Accenture Impulse für Versicherungen

(K)ein klares Bild - Das Gold der Gegenwart für Versicherer

Als ich den Führerschein bekommen habe und endlich mit dem Auto losfahren konnte, war eines klar: Ich würde höhere Versicherungsbeiträge bezahlen als mein Vater. Warum das so war? Daten! Jahrzehnte der Datenanalyse von Schadenfällen, Verkehrs- und Unfallstatistiken hatten meiner Versicherung deutlich gemacht, dass jüngere Verkehrsanfänger wahrscheinlich eher einen Versicherungsfall auslösen werden, als erfahrene Verkehrsteilnehmer. Ich war also trotz vergleichsweise weniger vorliegender Daten sofort Teil eines Kollektivs mit ziemlich vielen verallgemeinerten Attributen. Individuelle Gerechtigkeit sah und sieht anders aus.

An diesem Beispiel offenbart sich eines der größten Mankos heutiger Versicherungsunternehmen: Die unzureichende Nutzung der bestehenden Daten, um die individuellen Kundenanforderungen im Rahmen der neuen technischen Möglichkeiten zeitgerecht bedienen zu können. Unter dem Schlagwort Big Data bleibt es bisher für jedes Versicherungsunternehmen noch eine Herausforderung, die immer größer werdende Datenmenge zu sortieren, zu bewerten und letztlich individuell für den Kunden zu nutzen. Dabei können hier neue Technologielösungen aus dem Bereich der künstlichen Intelligenz durchaus helfen.

Denn seit jeher sind Daten die Geschäftsgrundlage der Versicherer. Keine andere Industrie war in puncto Unternehmenserfolg je stärker von der adäquaten Erhebung, einer genauen Analyse und der richtigen Interpretation von Datensätzen abhängig. Warum heben die Versicherer dann nicht das komplette Potenzial ihres Goldschatzes? Viel zu lange haben sich Versicherer auf nicht mehr zeitgemäße Auswertungsmethoden ihrer Datengrundlagen verlassen. Damit erhielten sie zwar ein relativ genaues Bild von größeren Cluster-Gruppen, konnten dies aber schlecht auf Individuen herunterbrechen. Viel Wissen bei wenig Erkenntnis, wenn Sie so wollen.

Verschenktes Potenzial erhöht den Wettbewerbsdruck

Versicherer verschenken dadurch einen Großteil ihres Datenpotenzials. Andere Marktplayer haben hier früh ihre Nische erkannt und haben neue Ansätze identifiziert, Daten richtig zu verknüpfen und mit anderen Erkenntnissen in Verbindung zu bringen. InsurTechs haben eine Vielzahl von innovativen Lösungen auf den Markt gebracht, die an allen erdenklichen Teilen der Wertschöpfungskette andocken. GAFA & Co. haben auf anderen Gebieten (wie zum Beispiel dem E-Commerce) früh verstanden, wie man persönliche Daten logisch mit allgemein verfügbaren verknüpft, um das Beste für die eigene Bewertungsgrundlage herauszuholen und an den Kunden zu bringen. Um die eigene Marktposition langfristig zu sichern, bieten sich enge Kooperationen mit InsurTechs oder anderen Marktteilnehmern innerhalb eines Ökosystems sowie der Aufbau einer Plattformökonomie an. Lesen Sie dazu auch den Beitrag meines Kollegen Werner Rapberger.

Also einfach „mehr aus den Daten“ rausholen und alles ist gut? Ganz so einfach ist es nicht: Regulatorische Vorgaben lassen Unternehmen oft wenig Spielraum für die Entwicklung innovativer Produkte. Versicherer werden dadurch zu einem langsamen Tanker im Vergleich zu einem großen Teil ihrer agilen neuen Konkurrenten. Aber traditionelle Versicherer haben einen entscheidenden Vorteil: Sie sind Meister der Dokumentationspflicht und Einhaltung von Datenschutzrichtlinien. Auch ist die langfristige statistische Signifikanz der erhobenen „neuen“ Daten von InsurTechs noch nicht nachgewiesen. Diesen Vorsprung müssen Versicherer versuchen weiter auszubauen, gerade weil Versicherungsnehmer auch immer sensibler werden, wenn es um die Analyse und Erhebung persönlicher Daten geht. Neue Verordnungen wie die DSGVO oder auch immer neue Datenskandale bei Sozialen Netzwerken tun dafür ihr Übriges. In diesem Zusammenhang sollten Versicherungen das bestehende Vertrauen ihrer Kunden schätzen, aber auch nutzen.

Wagt den Blick in die Zukunft durch die Datenbrille!

Versicherer sollten sich verstärkt auf das richtige Lesen ihrer Datensätze besinnen. Nur so können sie sich auf lange Sicht gegen Versicherungsprodukte und

-dienstleistungen von Amazon & Co. behaupten. Die Datengrundlage dafür ist eigentlich längst vorhanden, wird aber noch zu stiefmütterlich behandelt! Das Problem: Oft ist die vorhandene IT-Struktur sehr klassisch und linear aufgebaut. Eine zukunftsorientierte Datenvernetzung wird dadurch oft erschwert. Ein radikaler Umbau ihrer gesamten Systemlandschaft sollte für Versicherer daher nicht länger undenkbar sein. Auch der Aufbau eigener und die Integration externer InsurTech-Inkubatoren ist ein gangbarer Weg, um die nötigen Impulse inhouse zu schaffen. In der Zwischenzeit sollten bestehende Lösungen im Bereich von Robotics und Machine Learning bereits jetzt verstärkt zur Datenanalyse genutzt werden.

Für das Generieren der benötigten „neuen“ Daten und deren bessere Verknüpfung sind Kooperationen grundsätzlich eine gute Lösung: Daten von smarten Fahrzeugen, Wetterprognosen via Aufnahmen von Drohnen oder die Auswertung von Satellitenbildern anderer Unternehmen und Hersteller können logisch mit der soliden Grundlage der Versicherer verknüpft werden. Mit dieser Cross-Analysis erhalten Versicherer wieder eine im Markt einzigartige Perspektive. Dies schafft nicht nur kurzfristige Wettbewerbsvorteile, sondern stellt auch langfristig den Kontakt zum Kunden sicher.

Das Datendilemma wird, stellvertretend für die gesamte Versicherungsindustrie, gerade bei den KFZ-Versicherern deutlich. Hier haben sich die Rahmenbedingungen verändert. Heute wird Mobilität ganz anders gelebt, als zu den Zeiten, in denen ich alles für mein erstes Auto gegeben hätte. Der eigene Wagen ist bei der jungen Generation schon längst in den Hintergrund gerückt. Sie folgen neuen Mobilitätskonzepten und sind nur noch – ähnlich wie im Carsharing – bereit, für Leistungen bezahlen, die sie tatsächlich in Anspruch genommen haben. Also nur für Echt-Fahrdaten und nicht für reine Standzeiten des Wagens. Um dem neuen Kundenanspruch nach individueller Gerechtigkeit zu entsprechen, müssen sich nicht nur KFZ-Versicherer von ihren herkömmlichen Konzepten verabschieden und neue datengetriebene Modelle priorisieren.