So können Versicherer von Machine Learning profitieren – Fünf KI-Anwendungsbeispiele
Riesige Datenbestände und vielfach standardisierte Abläufe – damit gehört die Versicherungswirtschaft definitiv zu den Profiteuren der künstlichen Intelligenz. Laut einer Studie von Capgemini (2019) bestätigen 34 Prozent der Befragten aus Versicherungsunternehmen den Einsatz künstlicher Intelligenz (KI) im operativen Bereich. Umfassende digitale Visionen und KI-Strategien sind hingegen noch eine Seltenheit
Was bringt die künstliche Intelligenz den Versicherern?
Der schon genannten Capgemini-Studie zufolge werden die Möglichkeiten von KI in der Assekuranz vor allem mittels Piloten und Proof of Concepts ergründet, beispielsweise im Bereich der automatisierten Schadensbeurteilung. Konkret eingesetzt werden KI-Analysetechniken bereits für ein zielgerichtetes, personalisiertes Marketing. Wenn Versicherer beim Customer Experience Management jedoch messbare Erfolge erzielen wollen, brauchen sie einen abteilungsübergreifenden Datenfluss, der es erlaubt, in kürzester Zeit und automatisiert hochdetailliertes Wissen über Kunden zu generieren. Diese Erkenntnisse können dann für noch gezieltere Marketing-Aktionen genutzt werden.
Mit Machine-Learning-Plattformen, die den Vorteil haben aus der Verarbeitung und Analyse großer Mengen historischer und Echtzeit-Daten zu lernen, sind noch weitere Use Cases denkbar. Im Zusammenspiel mit dem CRM und mit Marketing Automation können Versicherer ihre Kundenkommunikation personalisiert an den Lebensereignissen ihrer Kunden ausrichten. So profitieren Versicherer von einer hoch personalisierten und automatisierten Kundenkommunikation, optimieren ihre Abläufe und eröffnen sich den Zugang zu neuen Geschäftsmodellen.
5 KI-Use-Cases für Versicherer
- Up- und Cross-Selling: Über die Analyse von Kundendaten und Interaktionshistorien lässt sich die Versicherungssituation von Kunden prüfen und zusätzlicher Bedarf ableiten. So kann der Versicherer dem Kunden neue Produkte vorschlagen.
- Senkung der Churn-Rate: Die Systeme trainieren mit den riesigen Datenmengen der Versicherer und lernen mit der Zeit, Muster zu erkennen. Wenn ein Kunde bereits mehrere Beschwerden beim Versicherer platziert hat, könnte dies bedeuten, dass er absprunggefährdet ist. Eine proaktive Kontaktaufnahme durch den Versicherer oder den Vermittler stärkt die Kundenbindung.
- Schadenmanagement: Durch Mustererkennung in aktuellen und historischen Daten ist Versicherungsbetrug schneller identifizierbar. Durch Analysen historischer Daten in Kombination mit Bilderkennung können Versicherer die Schwere von Schäden – beispielsweise nach Unwettern – und Reparaturkostenschätzungen automatisch schneller ermitteln.
- Individuelle Versicherungslösungen und Aufbau von Ökosystemen: Individuelle Versicherungen mit flexibler Laufzeit und der Aufbau von Ökosystemen in Kooperation mit Unternehmen anderer Branchen werden immer wichtiger. So bieten etwa die Basler Versicherungen gemeinsam mit dem Schweizer Einrichtungshaus „Möbel Pfister“ Kunden einen Versicherungsschutz für alle bei Pfister gekauften Möbel.
- Underwriting und Risikobewertung: Bislang ist die Bewertung, je nach Versicherungsfall, ein relativ komplexer Prozess. So lassen sich auf Basis historischer Transaktionsdaten Risiken schneller und solider bewerten als bei manueller Bearbeitung.
