Die Top 9 Big-Data- und Data-Science-Trends in der Versicherungsbranche. Teil 1: Marketing & Sales und Prozessverbesserung

An viele Daten angeschlossene Maus wird benutzt.

Beim Einsatz von Big Data und Data Science kristallisieren sich immer stärker die erfolgreichen Anwendungsbereiche heraus. Die Management- und IT-Beratung Capgemini hat in ihrer jüngsten Studie den Status quo von Big Data in Unternehmen untersucht. Insgesamt steigt die Anzahl der Unternehmen, die nach Big Data-Use-Cases suchen. Kritisch für den Einsatz von Big Data und Data Science ist nach wie vor die Datenlage – viele Unternehmen müssen beispielsweise nach der ersten Sondierung feststellen, dass sie zunächst noch weitere Daten erheben müssen.

Wir von der Alexander Thamm GmbH haben die 9 Top Trends in der Versicherungsbranche identifiziert, die wir hier in zwei Teilen präsentieren. Im ersten Teil geht es zum einen um Zukunftsrichtungen in Marketing und Sales. Mit Data Science lassen sich Kunden und Interessenten zielgerichteter ansprechen und steuern. Zum anderen geht es um Prozessverbesserungstrends in der Versicherungsbranche. Innovative Big Data Ansätze ermöglichen es, Optimierungspotenziale der üblichen Versicherungsprozesse auszuschöpfen.

1. Simplified Underwriting mit Predictive Analytics

Eine zeit- und entsprechend kostenintensive Arbeit beim Abschluss einer Versicherung stellt die genaue Risikoprüfung dar. Für diese sind sehr detaillierte Informationen nötig, die bisher noch mit umfangreichen Fragebögen gesammelt werden müssen. Je nach Art der Versicherung handelt es sich dabei um einen langwierigen Prozess. Im Fall von Kranken- und Pflegezusatzversicherung müssen beispielsweise Fragebögen zu Vorerkrankungen ausgefüllt, medizinische Untersuchungen durchgeführt und in manchen Fällen auch Labortests ausgewertet werden. Um hier effizienter vorzugehen, lohnt es sich, eine Kategorisierung der Kunden vorzunehmen.

Low Risk Kunden werden in Zukunft mit prädiktiven Algorithmen anhand von umfangreichen Profil- und Verhaltensdaten identifiziert. Diesen Kunden kann damit ein vereinfachter Prozess zur Risikoprüfung angeboten werden. Durch diese Maßnahme werden sowohl die Customer Experience als auch die internen Prozesse verbessert. Im Ergebnis vereinfacht Predictive Analytics damit den Policierungsprozess.

2. AI-unterstütztes Claim Management

Ein weiterer aufwändiger Prozess bei Versicherungen stellt die Bewertung von Versicherungsansprüchen dar. Die Bewertung setzt Information aus heterogenen, teilweise analogen Kundendokumenten voraus. Das stellt Versicherer vor zwei Herausforderungen: Die Analyse der Unterlagen ist zum einen sehr zeitintensiv und zum anderen ist deren Digitalisierung sehr aufwändig.

Eine Lösung dieses Problems ist der Einsatz Künstlicher Intelligenz (AI), genauer gesagt, der Einsatz vMaschinellen Lernens. Lernfähige Erkennungsalgorithmen helfen Versicherungen dabei, Dokumenttypen zu klassifizieren und besonders wichtige Abschnitte zu identifizieren. Digitale Bildverarbeitungs- und Texterkennungsalgorithmen erschließen zudem ein großes Automatisierungspotenzial, wenn es um die Auswertung von analogen Dokumenten geht. AI-unterstütztes Claim Management führt damit zu einer größeren Effizienz im Nachforderungsmanagement.

3. Kundenspezifische Bedarfsprognose: Life-Changing Events

In der anhaltenden Niedrigzinsphase steigt die Vielfalt an Lebensversicherungen, um dieseweiterhin attraktiv zu gestalten. Lebensversicherungen werden zudem in sehr unregelmäßigen Intervallen gekauft – manchmal nur einmal im Leben. Umso wichtiger wird es für Versicherer und deren Marketing- und Sales-Abteilungen, die entscheidenden Momente im Leben zu erkennen, in denen eine Lebensversicherung interessant wird.

Die Kaufentscheidung erfolgt häufig nach lebensverändernden Ereignissen wie dem Erreichen eines bestimmten Alters, der Heirat oder der Geburt eines Kindes. Kundenbezogene Lebensdaten wie sie etwa in Social-Media-Daten oder der Verkaufshistorie verfügbar sind, ermöglichen eine punktgenaue Vorhersage dieser Ereignisse. Versicherungen können mit Hilfe von Data Science eine kundenindividuelle Bedarfsprognose erstellen, Kunden gezielt ansprechen und bedarfsorientierte Angebote erstellen.

4. Customer Clustering zur optimalen Kundenansprache

Während es bei der Bedarfsprognose um die Vorhersage von zukünftigen Ereignissen geht,  ist das Ziel von Customer Clustering ein besseres Verständnis der verfügbaren Daten. Denn ein weiteres wichtiges Element bei einer gezielten und optimierten Kundenansprache stellt die Identifikation von relevanten Kundengruppen dar. Dabei ist die Ermittlung der Kriterien einer sinnvollen Kundensegmentierung für Vertriebs- und Marketingzwecke oft schwer.

In diesem Fall werden sogenannte „Unsupervised Machine Learning“-Techniken benutzt. Dabei erkennt ein Algorithmus Ähnlichkeiten in großen Datensätzen, ohne dass ihm wie bei der Bedarfsprognose von außen bestimmte Zielwerte vorgegeben werden. Dafür wird eine Kombination aus Bestandsdaten und externen Daten verwendet, in denen Gemeinsamkeiten erkannt und gruppiert werden sollen (Clustering). Die Ergebnisse dieses Prozesses führen zu einer Kundensegmentierung, die dazu genutzt werden kann, die jeweilige Kundengruppe optimal anzusprechen.

5. Customer Lifetime Value – für Produkte, die Kunden ein Leben lang begleiten

Es ist eine Binsenweisheit, dass sich unser Leben schnell und gravierend ändern kann. Heute gilt dieser Satz umso mehr, als dass sich die Lebensumstände mit einer noch höheren Wahrscheinlichkeit massiv ändern werden. Kaum jemand von den jüngeren Generationen wird ein Leben lang einen einzigen Beruf ausüben. Zu einer schwierigen Herausforderung wird dieser Umstand dann, wenn Versicherungen Produkte anbieten, die ihre Kunden ein Leben lang begleiten. Umso wichtiger ist es heute, Kundenpotenziale für die gesamte Lebensdauer zu bewerten.

Die Bestimmung des Customer Lifetime Value hilft Versicherungen in dieser Situation: Kundenspezifische Profile ermöglichen die Schätzung des Kundenwerts und rechtfertigen Investitionen in deren langfristige Bindung. Dabei reichen Bestandsdaten nicht aus, um solche Profile zu bilden. In der Regel müssen externe Datenressourcen herangezogen werden, um die Daten entsprechend anzureichern. So gelingt eine exakte Kundenbewertung anhand von genaueren Profilen.

In unserem 2. Teil stellen wir die vier wesentlichen Big-Data-Trends für datengetriebene Produkte und Dienstleistungen vor.

Sie wünschen sich noch mehr Orientierung im Bereich Data Science? Melden Sie sich für unseren kostenlosen Newsletter an.

Newsletter
 

Tags

top