Die erste Autoversicherung wurde im Februar 1898 von der Travelers Insurance Company an Dr. Truman Martin aus Buffalo, New York verkauft. Mir als Datenliebhaber fällt dabei auf, dass das erste Patent für einen Wegstreckenzähler in einem Automobil im Jahr 1903 vergeben wurde und es dann bis in die 1920er-Jahre dauerte, dass Wegstreckenzähler serienmäßig in den meisten Automobilen verbaut wurden. In den Anfangszeiten von Autoversicherungen hatte die Branche keinen Zugang zu so grundlegenden Daten.
Wenn wir in die heutige Zeit vorspulen, ist die Versicherungsbranche einer der größten Datenkonsumenten. Während die Versicherungsunternehmen früher noch nicht einmal auf Daten dahingehend zugreifen konnten, wie weit ein Auto gefahren wurde, erlauben einige Unternehmen ihren Kunden heutzutage, bestimmte Geräte oder Software zu installieren, die Echtzeitdaten zum Fahrverhalten liefern.
Die folgende Abbildung veranschaulicht noch genauer, wie schnell sich die Versicherungsbranche gerade verändert. Sie zeigt die Zunahme bei der Anzahl der Google-Scholar-Artikel, die zum Thema prädiktive Analyse und Versicherungen in den letzten Jahren veröffentlicht wurden.
Leider führt diese neue Welt der Datenanalyse aber auch schnell zu dem Gefühl, nicht mehr mitzukommen. Sogar Experten, die regelmäßig mit Daten zu tun haben, können sich ein wenig überfordert fühlen. Bei der Beschreibung der erfolgreichen Implementierung eines neuen Modells für die prädiktive Analyse stellt das Versicherungsunternehmen Lemonade fest: „Dies ist nichts, was ein altmodisches Versicherungsunternehmen einfach übernehmen und adaptieren kann. Diese Tools und Verfahren lassen sich nur schwer in einem Unternehmen einführen, das nicht von Anfang an im Hinblick auf die entsprechenden Prinzipien strukturiert wurde.1“
Während Datenmanagement und prädiktive Analysen immer wichtiger werden, benötigen Sie glücklicherweise nicht die Modelle von Lemonade, um den Wandel in der Branche mitzugehen.
Beispiel 1
Erweiterte Analysen und Daten von Drittanbietern einsetzen, um innerhalb von Minuten – und nicht von Tagen – ein Angebot für eine Versicherung zu erstellen und die vorläufige Deckung zuzusagen.2
Beispiel 2
Kundenabwanderung prognostizieren, um entsprechende Schritte zur Kundenbindung einleiten zu können.3
Beispiel 3
Risiko für Lebensversicherungen prognostizieren und rasch mehrere Modelle vergleichen, um optimale Ergebnisse zu erzielen.3
LÖSUNGEN FÜR PRÄDIKTIVE ANALYSEN VON MINITAB
Glücklicherweise hat Minitab starke Tools entwickelt, mit denen Sie so einfach wie nie zuvor von Ihren Daten profitieren.
Betrachten Sie die folgenden Situationen:
Die Minitab Statistical Software ermöglicht es Ihnen, revolutionäre Modelle für die prädiktive Analyse zu nutzen, z. B. TreeNet® und Random Forests®, um Ihre Daten noch besser zu erschließen. Ob Sie das Risikoprofil für Gebäudeversicherungen in zwei benachbarten Gewerbegebieten vergleichen oder einen Versicherungsfall bei einer Binnentransportversicherung wegen Betrugs melden möchten: Diese leistungsstarken Werkzeuge für die prädiktive Analyse lassen Sie mehr Einblicke aus Ihren Daten gewinnen.
Mit Minitab Model Ops können Sie die Modelle bereitstellen, die Sie in der Minitab Statistical Software erstellen. So lassen sich im Handumdrehen neue Prognosen aus Ihrem Modell abrufen, indem Sie einfach Daten über ein Webformular eingeben. Beispielsweise genügen wenige Daten in einem Formular, um eine Prognose aus einem komplexen Modell zu generieren, auf deren Grundlage Sie einem neuen Kunden ein Angebot vorlegen können.
SCHLUSSBEMERKUNG
Jedes dieser Tools ist für sich genommen bereits äußerst leistungsstark, ihre wahre Stärke ergibt sich aber aus der Kombination der beiden. Mit den bewährten Tools von Minitab gewinnen Sie schneller und einfacher die Einblicke aus Ihren Daten, die Sie benötigen.
Quellen:
1: Lemonade: How Our Newest Predictive Model Can Take Us to the Next Level of Precision Underwriting and Pricing
2: McKinsey: How Data and Analytics Are Redefining Excellence in P&C Underwriting
3: LUT University: Predicting the Customer Churn with Machine Learning Methods - CASE: Private Insurance Customer Data
4: Springer Link: Risk Prediction in Life Insurance Industry Using Supervised Learning Algorithms