Verhaltenstips vom Versicherer

Seit den formellen Ursprüngen der Versicherungsbranche im 17. Jahrhundert basiert die Beziehung zwischen Versicherer und Versichertem auf dem Fremdvergleichsgrundsatz – die Versicherungsgesellschaften zahlen für entstandene Verluste, etwa nach dem Tod eines Versicherten. Die Lebensdauer seiner Kunden zu verlängern, gehörte in der Vergangenheit nicht zum Kerngeschäft eines Versicherers. Doch die Zeiten ändern sich: Dank der enormen Menge an Informationen kann die Versicherungsbranche heute in Echtzeit Verhaltensänderungen vorschlagen und damit das Risiko für den Verlust von Menschenleben oder für andere Unfälle verringern.

Neuste Entwicklungen in der elektronischen Verarbeitung wirken sich auf unser Zusammenleben und unsere Interaktion mit anderen Menschen aus. Wie in zahlreichen anderen Branchen verändert sich auch die Versicherungsbranche durch die Integration von modernen Technologien. «Predictive Analytics» sind als Innovation im früheren 21. Jahrhundert bereits ein Standardelement in jedem Finanzdienstleistungsgeschäft und beziehen sich auf die Analyse riesiger Datenmengen, um das Auftreten und die Auswirkungen von Wetter, Krankheiten, menschlichem Verhalten und anderen Faktoren, die Verluste verursachen können, vorherzusagen. «Predictive Underwriting» (deutsch: Prädikative Risikoprüfung) ist die Anwendung der «Predictive Analytics», um die Wahrscheinlichkeit des Eintretens eines Verlustes (seine «Häufigkeit») und den zu erwartenden Grad des Schadens oder der Verletzung (seine «Schwere») zu ermitteln. Für sich allein ist sie auf den menschlichen Verstand angewiesen, um die zu analysierenden Daten und die Mittel zu ihrer Analyse zu identifizieren.

Die sogenannte «künstliche Intelligenz» hingegen geht noch einen Schritt weiter: Sie ahmt die menschliche Intelligenz nach, indem sie durch ihre eigenen Operationen Muster und Korrelationen zwischen Daten ermittelt, die bestimmte Ergebnisse wie Unfälle oder Verletzungen am Arbeitsplatz vorhersagen. Und moderne Technologien können sogar noch mehr: «Maschinelles Lernen» bezieht sich auf die Fähigkeit der KI, von sich alleine Verschiebungen in den Ergebnissen und neue oder sich ändernde Faktoren zu erkennen, die zu diesen Verschiebungen führen. Wer heute im operativen Geschäft nach Innovationsvorteilen gegenüber der Konkurrenz sucht, wird in den Bereichen der künstlichen Intelligenz und des maschinellen Lernens fündig. Sowohl KI als auch maschinelles Lernen treiben mindestens drei grundlegende Veränderungen in der Dynamik der Funktionsweise von Versicherungen voran:

1. Von der demografischen zur verhaltensbasierten Risikoeinschätzung

Etwa 200 Jahre lang bestand das Versicherungsgeschäft darin, die Kunden in grosse Kategorien einzuteilen, die auf bestimmten groben Merkmalen basierten: ihr Alter, die Distanz ihres Eigenheims zum naheliegenden Spital oder zur Feuerwehr, die Konstruktion ihres Wohn- oder Geschäftsgebäudes, die Fahrbedingungen in ihrer Umgebung usw. Wenn überhaupt, wurden nur wenige Daten gesammelt, um die Risikobewertung und Preisgestaltung zu individualisieren.

In den Vereinigten Staaten wurde dieser Ansatz durch breite Gruppen für die Einstufung von Versicherungspolicen verkörpert, die sogenannten «Tiers» (deutsch: Stufe, Schicht). Ein Versicherungsnehmer wurde eingestuft in «Standard», «Substandard» oder «bevorzugt» – oder in eine betriebliche Variante dieses Systems, basierend auf der Identifizierung von Informationen über den Versicherungsnehmer, die dem Versicherer zur Verfügung gestellt wurden. Auf der Grundlage dieser Informationen gab es zwar einige geringfügige Preisschwankungen, doch die Staffelung erlaubte nur eine relativ schwache Differenzierung zwischen den besseren und den schlechteren Risiken.

Das begann sich zu ändern mit der Einführung von «Predictive Analytics», die von einem Wettbewerb um die Nutzung grosser Datenmengen zur individuellen Behandlung von Risiken angetrieben wurden. Solche Techniken können leicht die besseren von den schlechteren Risiken in jeder Stufe trennen, und eine kluge Versicherungsgesellschaft kann leicht die besten Risiken, «die Sahnehaube», von jeder Preisstufe abschöpfen und die weniger attraktiven Risiken ihren Konkurrenten überlassen. Zu diesem Zweck wurde die Granularität der Daten, die zur Kategorisierung der Risiken verwendet werden, weiter verfeinert. Beispielsweise wurden in der Hausratversicherung die Informationen zur Bewertung von Policen über Sturmgefahren, die früher auf der Ebene der Bundesstaaten oder Bezirke bereitgestellt wurden, jetzt bis auf die Ebene der Postleitzahlen definiert, die in den USA als «Zip Codes» bekannt sind. Ausserdem wurden Online-Datenbanken für Baugenehmigungen integriert, um eine genauere Bewertung des gefährdeten Baugrundstücks zu ermöglichen. Sehr schnell konnte gezeigt werden, dass «homogene» Risiken in Tat und Wahrheit gar nicht so homogen sind.

Die meisten Verbraucher wurden erstmals auf einen neuen Ansatz bei der Versicherungseinstufung aufmerksam, als ihnen ein Telematikgerät angeboten wurde, das in einen Anschluss an ihrem Fahrzeug gesteckt wurde und ihr Fahrverhalten aufzeichnen und melden sollte. Das Gerät notierte, wie schnell die Konsumenten fuhren, wie abrupt sie beschleunigten oder bremsten, wie viele Linkskurven sie nahmen und zu welcher Tageszeit sie unterwegs waren. Die bereitgestellten Informationen würden sich direkt auf die Kosten ihrer Autoversicherung auswirken. Zum ersten Mal berücksichtigten die Versicherer systematisch, was ihre Versicherungsnehmer tatsächlich taten, und gingen bei der Risikoprüfung nicht von der allgemeinen Annahme aus, dass Personen mit geteilten Merkmalen ähnliche Risiken aufweisen würden. Es war der erste weitverbreitete Kontakt der Öffentlichkeit mit der ersten oben genannten Transformation: Versicherung aufgrund des Verhaltens und nicht nur durch demografische Informationen.

«Dank der enormen Menge an Informationen

kann die Versicherungs­branche heute in Echtzeit

Verhaltens­änderungen vorschlagen und damit das Risiko

für den Verlust von Menschen­leben

oder für andere Unfälle verringern.»

2. Von gelegentlichen Transaktionen hin zu konstanter Einbindung

Während Konsumenten monatlich Dutzende von Transaktionen mit Banken, Einzelhändlern und anderen Unternehmen tätigen, beschränkte sich ihre Interaktion mit den Versicherern in der Vergangenheit oftmals auf die jährliche Vertragsverlängerung, die Beitragszahlungen und den hoffentlich seltenen Schadensfall. Das ist heute Geschichte: Fahrzeugmonitore sind nur die ersten einer Welle von Sensoren, die mit dem «Internet of Things» (IoT) verbunden sind und zur Erfassung von Informationen in Wohnungen, Autos, Unternehmen und allen möglichen Orten und Geräten eingesetzt werden. Diese Sensoren sammeln fast unvorstellbare Datenmengen über Beweglichkeit, Bewegung, Hitze, Feuchtigkeit, Wasser, Luftdruck und andere Bedingungen im Zusammenhang mit Schadens- und Verletzungsrisiken.

Mit den IoT-Sensoren werden Versicherer, die in Verbindung mit Instandhaltungsdiensten für Immobilien tätig sind, rund um die Uhr mit ihren Versicherungsnehmern in Kontakt stehen, Informationen für die Tarifierung jedes Risikos erfassen und bei der Verwaltung jedes Risikos helfen, indem sie automatisierte oder persönliche Warnmeldungen zu Situationen senden, die einen Verlust zu verursachen drohen. Diese Fahrzeugsensoren teilen dem Versicherer nicht nur mit, wie Sie fahren, sondern Sie können auch Warnungen des Versicherers (oder des IT-Dienstleisters) erhalten, die auf Gefahren im Strassenverkehr und die Verkehrsbedingungen aufmerksam machen.

Das ist ein magischer Wendepunkt: Versicherungsunternehmen schaffen einen Mehrwert für den Alltag ihrer Kunden, indem sie nicht mehr nur auf Verluste reagieren, sondern den Versicherten aktiv helfen, Risiken zu erkennen und die Wahrscheinlichkeit zu verringern, dass Verluste überhaupt erst entstehen. Dieselben Analysen, die die vorausschauende Risikoprüfung beim Kauf von Versicherungen nutzen, können nun täglich genutzt werden, um das Schadensrisiko zu reduzieren. Damit wird die Beziehung zwischen Versicherer und Versicherungsnehmer von einer jährlichen Transaktion in ein laufendes Risikomanagement umgewandelt.

Nennen wir es «Little Brother»: ein gewisses Mass an Aufsicht, das die Verbraucher scheinbar zu akzeptieren bereit sind im Austausch für Sicherheit und geringere Kosten für den Versicherungsschutz. Die Bereitstellung von Sensordaten, kombiniert mit der Fähigkeit, diese schnell zu analysieren, bringt eine grundlegende Veränderung im Versicherungsgeschäft mit sich. Wir können jetzt das Verhalten – menschliches, natürliches und mechanisches – sofort verstehen und in Echtzeit ansprechen.

3. Eine neue Art der Abschätzung von Verlusten

In Wirtschaftskreisen ist die Versicherung dafür bekannt, dass sie ihre «Kosten des Umsatzes» sozusagen nicht kennt, wenn das Produkt verkauft wird. Wenn Policen verkauft werden, müssen die Versicherer abschätzen, wie hoch die Verluste ihrer Meinung nach sein werden, und eine riesige Naturkatastrophe oder eine unerwartete Änderung des Haftungsrechts kann diese Prognosen leicht umkehren.

Angesichts der Einschränkungen der demografischen Daten über Risiken beschränkten sich die Versicherungsgesellschaften meist auf einen «Top-down»-Ansatz bei der Verlustschätzung, bei dem die endgültigen Kosten für bestehende Ansprüche, sowohl bekannte als auch vermutete, durch die Anwendung eines Faktors vorausberechnet wurden, der aus hochkarätigen Erfahrungsberichten über die Jahresabschlüsse abgeleitet wurde.

Auf grosse Datenmengen angewendete KI und maschinelles Lernen haben eine Umkehrwirkung und ermöglichen «Bottom-up»-Schätzungen darüber, wie sich individuelle Verluste «entwickeln» werden, um den von den Versicherern verwendeten Begriff zu verwenden. Die KI-Algorithmen analysieren im wesentlichen die an einzelnen Schadensfällen vorgenommenen Änderungen und lernen, wie die Ansprüche im Laufe der Zeit wachsen. Das Endergebnis ist eine weitaus präzisere Projektion der künftigen Verluste, die auf den individuellen Ansprüchen jedes einzelnen Schadensfalls beruht, und eine wesentlich genauere Zuweisung der Mittel zur Begleichung dieser Verluste. Davon profitiert auch der Konsument: Die Versicherungsgesellschaften können ihr Kapital effizienter einsetzen und so ein wachsendes Spektrum an immateriellen und wirtschaftlichen Verlusten abdecken, darunter Cyberverluste, Rufschädigung und emotionale Traumata.

Sicherheit geht vor!

Menschen, die auf eine Versicherung vertrauen, dürfen sich aus gutem Grund geschützt fühlen: Ihre Versicherer verfügen über leistungsstarke Mittel für Risikomessung und Risikomanagement. Ihre Beziehung zu Ihrem Versicherer wird zu einer Partnerschaft, in der Ihnen ein Versicherer Daten über Ihren aktuellen Zustand oder Ihre Handlungen mit anderen umfangreichen Datenbeständen kombinieren kann, um Ihnen dabei zu helfen, wichtige bevorstehende Risiken zu antizipieren, und Massnahmen zur Vermeidung dieser Risiken vorzuschlagen.

Wie das konkret aussehen könnte? Vielleicht erhält ein versicherter Autofahrer eine alternative Fahrroute vorgeschlagen, wenn plötzlich heftige Regenfälle die vorausliegende Strasse unter Wasser setzen. Oder vielleicht empfiehlt eine Smartphone-App, das tägliche Trainingspensum zu erhöhen, um das Risiko einer Herzerkrankung um 45 Prozent zu reduzieren. Beide Beispiele sind Situationen, in denen das Verständnis dafür, wer Sie als Einzelperson (oder als Mitarbeiter eines Unternehmens) sind, in Kombination mit granularen Daten über Ihre Handlungen und leistungsstarken Algorithmen für maschinelles Lernen sowohl das Risiko vorhersagt, dem Sie ausgesetzt sind, als auch Optionen zur Risikominderung vorschlägt. Entscheidend ist, dass der Versicherer auf ein breites Spektrum an Erfahrungen zurückgreifen kann, um einen Kunden über seine Risiken zu informieren und ihn seine Möglichkeiten zur Risikominderung sorgfältig bewerten zu lassen. Diese Partnerschaft wird zu besser informierten und besser geschützten Verbrauchern führen.