Vorteile eines Standarddatenmodells für Versicherungen

0

"BEST PRACTICE" Tag Cloud Globe (business process improvement)

Wie ich bereits hier  erläutert habe, nutzen viele Versicherungen seit einigen Jahren ein Standarddatenmodell als Basis für ein Business Analytics Datawarehouse (DWH). Warum ist nun ein Standarddatenmodell für Versicherungen besser geeignet als ein individuelles, auf alle Eigenheiten einer Versicherungsgesellschaft abgestimmtes?

Wichtige Vorteile eines Standarddatenmodells für Versicherungen ergeben sich durch

  • eine bessere Unterstützung der Data Governance,
  • Gewährleistung von Revisionssicherheit,
  • Erhöhung der Datenqualität
  • und einen hohen Modell-Reifegrad sowie Release-Fähigkeit

und damit Sicherheit und Schnelligkeit in der Implementierung, wodurch letztendlich auch eine Industrialisierung des Data Warehousings ermöglicht wird.

Data Governance

Durch ein standardisiertes Datenmodell ist eine wesentliche Voraussetzung dafür gegeben, Data Governance im Unternehmen beziehungsweise in der Unternehmensgruppe zu erreichen. Ein standardisiertes Datenmodell unterstützt Data-Governance-Prozesse beispielsweise dadurch, dass im Datenmodell, wo immer möglich, verfügbare Industriestandards unterstützt und Codebegriffe verwendet werden.

Standardisierte Darstellung von Geschäftsprozessen z.B. von Versicherungsverträgen

Es gibt verfügbare Standardstrukturen, die sowohl von Arbeitskreisen der Versicherungswirtschaft als Standards definiert wurden, als auch in der Praxis von DWH-Projekten vielfach die erfolgreiche spartenübergreifende Umsetzung bewiesen haben.

B1_HSchroth

Durch Verwendung dieser Standardstrukturen wird die Implementierung unterschiedlicher Versicherungssparten erheblich vereinfacht, da ETL-Prozesse spartenübergreifend nach einer einheitlichen Logik entwickelt werden können.

Codes anstelle von Freitext-Feldern

In einem Standard-Datenmodell werden, wo immer möglich standardisierte, Codefelder verwandt, deren Inhalte jeder Fachbereich bzw. jede ‚Operational Entity‘ individuell definieren kann und die dann auf einer Metaebene mit einheitlichen, unternehmensweit gültigen Codes nachgelagert zur Beladung des DWH abgeglichen werden können.

Details hierzu werde ich in einem Folge-Blog noch näher erläutern.

Revisionssicherheit

Revisionssicherheit ist dann gegeben, wenn sich Dateninhalte und Zustand des Data Warehouse zu jedem Zeitpunkt nachvollziehen lassen. Dies umfasst zum Beispiel auch fehlerhafte Daten, die als Ausgangsdaten für einen Bericht oder eine analytische Auswertung herangezogen wurden. Eine solche Transparenz wird durch verschiedene regulatorische Vorschriften gefordert, zum Beispiel in Solvency II. Eine wesentliche Anforderung an ein DWH-Datenmodell ist deshalb ein revisionssicheres Historisierungskonzept, das in einem Standarddatenmodell als Ergebnis von Best Practices aus erfolgreichen DWH-Projekten in der Regel zur Verfügung steht.

Wie dies konkret aussehen kann, auch dies werde ich noch in einem Folge-Blog darstellen.

Datenqualität

Das Thema Datenqualität ist eng mit dem Begriff Data Governance verknüpft: das Data-Governance-Konzept hat immer zum Ziel, die Qualität der Datenquellen im Unternehmen zu verbessern. Die Anforderung an ein Datenmodell eines DWH besteht darin, dass Unzulänglichkeiten der operativen Quellsysteme nicht einfach kopiert werden, sondern dass ein konsistentes, bereinigtes relationales Modell zugrunde gelegt wird. Das Standarddatenmodell „Detail Datastore for Insurance“ (DDS) implementiert beispielsweise ein Partnermodell, das jeden Partner eindeutig identifiziert und ihm frei definierbare – aber eindeutige – Rollen im Versicherungsgeschäftsprozess zuweist. Die Datenbereinigung wird unterstützt durch Data-Quality-Werkzeuge inklusive Master-Data-Management.

Hoher Reifegrad und Release-Fähigkeit

Last not least besteht ein sehr großer Vorteil eines ausgereiften Standarddatenmodells für ein DWH einer Versicherung darin, dass dieses in der Regel einen längeren Release-Zyklus hinter sich und einen Reifegrad erreicht hat, den eine Eigenentwicklung erst nach mehreren Jahren erreichen könnte. Häufige Änderungen einer Datenmodell-Eigenentwicklung sind immer vorprogrammiert und verzögern die DWH-Implementierung erheblich.

Ein „Extension-Management-Konzept“ und „Customization Guidelines“ garantieren die Aufwärtskompatibilität von individuellen Modellanpassungen aus Kundenprojekten mit dem Standard. Dieses Prinzip wurde auch angewendet, um ein erweitertes Versicherungsdatenmodell „DDS Central Europe“ zur Verfügung zu stellen, das die spezifischen Anforderungen von mitteleuropäischen Versicherungsprozessen optimal unterstützt. Mehr hierzu ebenfalls in einem Folge-Blog.

Wie Versicherungen erfolgreich Business Analytics Lösungen einsetzen erfahren Sie auch auf dem SAS Forum 2016 beispielsweise von der HUK, der Ergo oder auch der Munich Re.

Hartmut Schroth, Business Advisor Datenstrategien für Versicherungen bei SAS Deutschland. Bitte besuchen Sie mich in LinkedIn für weitere Diskussionen zum Thema.

Share

About Author

Hartmut Schroth

Business Advisor

After finishing his master study of mathematics in 1981 Hartmut has been working in insurance and IT business in several positions. Since 2006 he is employee of SAS Institute in Germany. As business advisor in the presales team he is responsible for DACH region (Germany, Austria and Switzerland). His main focus is advising customers of financial services industry in strategies for data models of SAS Business Analytics solutions. Moreover he is regional product manager for the SAS Insurance Analytics Architecture.

Leave A Reply

Back to Top