Verhaltenstips vom Versicherer

Schon heute versucht die Versicherungsbranche menschliches Verhalten vorherzusagen und Risiken zu antizipieren. Moderne Technologien und enorme Datenmengen können uns zu einer (noch) sichereren Zukunft verhelfen.

 

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…

«Unverzichtbare Lektüre:
eine intellektuelle Zündkerze, die das
Weiterdenken in Gang bringt.»
Wolf Lotter, Autor und Mitgründer von «brand eins»,
über den «Schweizer Monat»