergleich? Eine Betrachtung? Eine Erkenntnis? Oder möchten Sie Menschen überzeugen?

Bedenken Sie: Titel, Beschreibungen und Anmerkungen sollten präzise formuliert sein. Der Kontext hat Einfluss darauf, wie Sie Ihre Daten darstellen sollten. Der gewählte Datenbereich kann das Relevanzempfinden Ihrer Rezipienten erheblich beeinflussen. Die Farbwahl kann das Auffinden der Informationen erleichtern; hierbei sollten unterschiedliche kulturelle Erwartungen verschiedener Regionen und Länder in Bezug auf Farben Berücksichtigung finden.

Moderne Ansätze aus dem Bereich des Maschinellen Lernens leisten einen wichtigen Beitrag zum Erfolg Ihres Unternehmens. Ein zentraler Fokus des Vortrags unsere beiden Experten liegt darauf, wie Sie die Resultate prädiktiver Modelle gut gestalten und erklärbare Erkenntnisse ermöglichen – als Teil Ihres Toolsets, um Entscheidungsträger zu überzeugen.

2021_Creating-effective-visualisations_final_thumb

Creating effective visualisations for descriptive and predictive analytics (Outline)

Bei Fragen besprechen unsere Data-Analytics-Experten gerne mit Ihnen, wie Sie Ihre Datenvisualisierungen auf die nächste Stufe heben können.

Nützliche Tools

Mit unserer Data-Analytics-Expertise unterstützen wir Partner rund um den Globus. In diesem Projekt haben wir einen australischen Partner beim Aufbau eines Lebenserwartungsrechners für seinen Internetauftritt unterstützt.

www.optimumpensions.com.au/lifespan-calculator

Innovative Lösungen

Es gibt viele hilfreiche Tools für spezifische Data-Analytics-Aufgaben. Dank unseres Start-up-Netzwerks hr | equarium können wir Sie mit vielen einsatzbereiten Innovationen auf dem Markt verbinden.

https://equarium.hannover-re.com/data?set_language=de

da_equarium_DE

Wir begleiten Sie auf Ihrer Data-Analytics-Reise. Wir erstellen aufschlussreiche Visualisierungen, bieten nützliche Tools und stellen Ihnen innovative Data-Analytics-Lösungen vor.