Kommentar von Prashanth D, Infosys

So verbessert KI Entscheidungen in der Versicherungsbranche

| Autor / Redakteur: Prashanth D / Nico Litzel

Der Autor: Prashanth D ist Principal Consultant – Healthcare, Insurance and LifeSciences bei
Der Autor: Prashanth D ist Principal Consultant – Healthcare, Insurance and LifeSciences bei (Bild: Infosys)

Underwriting ist ein grundlegender Prozess in allen Bereichen der Versicherungsbranche. Dennoch ist dieser Prozess heutzutage arbeitsaufwendig, langsam und produziert inkonsistente Resultate. Oftmals müssen diese Prozesse noch manuell unterbrochen und unterstützt werden. Die Abwägung von Risiken und die Entscheidungsfindung wird dabei von Menschen durchgeführt – aus diesem Grund können Ergebnisse oftmals inkonsistent ausfallen.

Viele Versicherungsunternehmen haben zudem veraltete Technologien und Prozesse im Einsatz und können somit die Potenziale von IoT-gestützten Geräten gar nicht ausschöpfen. Darunter fallen zum Beispiel Smartwatches oder Telematikgeräte, die in Echtzeit Kundendaten wie Aktivitätslevel oder Fahrverhalten bereitstellen.

Die Lösung für all das könnte der Einsatz von Künstlicher Intelligenz (KI) sein. Bei einigen Versicherungen dauert es momentan 20 bis 30 Tage, bis ein Interessent die Entscheidung hinsichtlich einer Lebensversicherung erhält. Das liegt meist an langatmigen und arbeitsintensiven Underwriting-Prozessen. Mithilfe von KI können ebensolche Entscheidungen schneller getroffen werden. Und da die KI ihre Erkenntnisse aus historischen Daten zieht, lassen sich Entscheidungen umsichtiger fällen.

Es gibt bereits einige wenige Versicherungsunternehmen, die KI bereits an verschiedenen Stellen einsetzen – der großflächige Einsatz von KI-Lösungen über die vollständige Underwriting-Landschaft hinweg steht jedoch noch bevor.

Die folgenden vier Technologien aus dem breiten Spektrum der KI bieten Underwritern umfassende Lösungen und wertvolle Wettbewerbsvorteile: Machine Learning, Deep Learning, Natural Language Processing und Behavior Data Models.

Machine Learning

Versicherungsunternehmen verfügen über große Mengen an historischen Daten über Interessenten, darunter die Kranken- und Familiengeschichten oder Arbeitsdaten. Hinzu kommen Risikobewertungen, die Versicherer auf der Grundlage der verfügbaren Daten und eines statischen Regelwerks erstellen.

Ein Machine-Learning-Algorithmus kann diese historischen Daten erfassen und ein Modell erstellen, das die Entscheidungen imitiert, die die Underwriter bis zu diesem Punkt getroffen haben. In weniger komplexen Fällen könnte so die Zuordnung der Risikoklassifizierung ganz ohne manuelles Eingreifen des Underwriters geschehen. Bei komplexeren Fällen ist eine Kombination aus Technologie und menschlicher Unterstützung möglich – Entscheidungen lassen sich somit schneller und fundierter treffen. Mit der Zeit entwickelt sich das Modell weiter und auch das Unternehmen kennt sich besser mit KI und deren Möglichkeiten aus. Ziel ist es, Entscheidungsfindungsprozesse rein mithilfe der Technologie zu stemmen, manuelles oder unterstütztes Underwriting sollen nur fünf bis zehn Prozent aller Fälle ausmachen.

Deep Learning

Mit dem Aufkommen von Deep-Learning-Technologien wird die KI immer anspruchsvoller und kann Argumentations- und Problemlösungsfähigkeiten – ähnlich einem menschlichen Gehirn – einsetzen. Dies trägt dazu bei, das momentan noch manuell durchgeführte Underwriting kommerzieller Risiken zu transformieren. Dazu verbessert Deep Learning die Entscheidungsfindung und senkt Kosten, einschließlich versicherungstechnischer Verluste.

Drohnen, die mit Infrarotkameras, Lasern und Sensoren ausgestattet sind, sammeln Daten über Wetter, Temperatur, Umgebungsbedingungen und Strahlung. Sie beeinflussen disruptiv wie Risiken im kommerziellen Sektor bewertet werden. Die Federal Aviation Administration (FAA) erwartet, dass im Jahr 2020 etwa sieben Millionen Drohnen unterwegs sein werden. Davon werden 2,7 Millionen für kommerzielle Zwecke genutzt. Beispiele für die Einsatzmöglichkeiten von Drohnen sind unter anderem:

  • Sachversicherung: Inspektion von Hochhäusern oder wettergeschädigten Dächern
  • Landwirtschaftsversicherung: Überprüfung von Nutzpflanzen auf dem gesamten Areal
  • Kessel- und Maschinenversicherung: Für die Versicherung von Anlagenausfällen können Drohnen helfen, Daten von Hochdruckmaschinen und unsicheren Kesseln zu sammeln

Natural Language Processing

Natural Language Processing (NLP) kommt in der Versicherungsbranche hauptsächlich auf zwei Arten zum Einsatz. Interessenten können mit einem Bot kommunizieren, um die Informationen zu sammeln, die ein Underwriter für eine Risikobewertung benötigt. Der Bot ist in der Lage, den Menschen, mit dem er kommuniziert, aufgrund der natürlichen Sprachverarbeitungstechnik zu verstehen.

Die andere Anwendung ist das textbasierte Data Mining, derzeit ein manueller Prozess für die meisten Versicherungsgesellschaften. Reicht ein Arzt eine Beurteilung eines Antragstellers ein, müssen diese Informationen aus dem Textdokument übernommen und von der Underwriting-Abteilung in das System kodiert werden. Mit der natürlichen Sprachverarbeitung lassen sich diese Informationen in einen Bot eingeben, der sofort eine elektronische Form erstellt. Mit Machine Learning kann diese Form sofort in den Algorithmus übertragen werden. In der kommerziellen Versicherung fungiert NLP dem Underwriter als virtueller Assistent und kann dessen tägliche Arbeit effizienter gestalten.

Abgesehen von den üblichen Dateneinträgen unterstützt NLP mithilfe von Suchbegriff-basierten Analysen den Underwriter dabei, relevante Daten über das Risiko zu finden, an dem er aktuell arbeitet – und beschleunigt den Zugriff auf Daten somit signifikant. Beim Underwriting einer Mine würden sie traditionell den Standort, die Tiefe und Breite, die Sicherheitsverfahren, die Anzahl der Ressourcen und andere relevante Faktoren, die mit der Mine zusammenhängen, einschließlich früherer Schäden, berücksichtigen. Im Anschluss kann der Underwriter dem virtuellen Assistenten Befehle diktieren.

Mithilfe von NLP bekommt er auf diese Weise nicht nur die traditionellen Daten zur Verfügung gestellt, sondern auch Analysen über aktuelle Entwicklungen, Literatur über Umweltrisiken (oder Klimaveränderungen) und die wirtschaftlichen Bedingungen, die das Bergwerk beeinflussen, sowie einen Einblick in zukünftige Risikotrends. Der Underwriter erhält so ein umfassendes und vollständiges Bild des Bergwerks und der Bergbauindustrie. Da es sich bei der Bergbauversicherung um ein Spezialportfolio der Schwerindustrie handelt, kann das Suchanalyse-Tool auch verwendet werden, um Daten bereitzustellen, die für eine Entscheidung über die Platzierung von Rückversicherungen erforderlich sind.

Behavior Data Models

Mit Hilfe von Behavior Data Models lassen sich Echtzeit-Kundendaten von IoT-Geräten zur präziseren Risikoklassifizierung und zur Entwicklung von Produktinnovationen analysieren. Basierend auf diesen Daten können Versicherungsunternehmen neue Produkte auf den Markt bringen, die Lebensversicherungskunden motivieren, ein gesünderes Leben zu führen, oder Autoversicherungskunden, um sicherer zu fahren. Wenn Versicherungsunternehmen Verhaltensdaten nutzen, um ein Wellnessprodukt mit traditionellen Versicherungen zu kombinieren, erschließen sie sich neue Marktsegmente und damit neue Einnahmequelle.

Hindernisse bei der Einführung überwinden

Versicherungsunternehmen, die KI-Technologien einsetzen, sparen Kosten, da sie weniger Zeit für das Underwriting benötigen. Dazu geschehen weniger Fehler und die Entscheidungen sind konsistenter. Die Möglichkeit, Policen schneller auszustellen, ermöglicht größeren, etablierteren Unternehmen, mit technologieorientierten Start-ups zu konkurrieren, die ihnen Marktanteile wegnehmen. Die meisten Unternehmen sehen sich jedoch mit Hindernissen bei der Einführung dieser Lösungen konfrontiert.

Erste Hürde – Datenfähigkeit

Historische Versicherungsdaten sind normalerweise über unterschiedliche Systeme oder Anwendungen verteilt. Dieser Umstand erschwert es Unternehmen, echte und konsistente Daten für einen Machine-Learning-Algorithmus zu konsolidieren und daraus Erkenntnisse zu gewinnen.

Zweite Hürde – technologische Altlasten

Die bestehenden Technologien der meisten Versicherungsgesellschaften sind so altmodisch, dass die Implementierung von KI-Technologien eine beträchtliche finanzielle Investition sowie einen kulturellen Wandel innerhalb des Unternehmens erfordert. Angesichts dessen sollten Unternehmen KI-Technologien nicht direkt großflächig in ihre Underwriting-Abteilung implementieren. Mehrere kleine Schritte in kurzen Zeitabständen, um direkt Erfolge zu erzielen und die Risiken sowohl finanziell als auch in Bezug auf ihre Zeitinvestition zu reduzieren, sind hier sinnvoller.

Lemonade, gegründet 2015, demonstriert diesen Ansatz durch die Nutzung von KI: Interessenten können über eine mobile App innerhalb weniger Minuten eine Mietversicherung abschließen. Ladder ist ein weiteres Unternehmen, das die KI nutzt, um Interessenten ein schnelles Angebot für eine umfassende, langfristige Lebensversicherung zu unterbreiten. Durch die Implementierung von KI-Technologien mit kleineren Anwendungsfällen und einfacheren Produkten, können Versicherungsunternehmen sehen, wie es um die Ergebnisse bestellt ist, und von dort aus die Einführung von KI skalieren.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 45884674 / Künstliche Intelligenz)