Wo steht eigentlich die europäische Versicherungswirtschaft in puncto Advanced Analytics, KI und Automatisierung? Erleben wir, dass gerade auch in der Assekuranz traditionelle Verfahren der Datenanalyse mit dem Begriff „maschinelles Lernen" überklebt werden? Oder ist die Branche hier schon deutlich weiter? Sind beispielsweise echte Chatbots wirklich schon allgegenwärtig? Aktuelle Einblicke gibt diese EMEA-weite Studie. Hier lohnt ein genauerer Blick auf den Status der Branche, den ich kürzlich auf der Versicherungskonferenz Insurance AI and Analytics Europe in London gewinnen konnte. Dieses von der Insurance Nexus organisierte Treffen ist eine Konferenz der Versicherungswirtschaft (80 % der Teilnehmer kommen von europäischen Versicherern) mit einem hohen Anteil von Executives – und daher für eine Statusübersicht viel besser geeignet als die üblichen Analysten- oder Herstellerveranstaltungen. In diesem Blog fasse ich die aus meiner Sicht wichtigsten Eindrücke der zwei Konferenztage in Kurzform zusammen.
Mit maschinellem Lernen bei bekannten Prozessen ansetzen – und den kulturellen Wandel vorantreiben
Versicherungen haben eine sehr lange Geschichte in der Nutzung von Analytics. Aktuare haben als versicherungsmathematische Sachverständige mit umfassenden Kenntnissen des Versicherungswesens hierbei traditionell die Führung. Ihre Methoden basieren häufig auf sogenannten Generalisierten Linearen Modellen (GLM), die auf kleine Datenmengen und nicht zu komplexe Anforderungen ausgelegt sind. Diese Methoden, so Kenny Holms, Head of Predictive Analytics der Argo Group, entstammten einer vergangenen Ära – vor der Zeit von Big Data und maschinellem Lernen. Neuere Methoden und mehr Daten führten häufig zu einer höheren Genauigkeit von Vorhersagen. Und erst wer auch unstrukturierte Daten (heute noch mehr als 2/3 des Datenhaushalts) im Griff habe, nutze das volle Potenzial.
Bei der Nutzung dieser Methoden gehen moderne Data Scientists sehr pragmatisch vor – und erweitern zunehmend die Analystenteams. Das führt aber auch zu der Notwendigkeit, den damit einhergehenden kulturellen Wandel aktiv zu begleiten (Data Scientists ticken weitgehend anders als Aktuare). Ein Chief Digital/Data Officer ist eine gute Einrichtung, alle Aktivitäten der Versicherung rund um Digitalisierung, KI und datenbasierte Entscheidungen zu koordinieren. Diese Rolle verantwortet am Ende auch die Veränderung der Rahmenbedingungen, die notwendig ist, junge Talente erfolgreich zu umwerben, statt sie zu den Facebooks, Googles oder Apples ziehen zu lassen, die viel eher als sexy wahrgenommen werden als die gute alte Assekuranz. Der CDO muss daher für Freiheiten sorgen, muss datenbasierte Forschung und Experimente erlauben – statt zufrieden zu sein mit dem, was die Organisation immer schon erfolgreich gemacht hat. Und eben das geschieht immer mehr in Data Labs, deren Ideen und Vorgehen dann aber erfolgreich in die Organisation „zurück gemanagt“ werden müssen, um Mehrwerte zu bringen.
Maschinelles Lernen und Regulatorik – ein Widerspruch?
Unausweichlich ist in Versicherungen natürlich die Frage, wie maschinelles Lernen mit seinen Black-Box-Ansätzen (z. B. neuronale Netze) mit Regulatorik und Erklärbarkeit in Einklang zu bringen ist. Dies, so die Meinung der Diskutanten, sei eben auch eine Frage der Darstellung: Man müsse nicht das Entscheidungsmodell als Regeln formulieren können, sondern in der Lage sein zu erklären, warum man überzeugt ist, dass der Algorithmus funktioniere. Audit Trails parat zu haben, sei dann eine Frage der Governance (also: „Welches Modell hat wann auf welchen Daten zu welcher Entscheidung geführt?"). Und nicht zuletzt, fügte ein Teilnehmer augenzwinkernd hinzu: „Wer sei denn in der Lage, eine menschliche Entscheidung genau zu erklären?“
Was ist der richtige Use Case?
Womit also starten, wenn man maschinelles Lernen zur Verbesserung von Vorhersagen in der Versicherung etablieren möchte? Wo sollten KI-Systeme zuerst zum Einsatz kommen? Fraud sei ein guter Startpunkt, neue Modelle auszuprobieren und Erfahrungen zu sammeln. Anthony Barker, Head of Claims Operations EMEA der SwissRe Corporate Solutions, favorisiert hier aber ganz klar die Schadensbearbeitung („This is where the promise becomes real!”). Hier seien die Fachbereiche gefordert, innovative Ideen mit KI-Anwendungen voranzutreiben und nicht auf die IT und fertige technische Voraussetzungen zu warten. Wer hier ansetze, habe hohes Differenzierungspotenzial. Barker bat die Zuhörer, sich einen ganz anderen Schadensprozess als heute üblich vorzustellen: Angenommen, durch die Lektüre der lokalen Nachrichten, Twitter und anderer sozialer Medien käme eine KI zum Schluss, bei ihnen habe es gebrannt. Warum nicht einfach als Vertrauensvorschuss sofort 50 % des möglichen Schadens begleichen und dann gemeinsam sehen, wie es von da an weitergeht? Allerdings: Hier werde ein gerüttelt Maß an Operationalisierung und Änderung der Geschäftsprozesse notwendig. Durchaus kein leichter Schritt, denn nicht zuletzt: „Culture bites!"
Operationalisierung fällt noch schwer
Operationalisierung war in der Tat ein großes Thema. Eine (sicher nicht repräsentative) Umfrage im Publikum ergab: Erst wenige Organisationen nutzen maschinelles Lernen für das Scoring, aber fast keiner setzt die Resultate dann auch operativ in Aktionen um. Allgemein gilt die automatisierte Ausführung analytischer Entscheidungen für insgesamt 50 % der Befragungsteilnehmer im Publikum als praktisch sehr schwierig. Gerade aber der Automatisierung des Underwriting und Pricing, des Schadensprozesses, der Betrugsabwehr und, nicht zuletzt, der Kundeninteraktion mit einer personalisierten Customer Experience kommt hohe Bedeutung zu. Hier stehen viele ganz am Anfang des Weges zu komplett oder weitgehend digitalisierten Versicherungsprodukten.
Radikale Ideen?
Und dieser Schritt erfordere ein vollständiges Umdenken, wie Peter Ohnemus, CEO von Dacadoo, in einem provokanten Weckruf formulierte: Ein dramatischer Wandel stehe der Krankenversicherungsbranche bevor, die mit dem Rücken zur Wand stehe. Der mit Abstand größte Treiber, Krankheitskosten zu vermeiden, sei mit 40 % der persönliche Lebensstil. Krankenversicherer müssten sich daher in Zukunft als Partner für den jeweiligen Lebensstil sehen. Aus Healthcare werde Wellcare. Und dies bedeute, über Wearables, mit datenbasierten Produkten und Dienstleistungen eine Plattform-Ökonomie zu realisieren.
In eine ähnliche Richtung geht die Idee von Visiontrack: Durch aktive Verhaltensbeeinflussung möchte der Anbieter von Überwachungskameras für Fahrzeuge Schäden vermeiden. Eine Kamera überwacht den Fahrer und die Fahrsituation in Echtzeit und schlägt Alarm, wenn der Steuermann gähnt, abgelenkt zur Seite schaut, mit dem Mobiltelefon telefoniert oder die Augen schließt. Ziel ist natürlich, Schäden zu vermeiden – und die Versicherung zum „Schutzengel" des Fahrers machen –, was durchaus kontroverse Reaktionen im Publikum auslöste.
Emotion statt Technokratie
Am Thema Chatbots kommt man bei so einer Konferenz natürlich nicht vorbei. Versicherungen planen die Digitalisierung ihrer Prozesse mit Kundenkontakt nicht zuletzt aus Effizienzgründen. Aber auch, um zu probieren, was technisch möglich ist. Dennoch, so das deutliche Feedback des Auditoriums, seien fast alle Ansätze bislang gescheitert. Liegt das daran, dass Sprachverstehen und automatisierte Entscheidungen schlicht noch nicht ausgereift genug sind? Dass viele einfache Chatbots, z. B. zum Online-Produktabschluss oder zur Schadensmeldung, ein eher fragwürdiges Kundenerlebnis bieten? Sicher auch. David Stubbs, Gründer und CEO von RightIndem, betonte die Notwendigkeit, die Grundbedürfnisse des Kunden bei der Digitalisierung von Prozessen besser zu verstehen, zum Beispiel bei der Schadensaufnahme: Wer hier technokratisch vorgehe und die Effizienz der Faktenerhebung in den Vordergrund stelle, werde scheitern. Wenn ein Versicherter einen Schaden hatte, dann hatte er einen schlechten Tag – und möchte sich auch einfach einmal mitteilen dürfen.
Fazit: Auch mit KI und maschinellem Lernen bleiben schlechte Prozesse schlechte Prozesse. Erst neues Denken auf vielen Ebenen wird den Erfolg bringen.
