Trendradar: Predictive Analytics
Im Beitrag widmen wir uns dem Trendradar-Trend Predictive Analytics. Das Ganze kurz und kompakt und auf den Punkt.
Predictive Analytics – auf Deutsch auch vorausschauende oder prädiktive Analyse genannt – ist ein Sammelbegriff für verschiedene statistische Techniken aus Data Mining, Predictive Modeling und maschinellem Lernen. Dank Predictive Analytics können auf Basis von Datenmodellen Vorhersagen darüber getroffen werden, wie sich eine Situation in Zukunft entwickeln wird. Vor allem bei der Identifizierung von Zusammenhängen zwischen Risikofaktoren und Ereignissen können maschinelle Methoden dort Muster erkennen, wo es selbst erfahrenen Mitarbeitenden schwerfällt.
Predictive Analytics gibt es schon seit Jahrzehnten. Ihre Hochzeit erlebt die Technologie aber erst jetzt: Durch die Digitalisierung und die Ansammlung von Big Data sind größere Datenmengen verfügbar, mit denen bessere Vorhersagen getroffen werden können. Diese Vorhersagen werden durch die Nutzung künstlicher Intelligenzen immer präziser. Als Prognose-Instrument bietet künstliche Intelligenz die Möglichkeit, Big Data ohne vorherige Hypothesenbildung und wesentliche Vorstrukturierung nutzbar zu machen, und erlaubt dadurch die Analyse von Daten sowohl aus mathematischer und statistischer, als auch aus business-analytischer und fachlicher Perspektive.
Predictive Analytics und die Versicherungsbranche
Für die Versicherungsbranche sind Predictive Analytics aus diversen Gründen relevant: Die Datenanalyse erlaubt die Vorhersage von Risiken und Schäden, dient zur Betrugserkennung, kann im Kampf gegen Cybercrime oder auch zur Optimierung von Marketing-Kampagnen verwendet werden. Kundenreaktionen und Kaufverhalten können besser eingeschätzt, das Abwandern von Kundinnen und Kunden verhindert werden – um nur einige wenige Beispiele zu nennen.
Gerade in Anbetracht der Klimakrise, die in den nächsten Jahrzehnten zunehmend für Extremwettereignisse wie Hochwasser oder Waldbrände sorgen wird, kann Predictive Analytics bei der Vorhersage von Risikogebieten oder -ereignissen helfen. Denn durch die sich stetig ändernde Bedrohungslage bieten historische Daten keine solide Basis für aussagekräftige Bewertungen mehr. Auch im Bereich der Cyberrisiken können Predictive Analytics helfen, Risiken besser einzuschätzen. Potentielle Schwachstellen können schneller und effizienter identifiziert und Bedrohungslagen vorgebeugt werden.
Nicht nur in den Bereichen Schaden und Cyber, auch im Umgang mit Kundinnen und Kunden können mithilfe von Predictive Analytics Prozesse optimiert werden. Durch die Analyse von Abschlussdaten und Beratungsinhalten, angereichert mit externen Informationen, können Versicherer Aussagen über die Präferenzen von Kundinnen und Kunden zu unterschiedlichen Produkten ermitteln. Das hilft beispielsweise bei der Produktpräsentation und im Beratungsprozess. Darüber hinaus können Kundenstämme analysiert und Unzufriedenheiten erkannt und behoben werden. So können frühzeitig Maßnahmen ergriffen werden, um einer Abwanderung von Kundinnen und Kunden vorzubeugen.
Aktuelle Use Cases aus der Versicherungsbranche
Anwendungsbeispiele in der Versicherungsbranche gibt es schon einige. So zum Beispiel Guidewire: Das Unternehmen nutzt Predictive Analytics, um low-risk Kundinnen und Kunden anhand von Profil- und Verhaltensdaten zu identifizieren, die dann wiederum eine vereinfachte Risikoprüfung bekommen können. Das führt zu einer besseren Customer Experience und höheren Kundenbindung durch akkurate Preisgestaltung.
Ein anderes Beispiel ist der Einsatz von Machine Learning zur Reduktion des Basisrisikos von indexbasierten Versicherungen. So zeigte Lorenz Schmidt, wissenschaftlicher Mitarbeiter an der Humboldt-Universität zu Berlin, bei der Versicherungsforen Fachkonferenz „KI und selbstlernende Systeme in Versicherungen“ im Mai 2023 am Beispiel der Ernteversicherung, wie Machine Learning die Einführung von Crop-Insurance-Produkten vereinfachen kann – auch ohne fundiertes landwirtschaftliches Wissen. Für seinen Machine-Learning-Ansatz nutzte Schmidt Ernteertrags- und Wetterdaten der Jahre 2003 bis 2018 und plädierte für versicherungsspezifische Ansätze bei der Gestaltung von maschinellen Lernmodellen.
Der Trend “Big Data”, der bereits seit knapp zehn Jahren in aller Munde ist, entwickelt sich also Schritt für Schritt weiter: Versicherer, die ihre IT-Landschaften ausbauen und Predictive Analytics etablieren, können sich Wettbewerbsvorteile sichern, die sich andere Unternehmen nur auf Basis menschlichen Agierens nicht erarbeiten können.
