Wir haben das Zeitalter von Big Data und Internet of Things (IoT). Müssen sich Versicherungen überhaupt noch Gedanken über Data-Warehouse-Konzepte machen, denen ein relationales Datenmodell zugrunde liegt? Oder werden alle relevanten Daten mittelfristig in Big-Data-Strukturen abgelegt werden und damit klassische DWHs überflüssig? Diese Fragen bewegen derzeit viele Versicherungen.
Um eine Antwort zu finden, ist die Betrachtung des IoT im Zusammenhang mit relevanten Big-Data-Analytics-Ansätzen für Versicherungen hilfreich. Das IoT hat in den letzten Jahren die Geschäftsmodelle vor allem der Fertigungs- und Fabrikationsbranchen nachhaltig verändert. In jüngster Zeit ergeben sich durch IoT auch für die Versicherungsbranche grundlegend neue Geschäftsmodelle und Tarifierungsmethoden. Hauptsächliche Treiber sind derzeit Telematik und Real-Time-Scoring-Ansätze:
- Telematik in der Kfz-Versicherung: Nutzung von Telemetrie-Daten für marktattraktivere Tarife und Anreize zur Schadenssenkung, Berechnung der optimalen Versicherungsprämie für das individuelle Schadensrisiko, Beispiel: „Pay-how-you-drive“-Tarife.
- Telematik in der Krankenversicherung: Nutzung von Gesundheits- und Life-Style-Daten (z. B. von Fitness-Armbändern) für die Kalkulation von neuen Krankenversicherungstarifen.
- Realtime-Scoring für Bonitäts- und Plausibilitätsprüfung bei Antragsstellung: analytische Auswertung von vorhandenen Kundendaten, externen Statistiken, Internet-Daten und Informationen aus Geo-Systemen in Realtime.
- Realtime-Scoring für Betrugsanalysen bei der Schadensmeldung: analytische Auswertung von Partner- und Vertragsdaten, historischen Daten, Internet-Daten und Geosystemen.
Es ist nicht immer sinnvoll, die anfallenden „Rohdaten“ zusammen mit den strukturiert vorliegenden Partner- und Vertragsdaten in einer relationalen Datenbank abzulegen. Es bieten sich hierfür geeignetere und vor allem auch kostengünstigere Strukturen wie z. B. Hadoop an. Andererseits sind diese Big-Data-Systeme zumindest heute noch nicht darauf ausgerichtet, komplexe relationale Datenstrukturen performant zu verarbeiten. Ihre Stärke liegt in der extrem schnellen In-Memory-Verarbeitung von relativ flachen Datenstrukturen, die in großen Mengen anfallen (z. B. als schwach strukturierte Streaming-Daten). Deshalb wird es wahrscheinlich noch längere Zeit so sein, dass Big-Data-Strukturen, wie z. B. Hadoop, und relationale Datenhaltungssysteme, wie z. B. Oracle, parallel von der IT einer Versicherung betrieben werden.
Es wird jedoch notwendig sein, eine sinnvolle Verbindung zwischen beiden Datenhaltungssystemen zu implementieren. Dies kann einerseits eine Verknüpfung von Daten aus dem DWH auf der Ebene des analytischen Data Mart sein, z. B. durch Verknüpfung der Streaming-Daten mit einer Kunden- oder Vertragsnummer aus dem DWH. Dies setzt jedoch voraus, dass die IT der Versicherung die analytische Auswertung der IoT-Daten selbst betreibt. Häufig wird ein Szenario zur Anwendung kommen, in dem die Big-Data-Analytics-Ergebnisse einer Versicherung von einem externen Dienstleister zur Verfügung gestellt werden. In jedem Fall wird die Aufgabe nun darin bestehen, die analytischen Ergebnisse, z. B. Scoring-Werte, den vorliegenden Informationen im DWH zuzuordnen.
Beispiel: Telemetrie-Daten in der Kfz-Versicherung
Einige Versicherungen haben bereits mit der Auswertung von Daten einer „Telematik-Box“, die in das Kfz eingebaut wird und Informationen über das Fahrverhalten anonymisiert weiterleitet, neuartige Kfz-Tarife entwickelt, die – auf den Punkt gebracht – defensives Fahrverhalten durch günstigere Beiträge belohnen. Externe Unternehmen (Autohersteller, Telekom-Unternehmen) planen, eigene analytische Scoring-Werte als externe Dienstleistung zur Verfügung zu stellen. Unabhängig davon, ob die Scoring-Werte extern oder intern von einer Versicherung ermittelt werden, müssen diese mit den im DWH gespeicherten Vertragsinformationen in Bezug gebracht werden.
In einem Business Analytics-Standard-DWH für Versicherungen, wie z. B. dem Detail Datastore (DDS) von SAS, sind analytische Modelle und analytische Scoring-Werte im Datenmodell bereits standardmäßig implementiert. Damit lässt sich z. B. ein Scoring-basiertes Tarifsystem der Kfz-Versicherung (aber auch jeder anderen Sparte) leicht abbilden. Die analytischen Ergebnisse lassen sich beliebigen Ebenen des Versicherungs-Geschäftsprozesses zuordnen, z. B. zu Kunde, Vertrag oder Risiko.
Analyseergebnisse von Big-Data-Analytics-Modellen lassen sich damit gut in Konzepte eines Standard-DWH für Business Analytics einbringen und ergänzen den im DWH strukturiert vorliegenden Kunden- und Policen-Bestand einer Versicherung. Zukünftige Big-Data-Konzepte mögen die Möglichkeit eröffnen, beide Modelle in einem „Data Lake“ zu verschmelzen. Die heutigen Big-Data-Systeme haben jedoch noch (unterschiedliche) Schwierigkeiten, mit komplexen relationalen Strukturen umzugehen. Deshalb erscheint ein Szenario, wie vorstehend beschrieben – und damit das Konzept eines Standard-Datenmodells für Versicherungen –, noch unbestimmte Zeit Gültigkeit zu behalten.
Mehr zum Thema Internet of Things und Big Data Analytics finden Sie hier oder auf dem Big Data Analytics Forum im November 2016 in Frankfurt/Main.
Hartmut Schroth, Business Advisor Datenstrategien für Versicherungen bei SAS Deutschland. Bitte besuchen Sie mich bei LinkedIn für weitere Diskussionen zum Thema.
