Den Schatz heben | KPMG | AT
close
Share with your friends
Dimensionen Insurance - Data and Analytics

Den Schatz heben

Den Schatz heben

Dimensionen Insurance

Dimensionen Insurance 2018

Die KPMG Fachzeitschrift für Versicherungsunternehmen beleuchtet aktuelle Themen und Trends aus Audit, Tax und Advisory.

„Daten sind das neue Gold“: Dieser Slogan ist seit geraumer Zeit in diversen Medien als omnipräsentes Statement zu lesen. Trotz wachsender Popularität von Data & Analytics (D&A) als Instrument zur Gewinnung von Business Insights fehlt vielen Unternehmen das Bewusstsein und der Reifegrad.

Der Mehrwert, den Data & Analytics (D&A)-Lösungen bieten, ist essenziell. Auch die Versicherungsbranche bildet dabei keine Ausnahme, im Gegenteil: Für sie besteht ein enormes Potenzial bei der zielgerichteten Verarbeitung und Analyse großer Datenmengen.

Hürden beim Aufbau

Entscheidend ist ein nachhaltiger und erfolgreicher Aufbau und Einsatz von D&A im Unternehmen. Erfahrungen am Markt zeigen, dass die Umsetzung von D&A-Kompetenz und -Lösungen unternehmensintern aufwendig und oft nicht nachhaltig sind. Die wesentlichen Herausforderungen dabei sind:

a) Geduld und Sponsorship im Management
Oftmals werden D&A-Projekte zugunsten anderer Prioritäten de-priorisiert. Ein auf Business-Seite messbarer Erfolg stellt sich oft erst nach einiger Zeit ein. Der Einsatz von D&A-Methoden erfordert meistens auch eine Anpassung von Business-Prozessen, was in Zeiten von DSGVO und IDD für Versicherungen eine erhebliche Herausforderung darstellt. Denn wenn diese neuen Methoden es bspw möglich machen, dem Vertrieb zielgruppengenau wöchentliche Leads bereit zu stellen, dann sind auch Kampagnenmanagement und Vertriebssteuerung neu zu denken. Daher ist für eine nachhaltige Entwicklung der D&A-Fähigkeiten stets auch Sponsorship im Senior Management unumgänglich.

b) Skills & People
Für die Entwicklung der D&A-Fähigkeiten im Unternehmen ist der Einsatz von speziell ausgebildeten Mitarbeitern notwendig. Jedoch werden gerade Mitarbeiter mit analytischen oder statistischen Fähigkeiten oft für Basis-Analytics oder regulatorische Fragestellungen benötigt. Am Markt herrscht ein Engpass bei diesen Ressourcen. Der hohe Recruiting- und Ausbildungsaufwand stellt eine wesentliche Hürde für Unternehmen dar.

c) Aufwendige Datenaufbereitung
Eine entscheidende Herausforderung für die erfolgreiche Umsetzung von D&A ist die Möglichkeit zur Konsolidierung von Daten aus unterschiedlichen Systemen. Obwohl unstrukturierte Daten sowie externe Daten hohen Mehrwert bieten können, werden diese oftmals nicht eingebunden, da die Verarbeitung üblicherweise mit hohem Aufwand verbunden ist.

d) Vorhalten von Tools und IT Infrastruktur
Neben personellen Ressourcen sind zusätzlich noch spezielle Tools und Server-Infrastrukturen notwendig. Die parallele Anwendung unterschiedlicher Applikationen geht oftmals mit einer hohen Serverauslastung einher, wodurch es zu massiven Performanceproblemen kommen kann.

Aus den genannten Herausforderungen resultieren zahlreiche Konsequenzen:

  • Die Dauer bis zur Marktreife der analytischen Modelle sowie die Erreichung eines positiven ROIs von D&A-Projekten ist oft zu lange.
  • Es entstehen Engpässe insbesondere bei Schlüssel-Ressourcen, die somit für andere Leistungen nicht mehr zur Verfügung stehen.
  • Durch Einschränkung auf „low hanging fruits“ beim Aufbau der Datenquellen besteht die Gefahr, wertvolle Informationen zu vernachlässigen und Potenziale nicht auszuschöpfen.
  • Es stehen keine Ressourcen für laufende Wartung und Optimierung der Modelle zur Verfügung, wodurch Feedbacks aus vorangegangenen Kampagnen nicht eingearbeitet werden. Modelle enden oftmals als „one-off“ Entwicklungen.
  • Als Konsequenz gibt es keine nachhaltige Aufmerksamkeit des Top-Managements für das Thema.

Externe Unterstützung hilft

Eine Auslagerung von D&A-Services bietet die Möglichkeit einer langfristigen, professionellen Begleitung. Dadurch kann sichergestellt werden, dass der D&A-Prozess als iterative Schleife von Modellerstellung, Anwendung, Feedback und Optimierung durchgeführt wird. Die Vorteile einer Auslagerung sind unter anderem:

  • Maßgebliche Erfahrung und Skills: Externe Dienstleister arbeiten für verschiedene Kunden an zahlreichen Projekten, können dadurch schnell Potenziale erkennen.
  • Rasche Ergebnisse durch agile Arbeitsweise: Durch vorbereitete Arbeitspakete, flexible Arbeitsweise und Erfahrungen aus ähnlichen Projekten kann die Projektdurchlaufzeit deutlich verkürzt werden.
  • Verwendung von modernen und effizienten Tools und Methoden: Durch die massive Zunahme an verfügbaren Daten in den letzten Jahren können zusätzlich neue Technologien, wie zB Machine Learning und Artificial Intelligence eingesetzt und den Kunden kostengünstig zugänglich gemacht werden.
  • Zugang zu externen Daten aus einem umfangreichen Datenpool: Dienstleister können auf eine Vielzahl an soziodemografischen, geografischen sowie marktspezifischen Daten zugreifen.
  • Verfügbarkeit von Daten- und Modell-Frameworks: Die Modelle können auf bereits erprobten Frameworks aufgesetzt werden. Damit wird ein Best Practice-Ansatz möglich und die Durchlaufzeit der Datenaufbau- und Modellphase deutlich reduziert.
  • Zukauf von D&A-Services zumeist kostengünstiger: Bei Gegenüberstellung der internen Kosten (zB Server-Systeme, Tools, Support, Personal etc) im Vergleich zu jenen eines externen Dienstleisters, bietet oft die externe Variante deutliche Kostenvorteile.

KPMG Marktbeobachtungen zeigen, dass immer mehr Unternehmen daher über die Auslagerung der D&A-Services an einen externen Service Provider nachdenken und mittlerweile derartige Projekte am Markt vermehrt gestartet wurden.

Schritt für Schritt auslagern

Um die Zielsetzungen des Kunden bestmöglich abzubilden, wird die Auslagerung in zwei Schritten durchgeführt: In der Set-up-Phase werden die Business-Ziele und Spezifikation der angestrebten Anwendungsfälle definiert, in der Umsetzungsphase die definierten Anwendungsfälle operativ umgesetzt.

1. Phase: Set-up

a) Definition der Ziele
Um eine effektive Planung zu erstellen werden zunächst die Business-Ziele und die entsprechenden Anwendungen definiert, zB:

  • Welche Kampagnen sollen durchgeführt bzw optimiert werden?
  • Welche Produkte sollen für Modell-Zielgrößen berücksichtigt werden?
  • Ist die Zielsetzung Kundenbindung oder Cross-Selling?
  • In welcher Frequenz und wie oft sollen Anwendungen durchgeführt werden?
  • Wie sieht ein indikativer Business Case aus?

b) Spezifikation der Datenanforderungen
Nach erprobten Anforderungs-Katalogen wird definiert, welche Daten vom Kunden bereitgestellt werden müssen, um das definierte Projektziel erreichen zu können. In diesem Kontext wird die DSGVO-Compliance durch externe Datenschutzexperten gewährleistet.

c) Einrichtung Infrastruktur

Es erfolgt die Anbindung der Datenquellen und die Auswahl von geeigneten Tools zur weiteren Datenverarbeitung und Modellierung. Nach erfolgter Datenanbindung kann mit Daten aus dem externen Datenpool angereichert werden. Dies ermöglicht es, noch präzisere Ergebnisse zu erzielen.

2. Phase: Umsetzung

a) Modellerstellung und Evaluierung
Die Modellerstellung für die entsprechende Zielgröße erfolgt in der vom Kunden bevorzugten Entwicklungsumgebung. Zur Optimierung werden verschiedene Modell-Typen (Logistic Regression, Gradient Boosting Trees etc) implementiert und verglichen.

b) Umsetzung in Kampagnen, Vertriebssteuerung etc
Der Modell-Output wird zur Konzeption von Zielgruppen für die definierten Use Cases verwendet (Kampagnen, Leads-Management etc). In der Praxis hat sich eine Beschreibung zu den identifizierten Kundenpotenzialen bewährt. Die Übergabe der Leads erfolgt mittels speziell aufbereiteten Leads-Formaten.

c) Erfolgsmessung
Während der Durchführung der Kampagne werden laufend Reports zur Ergebnismessung bereitgestellt, auf Wunsch wird ein individuelles Tracking-Tool entwickelt und beim Kunden implementiert. Damit kann zeitnah eine Beurteilung der Zielerreichung nach verschiedenen Dimensionen erfolgen.

Nach Abschluss wird der Mehrwert des Modells mittels Testgruppen evaluiert, indem die Performance der modellbasierten Leads mit einem zufällig ausgewählten Sample verglichen wird. Zusätzlich ist die Einholung von Feedback während bzw nach der Kampagne ein wesentlicher Erfolgsfaktor. Die Ergebnisse daraus können in Modell-Verbesserungen einfließen. In einem Zielbild wird somit der Prozess der Modellierung und Umsetzung in iterativen Prozess-Schleifen optimiert.

Die Modelle können jederzeit laufend angepasst bzw für weitere Zielsetzungen adaptiert werden, zB Anpassung für ein weiteres Produkt, Aufbau einer weiteren Modell-Kategorie, Neuausführung eines bestehenden Modells mit aktuellen Daten.

Wichtiges Tool für Unternehmen

Der wesentliche Erfolgsfaktor für die Etablierung von D&A in den Business-Bereichen ist die nachhaltige Umsetzung und Implementierung im Betriebsmodell. D&A ist keine „one-off“ Übung, deren volles Potenzial sich in einem ersten Proof-of-concept manifestiert. Erst durch den kontinuierlichen Kreislauf aus Datenaufbau und -erweiterung, Modellerstellung und -optimierung, laufender Erfolgsmessung und Verarbeitung von Gelerntem in Prozessen und Modellen wird der Business Nutzen laufend größer. D&A wird somit zu einem unverzichtbaren und wertvollen Werkzeug für das Unternehmen.

Autoren

Lorenz Lang

Wolfgang Lindner

Verwandte Inhalte