Predictive Analytics für Lebensversicherungen – Eignet sich Symbolic AI?
August 20, 2021
Folgender Blogbeitrag wurde von Student Christian Pandiani im Rahmen eines Leistungsnachweises des CAS AI Management verfasst und enthält subjektive Färbungen. Bewertet wurde der Beitrag von Studiengangsleiterin Afke Schouten und redigiert von der Redaktion des Institute for Digital Business.
Predictive Analytics
Doch was ist Predictive Analytics? Unter Predictive Analytics versteht man den Prozess zur Erstellung von Modellen, welche aufgrund von vergangenen und gegenwärtigen Daten Prognosen für die Zukunft erstellen können. Für Entscheidungsträger in Unternehmen ist es ebenfalls ein nützliches strategisches Werkzeug. Denn mittels Predictive Analytics werden durch diverse BI-Technologien Beziehungen und Strukturen von Daten aus riesigen Datenpools enthüllt, welche für die Prognosen der Zukunft für Unternehmen essentiell sind. Somit wären die Versicherer mittels Predictive Analytics in der Lage ihre Reservierung und ihre Preisgestaltung auf Basis von vorausschauenden Daten und nicht auf vergangenen Daten zu kalkulieren.
Quelle: omnisci.com (25.03.2021)
Einsatz von symbolischer künstlicher Intelligenz für Predictive Analytics
Der Einsatz von symbolischer künstlicher Intelligenz eignet sich dann, wenn wir eine klare Abfolge von Regeln definieren können. Das Finanzresultat einer Lebensversicherung setzt sich grob aus den folgenden Buckets zusammen:
- Technisches Resultat brutto
- Rückversicherungsergebnis
- Operative Kosten
- Investment Resultat
- Sonstige Einnahmen und Ausgaben
Ist es der Lebensversicherung nun möglich Algorithmen für die Vorhersage der einzelnen Buckets zu definieren, könnte sie entsprechend symbolische künstliche Intelligenz einsetzen, um das Finanzresultat zu projizieren.
Deep Dive Technisches Resultat
Das technische Resultat setzt sich grob zusammen aus Prämien, Schadenszahlungen, Akquisitionskosten und Veränderung der Schadenreserven. Innerhalb des technischen Resultats stossen wir bereits auf eine erste Grenze von symbolischer künstlicher Intelligenz. Eine Vorhersage der Prämien und Akquisitionskosten auf Basis von logischen Algorithmen stellt sich als sehr schwierig heraus. Man könnte zwar von einem konstanten Wachstum in % ausgehen, jedoch ist es fragwürdig wie genau diese Annahme ist. Bei den Schadenszahlungen und Veränderung der Schadenreserven sieht dies aber bereits schon besser aus. Aufgrund von internen Portfoliodaten kann die Versicherung das Delay- und Payout-Pattern mit logischen Algorithmen darstellen und mittels dem Loss Ratio auf die vorhergesagte Prämie anwenden.
Quelle: unsplash.com (09.04.2021)
Deep Dive Operative Kosten
Bei den operativen Kosten gibt es in der Versicherungswelt ebenfalls wieder eine Kennzahl. Der relevante Wert hier ist entsprechend der Cost Ratio, welcher das Verhältnis zwischen Prämien und Kosten darstellt. Auf Basis vom aktuellen Datenstand kann man mit symbolischer künstlicher Intelligenz den aktuellen Cost Ratio auf tiefster Granularität berechnen. Anschliessend wäre es der Versicherung möglich den berechneten Cost Ratio auf die projizierten Prämien anzuwenden. Dies gibt der Versicherung die Kosten per Jahresende auf Basis der projizierten Prämien. Die Genauigkeit der Vorhersage ist jedoch davon abhängig, ob sich die Kosten auch analog zur Prämienveränderung verhalten. Da dies nicht immer zu hundert Prozent der Fall ist, stossen wir hier auf eine weitere Grenze der symbolischen künstliche Intelligenz.
Quelle: unsplash.com (09.04.2021)
Deep Dive Investment Resultat und sonstige Einnahmen und Ausgaben
Die Abbildung des Investment Resultat ist aus meiner Sicht kaum möglich auf Basis von symbolischer künstlicher Intelligenz mit internen Daten und Algorithmen. Durch die Vielzahl von äusseren Einflüssen kann die Versicherung kein Algorithmus für die Vorhersage des Investment Resultats definieren. Die sonstigen Einnahmen und Ausgaben sind ein kleiner Bestandteil des Finanzresultats einer Versicherung. Da keine klare Struktur erkennbar ist und einmalig Events vorkommen können, wird es für die Versicherung schwierig einen Algorithmus zu definieren.
Quelle: unsplash.com (09.04.2021)
Die Grenzen und warum symbolische künstliche Intelligenz doch eingesetzt werden kann
Wie wir soeben gesehen haben, stösst man mit symbolischer künstlicher Intelligenz auf Grenzen bei der Erstellung von Vorhersagen. Eine Versicherung könnte jedoch trotzdem eine Vorhersage machen in dem sie die symbolische künstliche Intelligenz mit dem Wissen der Mitarbeiter kombiniert. Ein Beispiel dafür wäre, dass man die Vorhersage der Prämien zusammen mit dem Verkaufsteam manuell einpflegt und anschliessend die Vorhersage der Schadenszahlungen und Veränderung der Reserven mit symbolischer künstlicher Intelligenz abbildet. Die symbolische künstliche Intelligenz eignet sich definitiv zur Automatisierung des Prozesses, eine voll automatisierte Vorhersage kann dabei jedoch nicht gemacht werden. Sie stellt aber eine gute Basis dar, um Predictive Analyitics einer Lebensversicherung mit Machine Learning aufzubauen.