Melden Sie sich hier an, um auf Kommentare und die Whitepaper-Datenbank zugreifen zu können.

Kein Log-In? Dann jetzt kostenlos registrieren.

Falls Sie Ihr Passwort vergessen haben, können Sie es hier per E-Mail anfordern.

Der Zugang zur Reseller Only!-Community ist registrierten Fachhändlern, Systemhäusern und Dienstleistern vorbehalten.

Registrieren Sie sich hier, um Zugang zu diesem Bereich zu beantragen. Die Freigabe Ihres Zugangs erfolgt nach Prüfung Ihrer Anmeldung durch die Redaktion.

21.11.1997 - 

IT in Versicherungen/Gerling-Konzern rückt von der rein spartenbezogenen Sichtweise ab

Präzise Vertriebssteuerung mit Hilfe von Data-Mining

Traditionell ist die Betrachtungsweise von Assekuranzunternehmen auf ihr Geschäft spartenorientiert (Haftpflicht, Kraftfahrt etc.). Der Nachteil: Dem Controller stehen zwar Informationen über die Sparten zur Verfügung, nicht aber über einzelne Kundensegmente. Um darüber mehr und bessere Informationen zu erhalten, beschloß der Gerling-Konzern deshalb, eine überspartige Bewertung seiner Kunden vorzunehmen und eine entsprechende Sicht auf das Vertragsportfolio zu implementieren. Ziel war es, sowohl die Produkte als auch den unternehmensinternen Workflow bestmöglich auf den Kunden auszurichten. Als Pilotportfolio wurde der Bereich "mittlere Industrie" ausgewählt. Dabei handelt es sich um Unternehmen in der Größenordnung von 100 bis 1000 Mitarbeitern.

Mit Hilfe von Data-Mining-Verfahren sollte eine Segmentierung für diese Kundengruppe nach dem Kriterium der Profitabilität vorgenommen werden. Für diesen Schritt waren Kriterien zur Beschreibung der Segmente erforderlich, beispielsweise Branchen, Mitarbeiterklasse, Umsatzzahlen Vertragsdichte und -art, Schadenrate und -häufigkeit, Region, Vertriebsweg (etwa Angestelltenaußendienst, Makler etc.). Außerdem mußte das Trennkriterium "profitabel" präzise definiert werden.

Das Pilotprojekt sollte genaue Ergebnisse liefern, und zwar über den segmentspezischen Schadensbedarf, über die Cross-Selling-Rate (also welche Verträge der Kunde in welchen Sparten hat) sowie über die Intensität der Kundenbindung. Oder anders formuliert: "Welche Kundensegmente gibt es und welche weisen die höchste Profitabilität auf? Diese Fragen ließen sich durch die bislang spartenorientierte Sichtweise nicht oder nur sehr unzureichend und mit großer Zeitverzögerung beantworten.

Auf den ersten Blick erscheint die Definition des Segmentierungskriteriums "profitabel" trivial, nämlich als die Schadensquote, die unter dem Mittelwert aller Schäden liegt. Schadensquote ist dabei der Quotient aus Schäden und Prämie. Tatsächlich definiert sich das Kriterium "profitabel" durch eine Vielzahl von Merkmalskombinationen, so daß die Segmentierung ein großes Expertenwissen und vorgeschaltete Einzelschritte erfordert.

Für die Analyse der profitablen Kundensegmente reicht es nicht, nur historische Daten (also die Ist-Schadensquote) in die Zukunft zu projizieren. Denn es kann durchaus sein, daß beispielsweise in einem bestimmten Segment in den vergangenen Jahren aus purem Zufall die Schadenshäufigkeit und Schadensquote sehr niedrig waren. Insofern ist die "Ist-Schadensquote" nicht "repräsentativ", und sie in die Zukunft zu übertragen, verzerrt die Ergebnisse der Analyse. Aus diesem Grund erwies sich die Ist-Schadensquote als Basis für eine Segmentierung als untauglich.

Um Verzerrungen nach Möglichkeit auszuschalten, wurde vor den eigentlichen Segmentierungsprozeß ein kompliziertes versicherungsmathematisches Modell geschaltet. Dabei modellierte man die Schadenserwartung, das heißt, Zufälligkeiten aus der Historie wurden geglättet und systematisiert, kurz: eine erwartete Schadensquote errechnet. Von seinem versicherungsmathematischen Anspruch her läßt sich ein solcher Vorgang durchaus mit einer Tarifierung vergleichen. Der so gewonnene "erwartete Schaden" ist ein eminent wichtiger Wert für die Assekuranz, da er der Nettoprämie entspricht. Erst nachdem der Wert für den Modellschaden vorlag, wurde die eigentliche Segmentierung unter Verwendung des Tree-Disc-Makros von SAS Institute gestartet. Das Ergebnis war ein Segmentierungsbaum, der den gesamten Bestand zerlegte.

Doch mit der Ermittlung der "guten Kunden" quer durch alle Sparten läßt sich die Segmentierung nach Profitabilität nicht erreichen. Der Entscheidungsbaum unterteilt sich nämlich automatisch nach Sparten. Dies ist nicht weiter überraschend, da das Segmentierungskriterium "Schadensquote" stark spartenlastig ist. Mit anderen Worten: Es gibt eine spartenspezische Schadensquote. So weist die Sparte Kraftfahrt eine Schadensquote von 70 Prozent, die Sparte Unfall aber nur eine Quote von 40 Prozent auf. Die überspartige Segmentierung ergibt somit nicht die eigentlich gewünschte kundensegmentbezogene, sondern wiederum nur eine spartenbezogene Unterscheidung.

Spartenorientiert, aber im Detail kundenorientiert

Die Lösung: Die Sparte selbst ist als Kriterium der Analyse zu nehmen und erreicht so die Aussage "Kunde liegt unter oder über dem Spartenmittel". Insofern war dieses Projekt spartenorientiert bei den Detailergebnissen, aber kundenorientiert bei Betrachtung der Gesamtergebnisse.

Für die eigentliche Segmentierung wurde der Chaid-Algorithmus (Chi Squared Automatic Interaction Detector) gewählt. Sein Kernstück ist ein Makro, das die SAS Software zur Verfügung stellt. Der Chaid-Algorithmus weist von allen statistischen Verfahren die beste Trennfähigkeit auf, und er läßt sich in puncto Kriterienauswahl - etwa Branchen oder Vertriebswege - nicht manipulieren. Im Gegenteil, der Chaid-Algorithmus ist so "intelligent", daß er die Segmentierungskriterien abhängig von ihrer Trennfähigkeit auswählt und in jeder rekursiven Stufe das am besten trennende Risikomerkmal zur weiteren Segmentierung nutzt.

Die Ergebnisse aus dem Segementierungsverfahren lassen sich sofort in Handlungsanweisungen für den Vertrieb umsetzen, da die Informationen über die Profitabilität einzelner Kundensegmente zwar kundenbezogen, gleichzeitig aber vertriebswegespezifisch differenziert vorliegen. So erhält man - gewissermaßen auf Knopfdruck und auf den Bildschirm - wichtige Informationen, beispielsweise über welchen Vertriebsweg (Makler etc.) und mit welchen Produkten (Haftpflicht etc.) sich ein bestimmtes Kundensegment besonders erfolgreich aussprechen läßt.

Mit Hilfe der neuen Applikation gewann das Projektteam weitere aufschlußreiche Erkenntnisse. So lassen sich die Bestände nach allen denkbaren Kriterien analysieren, etwa nach der Abhängigkeit der Sparten untereinander. Dabei wird geprüft, ob und wie sich die einzelnen Sparten in ihren Aktivitäten gegenseitig fördern beziehungsweise behindern. Ein Beispiel: Hat ein bestimmtes Kundensegment bei Gerling eine Feuerversicherung, wie hoch ist dann die Wahrscheinlichkeit, daß ein Kunde auch in einer zweiten Sparte einen Vertrag abschließt?

Analysen geben Antwort auf diese Fragen. Dadurch können attraktive Kundensegmente mit entsprechenden vertrieblichen Aktionen angesprochen werden. Cross-Selling-Aktivitäten sind auch deshalb von Bedeutung, da Kunden mit mehreren Verträgen in der Regel profitabler sind.

ANGEKLICKT

Für die Analyse der profitablen Kundensegmente reicht es nicht, einfach nur historische Daten, das heißt die Ist-Schadensquote, in die Zukunft zu projizieren. Sie ist nämlich nicht "repräsentativ" genug. Um Verzerrungen möglichst auszuschalten, wurde in einem Pilotprojekt im Gerling-Konzern ein kompliziertes versicherungs-mathematisches Modell eingeschaltet. Damit läßt sich der "erwartete Schaden" - für die Assekuranz ein eminent wichtiger Wert - gewinnen. Dieser entspricht der Nettoprämie.

*Dr. Reinald Schulz ist Leiter der Abteilung Versicherungsmathematik bei Gerling.