IT-Management, Forecast

Predictive Analytics

Versicherungen verwenden riesige Datensätze und multivariate Statistik, um das Verhalten von Kunden vorherzusagen. Noch seien die Prognosen mühsam zu erstellen. Doch die Entwicklung schreitet voran: Bald könnten Analysen in Echtzeit möglich sein. Ein Beitrag von Falk Lehmann und Axel Kummer.

Derzeit lässt sich eine Renaissance des data mining beobachten. Nachdem darin vor etwa zehn Jahren ein wesentlicher Baustein der business intelligence gesehen wurde, wurde es in den letzten Jahren zunehmend ruhig.

Das Konzept des data mining taucht im Kontext von predictive analytics wieder auf. Laut dem hype cycle von Gartner erreicht predictive analytics demnächst das Plateau der Produktivität. Anbieter von business intelligence-Lösungen wie SAS und IBM (SPSS) setzen bei der Weiterentwicklung ihrer Plattformen derzeit konsequent auf predictive analytics. Diese erfreuen sich derzeit insbesondere in der Versicherungsbranche großer Beliebtheit.

Der vorliegende Beitrag möchte die Einsatzbereiche von predictive analytics in Versicherungen aufzeigen. Welche Chancen ergeben sich daraus, und welche Restriktionen sind gesetzt?

Zukunftsorientierte Datenanalyse

Unter predictive analytics versteht man im allgemeinen Sprachgebrauch die zukunftsorientierte Datenanalyse sowie das Erstellen von Prognosemodellen. Die Disziplin wird dem Themenbereich business analytics zugeordnet, der häufig als die Weiterentwicklung oder Erweiterung der business intelligence bezeichnet wird. Entsprechende Software wird bereits seit etwa 20 Jahren eingesetzt - insbesondere in der Telekommunikationsbranche sowie in Banken und, wie gesagt, in Versicherungen.

Kundentypen

Nicht erst seit dem Ausbruch der Finanzkrise im Jahr 2009 vollzieht sich im Versicherungsmarkt ein Wandel: Der Wettbewerb um die Versicherungskunden nimmt zu. Aber auch die Kunden haben sich verändert: Der traditionelle Kunde ließ sich langfristig an eine Versicherung binden, alle gewünschten Versicherungen schloss er, sofern möglich, bei dieser Versicherung ab. Derartige Kunden werden zunehmend von zwei anderen Typen verdrängt: dem vertragsorientierten sowie den individualistischen Kundentyp.

Der vertragsorientierte Kundentyp folgt dem best of breed-Ansatz, deckt seine Risiken also bei den für ihn jeweils attraktivsten Versicherern ab. Die hierzu notwendige Transparenz gewinnt er durch einschlägige Vergleichsportale im Internet. Versicherungen bieten für diese Kunden kostengünstige Standardprodukte an. 

Demgegenüber steht der individualistische Kundentyp. Für ihn steht nicht der Preis im Vordergrund, sondern vielmehr die erbrachte Leistung. Er erwartet Produkte, die auf seine persönlichen Bedürfnisse zugeschnitten sind. Er ist bereit, für derartige Mehrwerte höhere Beiträge zu zahlen - vor allen Dingen im Hinblick auf Premium-Services.

Versicherungen müssen sich demnach von ihrem traditionellen Ansatz entfernen, da es auch die Kunden tun. Sie sind daher in stärkerem Maße als in der Vergangenheit dazu gezwungen, den Typ des Kunden frühzeitig zu ermitteln und ihm daraufhin die richtigen Produkte zur passenden Zeit anzubieten. Auch die Wahl des passenden Vertriebskanals muss getroffen werden. Zudem müssen sie ihre Angebote noch stärker an den Bedürfnissen der Kunden ausrichten.

Fragestellungen

Größere Versicherungen verwenden seit vielen Jahren mathematisch-statische Verfahren für ihre Prognosen. Mittlerweile beschäftigen sich die schlagfertigen Statistikabteilungen gezielt mit predictive analytics.

Die Prognosen eignen sich vorrangig dazu, Fragestellungen in Hinblick auf das analytische customer relationship management (CRM) respektive der customer intelligence sowie der damit eng verbunden Vertriebssteuerung zu beantworten. Folgend eine Auswahl an häufigen Fragestellungen:

• Customer Lifetime Value / Kundenwert:
  • In welchen Segmenten entwickelt sich künftig der Kundenstamm?
  • Mit welchen Strategien lässt sich künftig das Kundenverhalten beeinflussen?
  • Welche Merkmale geben den Ausschlag, dass Endkunden sich für ein Produkt entscheiden?
  • Über welche Kommunikationskanäle lassen sich in den unterschiedlichen Kundensegmenten am besten ansprechen?
  • Wie lassen sich Kunden loyalisieren, also langfristig binden? 
  • Wie können Budget und Ressourcen von Investitionen, die sich am Kunden orientieren, effektiv eingesetzt und gesteuert werden?

• Churn Management/ Attrition:
  • Welche Kunden werden wahrscheinlich in nächster Zeit kündigen?
  • Wie lassen sich unzufriedene Kunden erkennen, bevor sie eine Kündigungsabsicht äußern?
  • Welche Maßnahmen können ergriffen werden, um Kündigungen zu verhindern oder ehemalige Kunden wiederzugewinnen? Welche Maßnahmen versprechen unter Berücksichtigung ökonomischer Kennzahlen, wie bespielsweise der Kundenwert, in der jeweiligen Konstellation den größten Erfolg?

• Lead Management/ Aktionsmanagement
  • Wie kann die Reichweite und Wirksamkeit von Marketingkampagnen erhöht werden?
  • up-selling und cross-selling: Welche Kunden wollen mit hoher Wahrscheinlichkeit weitere Angebote wahrnehmen? Welche Angebote werden sie voraussichtlich auswählen?
  • In welchen Situationen lohnt es sich, einen Vertreter zum Hausbesuch zu entsenden?

• Vertriebsplanung / Standortplanung
  • Wie entwickelt sich der Kundenstamm in der Region?
  • Welche Vertriebswege sind für welche Produkte und Kundensegmente effektiv oder effizient?
  • Welche Agenturstandorte werden in welchen Regionen benötigt?
  • Mit welchen Produkten werden Agenturen und Makler künftig den höchsten Umsatz erzielen? Wie hoch wird dieser Umsatz sein?
  • Welche Produkte müssen sich wie oft verkaufen, um künftigen Entwicklungen des Marktes zu begegnen?
  • Wie entwickelt sich der Markt für ein Produkt in einem bestimmten Zeitraum?