close

Willkommen auf unserer digitalen Leseplattform – Bitte wählen Sie Ihre gewünschte Region aus

The Magazine
Management. Expertise. Inspiration.

Date: 04/06/2019

Title: Underwriting Insights: Automatisierung beschleunigt den Prozess

Teaser: Das Zeichnen von Großrisiken ist äußerst anspruchsvoll. Mithilfe von Automatisierung können (Rück)versicherer wertvolle Information aus Daten gewinnen und ihre Risikobewertung deutlich verbessern. Die Technologie ermöglicht die Bereitstellung relevanter Informationen an den richtigen Zeichnungsberechtigten zur richtigen Zeit.

Button: mehr erfahren

Image:

Underwriting Insights: Automatisierung beschleunigt den Prozess

Das Zeichnen von Großrisiken ist äußerst anspruchsvoll. Mithilfe von Automatisierung können (Rück)versicherer wertvolle Information aus Daten gewinnen und ihre Risikobewertung deutlich verbessern. Die Technologie ermöglicht die Bereitstellung relevanter Informationen an den richtigen Zeichnungsberechtigten zur richtigen Zeit.

Autoren: Konrad Niggli | Michael Marinaccio


Seitdem die digitale Revolution auch im Finanzsektor Einzug gehalten hat, ist dort ein deutlich verbessertes Verständnis für die Bedürfnisse der Kunden und Anpassung an diese zu verzeichnen. Dabei hat sich gezeigt, dass vor allem die Generierung und die anschließende Analyse von Daten hilfreiche Mittel sind.

Policierungsprozesss

Nach Erhalt eines Rückversicherungsantrags gibt ein Underwriting-Assistent für gewöhnlich die Daten manuell in ein Pricingsystem ein, um die Kosten zu kalkulieren und ein Angebot zu erstellen. Hierfür muss das gesamte Dokument gelesen werden, das üblicherweise zwischen fünfzehn und fünfzig Seiten umfasst. Wichtige Datenattribute, die das Risiko beschreiben, müssen dabei zusätzlich ermittelt werden. Diese Attribute werden verwendet, um Szenarien zu erstellen und dem Underwriter Informationen zur Verfügung zu stellen, anhand derer er entscheiden kann, ob er das Risiko übernimmt oder nicht.

Dies reicht jedoch nicht aus, um die Komplexität und Feinheiten vollständig zu erfassen, die bei der Überprüfung der Zeichnungsbewilligung wichtig wären. Die Informationsbeschaffung und Auswertung ähnlicher Risiken und Policen ist ebenso aufwändig und kostet wertvolle Zeit.

Herausforderungen durch unstrukturierte Datenbasis

Die überwiegende Mehrheit der gespeicherten Daten ist unstrukturiert. Sprich, es sind Daten aus unterschiedlichen Grundlagen, wie z.B. Textdokumente, E-Mails und Bilder. Eine umfassende Analyse dieser Daten müsste idealerweise auf viel besseren und anderen Programmen basieren als den meisten Unternehmen derzeit zur Verfügung stehen.

Die eingereichten Anfragen sind oft ebenfalls unstrukturiert. Diese Dateien bestehen zumeist aus schlecht strukturierten, sehr komplexen Word- oder PDF-Dokumenten, deren Auswertung dadurch sehr arbeitsintensiv ist. Der Schwierigkeitsgrad wird noch erhöht dadurch, dass es sich bei den PDFs häufig auch noch um gescannte Dateien handelt. Die automatische Verarbeitung dieser Art von Dokumenten war in der Vergangenheit sehr zeitintensiv und hat Underwriter vom Kern ihrer Arbeit (Risikobeurteilung) abgehalten.

Leider gibt es in dieser Hinsicht keine Branchenstandards und die meisten eingereichten Dokumente variieren je nach Kunde und Jahr. Es ist daher schwierig, dies zu strukturieren und gänzlich automatisierte Lösungen zu entwickeln. Außerdem ist der Datensatz noch relativ spärlich. Die Zahl der jährlichen Einreichungen bei mittelständischen Rückversicherern ist bei weitem nicht hoch genug, um Lösungen mit künstlicher Intelligenz zu nutzen. Eine solche Lösung erfordert in der Regel mindestens Hunderttausende Einreichungen.

Die eingereichten Anfragen sind jedoch nur ein Teil der vielen Datensätze, die für den Prozess relevant sind. Berücksichtigt man den gesamten Umfang relevanter Informationen (z.B. auch Nachrichten, interne Recherchen, E-Mails, persönliche Gespräche), wird ersichtlich, wie viel mehr Arbeit erforderlich ist, um die kompletten Risiken eines einzelnen Antrags vollumfänglich zu erfassen. Was in der Branche fehlt, ist, diese Spezifika automatisch und in weit größerem Umfang als heute aufzeichnen zu können. Man stelle sich nur vor, man klickt auf einen digitalen Vertrag und kurz darauf füllt sich der Bildschirm mit allen relevanten Daten wie den Gesprächen, Berichten oder vergleichbaren früheren Einreichungen. Leider sind wir heute noch nicht so weit, weshalb eine Automatisierung oder zumindest Optimierung unter den gegebenen Umständen der nächste logische Schritt sein muss.

Datenbeschaffung

Der erste Schritt, um eine einheitliche und dynamische Risikobetrachtung mit verschiedenartig strukturierten Daten durchzuführen, ist das «Tagging», oder auch «Kennzeichnen». Dies ist der Prozess, der sozusagen das Unstrukturierte strukturiert. So wird beispielsweise ein Zeitungsartikel mit den Tags «negativ», «Internetsicherheit» und «New York» versehen, nachdem die Stimmung entsprechend analysiert, die Themen modelliert und untersucht wurden und Einzelheiten extrahiert wurden. Die durch das Tagging entstandenen Daten können nun gefiltert und für umfassendere Übersichten und Datenvergleiche verwendet werden. Nun können Fragen beantwortet werden wie: «Welche Themen und mit welcher Häufigkeit sind heute in den Nachrichten vertreten?», «Inwiefern unterscheidet sich dies zwischen einzelnen Orten?»

Die Spanne an möglicher Komplexität zur Erstellung einer solchen Struktur ist variabel: So ist es relativ einfach, Schlüsselwörter und bekannte Angaben wie Kundennamen, Vertrags-Identifikationsnummern und Kontakte zu extrahieren. Komplexer wird es, wenn wir uns auf das Gebiet neuronaler Netze und anderer maschineller Lernmethoden begeben, um Stimmungen herauszufiltern und Textteile in Bezug auf bestimmte Themen zu klassifizieren.

Durch die Bearbeitung weiterer, ähnlicher eingehender Anfragen wird es zunehmend einfacher, bildhafte Befehle wie z.B. «Zeige mir alle News, die für diese Anfrage relevant sind» abzurufen. Als «relevant» können in dem Fall übereinstimmende Themen und sonstige Dateneinheiten eingestuft werden.

Der Weg nach vorn

Auch in Zukunft kann bei der Überprüfung der Kreditwürdigkeit nicht auf Menschen verzichtet werden. Es handelt sich um einen Prozess, der viel zu «anspruchsvoll» ist, um für eine Vollautomatisierung in Frage zu kommen. Daher sollte man bei gegenteiligen Behauptungen sehr skeptisch sein.

Stattdessen ist die künftige Überprüfung der Kreditwürdigkeit an die Anwendung erweiterter Intelligenz (engl.: augmented intelligence) gekoppelt. Gemeint ist damit der Einsatz von Technologie bei der menschlichen Entscheidungsfindung. Es ist die Aufgabe der Maschine zu wissen, welche Informationen für den Underwriter am relevantesten sind. Die Aufgabe des Underwriters besteht wiederum darin, zu entscheiden, ob er das Risiko auf sich nimmt oder nicht. Die Situation kann mit der einer Operation verglichen werden: Der Assistenzarzt – d.h. die Technik – reicht dem Chirurgen – d.h. dem Underwriter – die richtigen Werkzeuge zur richtigen Zeit.

Eine Lösung, die sich erweiterter Intelligenz bedient, muss dafür die folgenden Elemente beinhalten:

  • Keine SQL-Datenbanken
    Die große Mehrheit der Verarbeitung und der Abfragen wird mit unstrukturierten Textdaten erfolgen. Daher ist eine entsprechende Datenbanklösung notwendig. Klassische SQL-Datenbanken werden mit diesen Daten nicht gut umgehen können. «MongoDB», «Elasticsearch» und «Solr» sind einige der Optionen.
  • Datenverarbeitung durch neuro-linguistisches Programmieren (NLP)
    Der Prozess der Strukturierung von zuvor unstrukturierten Inhalten ist Aufgabe der neuro-linguistischen Datenverarbeitung (engl.: Natural Language Processing, NLP). Um Dateneinheiten wie Städte, Menschen und Unternehmen zu lokalisieren, ist eine Lösung mithilfe der neuro-linguistischen Datenverarbeitung sinnvoll.
  • Auf Unternehmen zugeschnittene maschinelle Lernmodelle
    Hinsichtlich komplexerer Klassifizierungen wie Themenmodellierung, Stimmungsanalysen oder Satzerkennung gibt es jedoch keine Universallösung. Die besten maschinellen Lernlösungen ergeben sich durch möglichst große Mengen interner Daten. Dadurch können die Modellspezifikationen dann stetig trainiert und optimiert werden und laufend an die Herausforderungen und Bedürfnisse eines Unternehmens angepasst werden.
  • Reibungslose Verknüpfbarkeit
    Angesichts der Vielzahl von Problemen, die gelöst werden müssen, um eine sinnvolle Verbesserungslösung zu entwickeln, ist es unwahrscheinlich, dass eine einzige Anwendung alle Anforderungen erfüllt. Die Lösung muss daher mit anderen Anwendungen verknüpfbar sein. Dadurch können andere Dienste, Tools und Anwendungen integriert werden und sich so bestmöglich ergänzen. Ein moderner Integrationsansatz nutzt den Service von «RESTful API»1 für eine reibungslose Kommunikation.

Damit Unternehmen diese Triage-Lösung anwenden können, müssen sie neue Technologien und Tools anwenden und zusammenführen zwecks einer harmonischen Benutzergesamterfahrung. Unternehmen sollten ihre Suche nach der passenden Technologie über große Anbieter (z.B. Oracle, Microsoft und SAP) hinaus auch auf kleinere Technologieunternehmen ausweiten.

Vorteile der erweiterten Intelligenz

Der Einsatz dieser Technologie-Elemente ermöglicht einen Underwritingprüfungs-Triage-Prozess, der bislang noch nicht realisierbar war. Die Vorteile dieses Ansatzes sind unter anderem:

  • Beschleunigte Zeichnungsprüfung
    Indem den Underwritern alle relevanten Informationen aus wichtigen Quellen zur Verfügung gestellt werden, wird die Einsicht-/Recherchezeit drastisch verkürzt. Somit kann sich der Underwriter auf die vielversprechendsten Anträge konzentrieren.
  • Verbessertes Risikomanagement
    Soweit wir wissen, ist das menschliche Gehirn das komplexeste Wesen im Universum. Jedoch entgehen ihm manchmal wichtige Details. Ein maschinell gestützter Ansatz zur Bewertung von Risikoinformationen – der vergleichbare frühere Verträge, wichtige Nachrichten oder Notizen zu internen Anrufen etc. mit berücksichtigt – wird die Fähigkeit des Underwriters, aus den großen Informationsmengen Erkenntnisse für die Entscheidungsfindung abzuleiten, enorm verbessern.
  • Gehobener Kundenservice
    Durch die Kombination der beiden zuvor genannten Vorteile entsteht zwangsläufig ein Unternehmen, das in der Lage ist, einen größeren Umfang an Abschlüssen mit verbesserter Sicherheit zu tätigen. Dies führt zu einer reibungsloseren Interaktion mit den Kunden und einer besseren Performance.
graphic

Fazit

Die Zukunft der Zeichnungsprüfung wird aus einer Mischung von menschlicher Arbeitskraft und Technologie bestehen. Einer der größten Vorteile der Technologie ist die intelligente Bereitstellung relevanter Informationen an den richtigen Underwriter zur richtigen Zeit. Da diese Informationen über verschiedenartig strukturierte Datensätze – wie Nachrichten, Verträge, E-Mails und Forschungsberichte – verstreut sind, ist eine technologische Lösung erforderlich, die das diffuse Bild in aussagekräftige Erkenntnisse verwandelt. Die Investition wird sich lohnen. Wir werden uns bald in einer Welt wiederfinden, in der solche Fähigkeiten bestimmen, welche Unternehmen erfolgreich sind und welche nicht.

KontakT

graphic

Konrad Niggli

Cookies helfen uns bei der Bereitstellung unserer Dienste. Durch die Nutzung unserer Dienste erklären Sie sich damit einverstanden, dass wir Cookies setzen. Mehr erfahren.
OK