1
Autoren: Falk Lehmann, Head of BI und Axel Kummer, COO, metafinanz Informationssysteme Predictive Analytics (PA) gilt als Weiterentwicklung der klassischen Business Intelligence (BI) und bezeichnet die zukunftsorientierte Daten- analyse sowie das Erstellen von Prognosemodellen. Das Analystenhaus Gartner spricht treffend vom „Shift from measurement to analysis, fore- casting and optimization“. Seit rund zwanzig Jahren kommen PA-Tools in Branchen wie der Telekommunikation, dem Handel sowie der Finanz- und Versicherungswirtschaft zum Einsatz. Getrieben wird das Thema vor allem durch die stetig wachsenden Datenmengen. Um in der Datenflut den Überblick zu behalten, künftige Marktentwicklungen zu erkennen und rechtzeitig zu reagieren, nutzen Entscheidungsträger in zuneh- mendem Maße prognoseorientierte Modelle. Predictive Analytics – Prognosemodelle als zukunftsträchtiges Management-Tool Finanzkrise und Kulturwandel beeinflussen Versiche- rungsmarkt Der Versicherungsmarkt befindet sich inmitten eines dramatischen Wan- dels. Einerseits zeigt die Finanzkrise Wirkung in Form volatilerer Marktbe- wertungen, die auch höhere Anlagerisiken nach sich ziehen. Hinzu kommen neuerdings Unsicherheiten bei den Staatsanleihen, die den Versicherern als Hauptinstrument beim Asset-Management dienen. Eine weitere Gefahr für das Geschäftsmodell sind außerdem die anhaltend niedrigen Zinsen, die es den Versicherungen erschweren, ihre Beitragseinnahmen wirtschaftlich an- zulegen und die garantierte Mindestverzinsung zu halten. Aber auch das Marktumfeld verändert sich. Nach einer Phase des ste- tigen Wachstums in den Industriestaaten stagnieren die Beitragsein- nahmen, und die Globalisierung bringt neue Anbieter in den deutschen Markt. Zusätzlich steigen die Kosten der Schadenregulierung stetig an und drückten die Margen. Ein tiefgreifender Kulturwandel ist schließlich auch auf Kundenseite zu beobachten. Galt früher der durchschnittliche Versicherungskunde als konservativ mit starker Bindung an seinen Versicherer, so gewinnen in- zwischen zwei neue Kundetypen an Ge- wicht: Der vertragso- rientierte Kunde auf der einen Seite infor- miert sich über Ver- gleichsportale und deckt seine Versicherungsrisiken beim günstigsten Versicherer, der ihn mit industrialisierten Standardprodukten bedient. Demgegenüber wünscht der individualistische Kundentyp Versicherungs- produkte, die seine persönlichen Bedürfnisse adressieren sowie Premium- Services, für die er bereit ist, höhere Beiträge zu zahlen. Damit Versicherer angemessen auf diesen fundamentalen Wandel re- agieren können, müssen sie frühzeitig Entscheidungen treffen, um die richtigen Produkte zur richtigen Zeit über den richtigen Vertriebskanal anzubieten und ihre Services noch stärker an den Kundenbedürfnissen auszurichten. Grundsätzlich sind zukunftsorientierte Prognosen in der Assekuranz nichts Neues, fast alle großen Versicherungen beschäftigen sich mit Pro- gnosen. Zu den typischen Aufgabengebieten gehört zum Beispiel die Ermittlung des Kundenwerts, bei der man auch die künftige Entwick- lung des Kundenstamms vorhersehen oder Kundensegmente langfristig loyalisieren möchte. Beim Churn Management hingegen versucht man, rechtzeitig kündigungsbereite Kunden zu erkennen. Im Lead Manage- ment wiederum helfen Prognosen, die Reichweite und Wirksamkeit von Marketing Kampagnen zu erhöhen. Mit Data-Mining komplexe Strukturen entdecken Um die fachlichen Fragenstellungen richtig beantworten zu können, kommen unterschiedliche Verfahren aus dem Data-Mining und der hy- pothesenbasierten multivariaten Statistik zum Einsatz. Mittels Data Mi- ning lassen sich komplexe Strukturen oder Zusammenhänge in großen Datenmengen entdecken. Dieser Prozess wird als Scoring bezeichnet und lässt sich schematisch wie folgt darstellen: Zunächst geht es darum, den fachlichen Kontext zu verstehen. Dazu wird ein Prognosemodell, die sogenannte Scorecard, erstellt, welches das zu prognostizierende Ereignis spezifiziert. Dann müssen die aus fachlicher Sicht erforderlichen Daten definiert werden. In der Praxis bilden Score- cards häufig ein multivariates Modell ab, in dem durch passende ma- thematische Verknüpfung verschiedene Merkmale zu einem Modell zu- sammengeführt werden. Abschließend wird die Scorecard in definierten Geschäftsprozessen angewandt. Grundvoraussetzung für das Erstellen von Prognose ist das Vorhanden- sein von validen Kunden- und Vertriebsdaten. Gerade im Versicherungs- umfeld sind diese allerdings oft schwer zu beschaffen, was an den viel- fältigen Vertriebswegen liegt. So verteilen sich die Daten in der Branche vom AO-Vertreter über Makler, Strukturvertriebe, Onlineplattformen und Internet bis hin zu B2B-Partnern wie Autohäuser oder Automobilherstel- ler. Auch datenschutzrechtliche Anforderungen erschweren den Zugang zu hochwertigen Daten. So müssen zum Beispiel Mehrsparten-Versi- cherungen, die ihre Sparten Sach-, Kranken- und Lebensversicherung in rechtlich selbständigen Unternehmen organisiert haben, im Umgang mit personenbezogenen Daten strenge Regeln befolgen. Tools für Data-Mining und Data-Quality Für die Scorecard-Modellierung kommen im Versicherungsumfeld ver- schiedene Tools zum Einsatz. Noch wenig verbreitet sind eigenständige Data-Mining-Lösungen wie etwa SAS Enterprise Miner oder IBM SPSS Mo- Data Mining galt einst als Kerndisziplin der Business In- telligence. Nachdem es einige Zeit ruhiger um das Thema wurde, taucht das Konzept inzwischen unter dem Begriff Predictive Analytics wieder auf. In Zeiten der Finanzkrise Der individualistische Kundentyp wünscht Versicherungsprodukte, die seine persönlichen Bedürfnisse adressieren sowie Premium-Services ( ) deler, was an den meist hohen Kosten liegt. Häufiger anzutreffen sind hingegen statistische Werkzeuge wie SAS/STAT. Zwar versprechen echte Data Mining Suiten eine höhere Scoring-Produktivität, doch noch betrach- ten das viele Versicherer nicht als entscheidenden Erfolgsfaktor. Speziell für kleinere Versicherungen bieten Data-Mining-Anbie- ter auch vorkonfigurierte Prognosemodelle an. Eine andere Kategorie von Tools, die ebenfalls im Pro- gnosekontext an Bedeu- tung gewinnt, sind Data- Quality-Produkte. Solche Anwendungen, die die Qua- lität der verwendeten Daten sicherstellen, sind in vielen BI Suiten bereits integriert. Gerade bei kundenbezo- genen Prognosen ist eine systematisch qualitätsgesicherte Datenbasis wichtig, weil im Anschluss an die Analyse kostenintensive Interaktionen mit den Kunden erfolgen. Als wichtigste Innovation auf dem Gebiet der Predictive Analytics ist jedoch die Verankerung von Scorecards in die operativen Geschäftspro- zesse zu sehen. Während analytische Prognosemodelle in der Vergan- genheit im dispositiven Umfeld wie der Vertriebs- und Aktionsplanung zur Anwendung kamen, gewinnt künftig der Einsatz in operativen An- wendungssystemen an Bedeutung. Die Voraussetzung dafür schaffen die Werkzeuganbieter, indem sie Service-Schnittstellen zu den integrierten Statistikkomponen- ten implementieren. Dies können dann aus unterschiedlichsten Anwendungen heraus genutzt werden. In Web-Anwendungen kann dann beispielsweise der Kundendialog mit Hilfe von Scorecards analysiert und gesteuert werden. Der Kunde erhält dabei in Echtzeit die für ihn wahrscheinlich interes- santesten Produkte und Services angezeigt. Erste Erfahrungen belegen bereits eine signifikante Steigerung des Verkaufserfolges. Fazit Zunehmender Wettbewerb- und Kostendruck sowie ein verändertes Kundenverhalten zwingen die Assekuranz dazu, ihre Ressourcen ziel- gerichteter einzusetzen. Priorität hat dabei der Ausbau und Erhalt der eigenen Kundenbasis. Predictive Analytics unterstützt das, indem Scorecards nicht mehr nur dispositiv, sondern auch in operativen Pro- zessen in Echtzeit eingesetzt werden können. Kleineren und mittleren Versicherern fehlt dazu allerdings oft das interne Knowhow zum Aufbau von Scorecards sowie das Budget für analytische Werkzeuge. Als ziel- führender Ansatz empfiehlt sich hier, Scorecards mit einem erfahrenen Partner zu entwickeln, der über Branchen- und Mathematikkompetenz verfügt. So kann das Thema mit den eigenen Mitarbeitern aufgebaut und die notwendigen Prozesse etabliert werden. Sogar bei den Tools gibt es Einsparpotenziale, indem kostengünstige Open Source-Werkzeuge für Data Mining und Statistik verwendet werden – so zum Beispiel R (http://www.r-project.org/) oder RapidMiner ( http://rapid-i.com). Der Umfang erster Projekte muss übrigens nicht gleich mehrere Mannjahre umfassen. Erste Ergebnisse lassen sich oft bereits nach kurzer Zeit erzie- len und schrittweise ausbauen. und sich wandelnder Märkte gewinnen Prognosemodelle in der Versicherungsbranche an Bedeutung, und BI-An- bieter bieten entsprechende analytische Modelle und Lö- sungen dafür. Kundendialog mit Hilfe von Score- cards analysiert und gesteuert werden ( (

Predictive Analytics - Prognosemodelle als zukunftsträchtiges Management-Tool

Embed Size (px)

DESCRIPTION

[10.06.2012] Data Mining galt einst als Kerndisziplin der Business Intelligence. Nachdem es einige Zeit ruhiger um das Thema wurde, taucht das Konzept inzwischen unter dem Begriff Predictive Analytics wieder auf. In Zeiten der Finanzkrise und sich wandelnder Märkte gewinnen Prognosemodelle in der Versicherungsbranche an Bedeutung, und BI-Anbieter bieten entsprechende analytische Modelle und Lösungen dafür.

Citation preview

Page 1: Predictive Analytics - Prognosemodelle als zukunftsträchtiges Management-Tool

Autoren: Falk Lehmann, Head of BI und Axel Kummer, COO, metafinanz Informationssysteme

Predictive Analytics (PA) gilt als Weiterentwicklung der klassischen Business Intelligence (BI) und bezeichnet die zukunftsorientierte Daten-analyse sowie das Erstellen von Prognosemodellen. Das Analystenhaus Gartner spricht treffend vom „Shift from measurement to analysis, fore-casting and optimization“. Seit rund zwanzig Jahren kommen PA-Tools in Branchen wie der Telekommunikation, dem Handel sowie der Finanz- und Versicherungswirtschaft zum Einsatz. Getrieben wird das Thema vor allem durch die stetig wachsenden Datenmengen. Um in der Datenflut den Überblick zu behalten, künftige Marktentwicklungen zu erkennen und rechtzeitig zu reagieren, nutzen Entscheidungsträger in zuneh-mendem Maße prognoseorientierte Modelle.

Predictive Analytics – Prognosemodelle als zukunftsträchtiges Management-Tool

Finanzkrise und Kulturwandel beeinflussen Versiche-rungsmarktDer Versicherungsmarkt befindet sich inmitten eines dramatischen Wan-dels. Einerseits zeigt die Finanzkrise Wirkung in Form volatilerer Marktbe-wertungen, die auch höhere Anlagerisiken nach sich ziehen. Hinzu kommen neuerdings Unsicherheiten bei den Staatsanleihen, die den Versicherern als Hauptinstrument beim Asset-Management dienen. Eine weitere Gefahr für das Geschäftsmodell sind außerdem die anhaltend niedrigen Zinsen, die es den Versicherungen erschweren, ihre Beitragseinnahmen wirtschaftlich an-zulegen und die garantierte Mindestverzinsung zu halten.

Aber auch das Marktumfeld verändert sich. Nach einer Phase des ste-tigen Wachstums in den Industriestaaten stagnieren die Beitragsein-nahmen, und die Globalisierung bringt neue Anbieter in den deutschen Markt. Zusätzlich steigen die Kosten der Schadenregulierung stetig an und drückten die Margen.

Ein tiefgreifender Kulturwandel ist schließlich auch auf Kundenseite zu beobachten. Galt früher der durchschnittliche Versicherungskunde als konservativ mit starker Bindung an seinen Versicherer, so gewinnen in-

zwischen zwei neue Kundetypen an Ge-wicht: Der vertragso-rientierte Kunde auf der einen Seite infor-miert sich über Ver-

gleichsportale und deckt seine Versicherungsrisiken beim günstigsten Versicherer, der ihn mit industrialisierten Standardprodukten bedient. Demgegenüber wünscht der individualistische Kundentyp Versicherungs-produkte, die seine persönlichen Bedürfnisse adressieren sowie Premium-Services, für die er bereit ist, höhere Beiträge zu zahlen.

Damit Versicherer angemessen auf diesen fundamentalen Wandel re-agieren können, müssen sie frühzeitig Entscheidungen treffen, um die

richtigen Produkte zur richtigen Zeit über den richtigen Vertriebskanal anzubieten und ihre Services noch stärker an den Kundenbedürfnissen auszurichten.

Grundsätzlich sind zukunftsorientierte Prognosen in der Assekuranz nichts Neues, fast alle großen Versicherungen beschäftigen sich mit Pro-gnosen. Zu den typischen Aufgabengebieten gehört zum Beispiel die Ermittlung des Kundenwerts, bei der man auch die künftige Entwick-lung des Kundenstamms vorhersehen oder Kundensegmente langfristig loyalisieren möchte. Beim Churn Management hingegen versucht man, rechtzeitig kündigungsbereite Kunden zu erkennen. Im Lead Manage-ment wiederum helfen Prognosen, die Reichweite und Wirksamkeit von Marketing Kampagnen zu erhöhen.

Mit Data-Mining komplexe Strukturen entdeckenUm die fachlichen Fragenstellungen richtig beantworten zu können, kommen unterschiedliche Verfahren aus dem Data-Mining und der hy-pothesenbasierten multivariaten Statistik zum Einsatz. Mittels Data Mi-ning lassen sich komplexe Strukturen oder Zusammenhänge in großen Datenmengen entdecken. Dieser Prozess wird als Scoring bezeichnet und lässt sich schematisch wie folgt darstellen:Zunächst geht es darum, den fachlichen Kontext zu verstehen. Dazu wird ein Prognosemodell, die sogenannte Scorecard, erstellt, welches das zu prognostizierende Ereignis spezifiziert. Dann müssen die aus fachlicher Sicht erforderlichen Daten definiert werden. In der Praxis bilden Score-cards häufig ein multivariates Modell ab, in dem durch passende ma-thematische Verknüpfung verschiedene Merkmale zu einem Modell zu-sammengeführt werden. Abschließend wird die Scorecard in definierten Geschäftsprozessen angewandt.

Grundvoraussetzung für das Erstellen von Prognose ist das Vorhanden-sein von validen Kunden- und Vertriebsdaten. Gerade im Versicherungs-umfeld sind diese allerdings oft schwer zu beschaffen, was an den viel-fältigen Vertriebswegen liegt. So verteilen sich die Daten in der Branche vom AO-Vertreter über Makler, Strukturvertriebe, Onlineplattformen und Internet bis hin zu B2B-Partnern wie Autohäuser oder Automobilherstel-ler. Auch datenschutzrechtliche Anforderungen erschweren den Zugang zu hochwertigen Daten. So müssen zum Beispiel Mehrsparten-Versi-cherungen, die ihre Sparten Sach-, Kranken- und Lebensversicherung in rechtlich selbständigen Unternehmen organisiert haben, im Umgang mit personenbezogenen Daten strenge Regeln befolgen.

Tools für Data-Mining und Data-QualityFür die Scorecard-Modellierung kommen im Versicherungsumfeld ver-schiedene Tools zum Einsatz. Noch wenig verbreitet sind eigenständige Data-Mining-Lösungen wie etwa SAS Enterprise Miner oder IBM SPSS Mo-

Data Mining galt einst als Kerndisziplin der Business In-telligence. Nachdem es einige Zeit ruhiger um das Thema wurde, taucht das Konzept inzwischen unter dem Begriff Predictive Analytics wieder auf. In Zeiten der Finanzkrise

Der individualistische Kundentyp wünscht Versicherungsprodukte, die seine persönlichen Bedürfnisse adressieren sowie Premium-Services( )

deler, was an den meist hohen Kosten liegt. Häufiger anzutreffen sind hingegen statistische Werkzeuge wie SAS/STAT. Zwar versprechen echte Data Mining Suiten eine höhere Scoring-Produktivität, doch noch betrach-ten das viele Versicherer nicht als entscheidenden Erfolgsfaktor. Speziell

für kleinere Versicherungen bieten Data-Mining-Anbie-ter auch vorkonfigurierte Prognosemodelle an.

Eine andere Kategorie von Tools, die ebenfalls im Pro-gnosekontext an Bedeu-tung gewinnt, sind Data-Quality-Produkte. Solche Anwendungen, die die Qua-lität der verwendeten Daten sicherstellen, sind in vielen BI Suiten bereits integriert. Gerade bei kundenbezo-genen Prognosen ist eine

systematisch qualitätsgesicherte Datenbasis wichtig, weil im Anschluss an die Analyse kostenintensive Interaktionen mit den Kunden erfolgen.

Als wichtigste Innovation auf dem Gebiet der Predictive Analytics ist jedoch die Verankerung von Scorecards in die operativen Geschäftspro-zesse zu sehen. Während analytische Prognosemodelle in der Vergan-genheit im dispositiven Umfeld wie der Vertriebs- und Aktionsplanung zur Anwendung kamen, gewinnt künftig der Einsatz in operativen An-wendungssystemen an Bedeutung. Die Voraussetzung dafür schaffen die Werkzeuganbieter, indem sie Service-Schnittstellen zu den integrierten Statistikkomponen-ten implementieren. Dies können dann aus unterschiedlichsten Anwendungen heraus genutzt werden. In Web-Anwendungen kann dann beispielsweise der Kundendialog mit Hilfe von Scorecards analysiert und gesteuert werden. Der Kunde erhält dabei in Echtzeit die für ihn wahrscheinlich interes-santesten Produkte und Services angezeigt. Erste Erfahrungen belegen bereits eine signifikante Steigerung des Verkaufserfolges.

FazitZunehmender Wettbewerb- und Kostendruck sowie ein verändertes Kundenverhalten zwingen die Assekuranz dazu, ihre Ressourcen ziel-gerichteter einzusetzen. Priorität hat dabei der Ausbau und Erhalt der eigenen Kundenbasis. Predictive Analytics unterstützt das, indem Scorecards nicht mehr nur dispositiv, sondern auch in operativen Pro-zessen in Echtzeit eingesetzt werden können. Kleineren und mittleren Versicherern fehlt dazu allerdings oft das interne Knowhow zum Aufbau von Scorecards sowie das Budget für analytische Werkzeuge. Als ziel-führender Ansatz empfiehlt sich hier, Scorecards mit einem erfahrenen Partner zu entwickeln, der über Branchen- und Mathematikkompetenz verfügt. So kann das Thema mit den eigenen Mitarbeitern aufgebaut und die notwendigen Prozesse etabliert werden. Sogar bei den Tools gibt es Einsparpotenziale, indem kostengünstige Open Source-Werkzeuge für Data Mining und Statistik verwendet werden – so zum Beispiel R (http://www.r-project.org/) oder RapidMiner ( http://rapid-i.com). Der Umfang erster Projekte muss übrigens nicht gleich mehrere Mannjahre umfassen. Erste Ergebnisse lassen sich oft bereits nach kurzer Zeit erzie-len und schrittweise ausbauen.

und sich wandelnder Märkte gewinnen Prognosemodelle in der Versicherungsbranche an Bedeutung, und BI-An-bieter bieten entsprechende analytische Modelle und Lö-sungen dafür.

Kundendialog mit Hilfe von Score-cards analysiert und gesteuert werden(

(