Big Data - Freund oder Feind? - Januar 2018 - AAA Auctor Actor Advisor
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Big Data – Freund oder Feind? 31. Januar 2018 © AAA Auctor Actor Advisor GmbH ■ Im Mediapark 8 ■ 50670 Köln Auctor Actor Advisor® ist eingetragene Marke der AAA Auctor Actor Advisor Holding GmbH
Big Data: Freund oder Feind? © Auctor Actor Advisor GmbH 31.01.2018 Seite 2
Ziele der Veranstaltung und Abgrenzung
Einordnung des Begriffes Big Data
Abgrenzung zu Business Intelligence
Überblick schaffen über Big Data Nutzung im Markt
• Big Data in anderen Branchen
• Big Data in anderen Versicherungs-Sparten
• Big Data in der Lebensversicherung
Darstellung einiger Chancen und Risiken von Big Data in der
Lebensversicherung
Skills im Zusammenhang mit Big Data
Einstieg in eine angeregte Diskussion
Details zu den Anforderungen an die IT Architektur
Details zu IT Technologien
Details zu stochastischen Methoden des Data Mining und der Data Analysis
© Auctor Actor Advisor GmbH 31.01.2018 Seite 3
Was ist eigentlich Big Data?
Im heutigen
Zeitalter Wie können
werden jede diese Daten
Minute sinnvoll
Unmengen an genutzt
Daten werden?
produziert
Quelle: https://www.domo.com/blog/2012/06/how-much-data-is-created-every-minute/
© Auctor Actor Advisor GmbH 31.01.2018 Seite 4
Versuch einer Definition von Big Data © Auctor Actor Advisor GmbH 31.01.2018 Seite 5
Definition Big Data (nach Gartner (2011), IBM-erweitert)
“Big data” is high-volume, -velocity and -variety information assets that demand cost-effective,
innovative forms of information processing for enhanced insight and decision making.
Ziel von Big Data
Kosteneffiziente
und innovative
Informations-
verarbeitung
Verlässlichkeit
der Daten
© Auctor Actor Advisor GmbH 31.01.2018 Seite 6
Was verstehen wir unter der Definition?
Volumen Geschwindigkeit
Sehr große Datenmengen die durch die Verarbeitungsgeschwindigkeit aber auch
fortschreitende Digitalisierung unserer Veränderungsrate, Umgang mit Datenpeaks
Gesellschaft erzeugt werden mit Daten die mit unterschiedlichen
Geschwindigkeiten geliefert werden
Verbesserte
Transparenz
und
Entscheidungs-
findung
Vielfalt Verlässlichkeit
Strukturierte und/oder unstrukturierte Wie ist die Aussagekraft meiner Daten?
Daten, Vielfalt der Quellen, Vielfalt der Wie sind die Daten korreliert? Gibt es auch
Formate und Medien, Vielfalt der (noch Misskorrelationen? Wie ist meine
versteckten) Nutzungsmöglichkeiten Datenqualität?
Kosteneffiziente und innovative Informationsverarbeitung
Moderne Technologie (Hadoop, NoSQL), Einbettung in
bestehende Infrastruktur, welche Investitionen rechnen
sich?
© Auctor Actor Advisor GmbH 31.01.2018 Seite 7
Was bringt uns Big Data? © Auctor Actor Advisor GmbH 31.01.2018 Seite 8
Unterschied zu Business Intelligence (BI)
Business Intelligence bezeichnet die betriebliche Entscheidungsunterstützung durch einen
integrierten, aufs Unternehmen bezogenen IT-basierten Gesamtansatz.
M. Grünwald, D. Taubner: Business Intelligence, In: Informatik Spektrum: Aktuelles Schlagwort, 2009
Business Intelligence Big Data
Daten sind strukturiert, konsistent, Strukturierte, teilstrukturierte und
beständig, nach einem vordefinierten, unstrukturierte Daten, Daten im
statischen Schema abgelegt ursprünglichen Format
Typischer ETL Ansatz: Extrahieren, Direktes, spontanes ETL:
Transformieren, Laden. Zugriff auf Daten situationsabhängig mit wechselnden
über definierte Schnittstellen um Zielen (Schema-on-Read)
Berichte und Leistungsanalysen zu Innovative Konzepte (Not Only SQL,
erzeugen (Schema-on-Write) Beide Hadoop, Apache,…)
Traditionelle Datenbanken, zentraler Methoden
können sich Glaskugel-Paradigma: „man weiß nicht
Datenträger (DWH), SQL Abfragen wonach man fragen soll“, gut für das
ergänzen, sind
Antworten auf wohldefinierte Fragen, gut aber im Kern „unbekannte Unbekannte“, explorativ
für das „bekannte Unbekannte“, unterschiedlich Agile Methoden, iterative
Wiederholungen Vorgehensweise, hohe
Definition oft traditionell in einem top- Reaktionsgeschwindigkeit
down/bottom-up Ansatz Flexiblere Handhabung von
Definierte (oft langsame) Change- Änderungswünschen, schnellere/kürzere
Prozesse Umsetzungszyklen: neue Daten können
sofort verarbeitet werden
© Auctor Actor Advisor GmbH 31.01.2018 Seite 9Business Intelligence vs. Big Data Analytics
Optimierung Was ist das Beste, was passieren kann?
Prognosemodelle Was wird als nächstes passieren?
Wettbewerbsvorteil
Vorhersage/Extrapolation Was, wenn diese Trends anhalten?
Statistische Analyse Warum passiert das?
Alarme Welche Handlungen sind erforderlich?
Abfragen/Drilldown Wo genau ist das Problem?
Ad-hoc Berichte Wie viele? Wie oft? Wo?
Standardberichte Was ist passiert?
Grad an „Intelligenz“
Quelle: Davenport/Harris: Competing on Analytics: The New Science of Winning, 2007, S.8
© Auctor Actor Advisor GmbH 31.01.2018 Seite 10Worin besteht der Nutzen bei Big Data? Quelle: BARC Research Study; Big Data Use Cases 2015 © Auctor Actor Advisor GmbH 31.01.2018 Seite 11
Andere Branchen – ein Schritt weiter?
In anderen Wirtschaftsbranchen ist das Thema Big Data längst angekommen
Online
Versand-
häuser Supermarkt-
Payback
Werbung
Landwirt-
schaft
Big Data Einzelhandel
LCD Pharma-
Bildschirme wirtschaft
Automobil-
hersteller
© Auctor Actor Advisor GmbH 31.01.2018 Seite 12Einzug von Big Data in die Versicherungswirtschaft
Telematik-Tarife
Werkstatt-Bindung
KFZ
Pay-as-you-drive
Pay-how-you-drive
Weiter reichende Risikosegmentierung unter Einbeziehung externer
Daten (auch sozio-ökonomische Daten)
Rückversicherung Risikoadäquate Angebote für Firmenkunden
Kreditfirmendaten/Kreditinstitut-Rankings (Scoring-Modelle)
Rehabilitierungsmassnahmen zur Kostensenkung
Predictive Analytics zur Vorhersage des zukünftigen Krankheitsverlaufs
Krankenversicherung (Schadenrückstellungsoptimierung)
Empfehlungen für (günstigere) Medikamentenalternativen
Vertriebsunterstützung durch Anreicherung mit Geo-Daten
Innovative KYC Modelle als Unterstützung zur Wahl des
CRM/KYC Modelle Kommunikationsweges
Erstellen von Kunden-/Vertriebspartnerprofilen (kosteneffizienter
Kundenservice/zielgerichtete Vertriebsunterstützung)
© Auctor Actor Advisor GmbH 31.01.2018 Seite 13Herausforderungen für Big Data
Quelle: kdnuggets.com
© Auctor Actor Advisor GmbH 31.01.2018 Seite 14Was sind die „Bremsen“ bei Big Data Themen? Quelle: BARC Research Study; Big Data Use Cases 2015 © Auctor Actor Advisor GmbH 31.01.2018 Seite 15
Big Data und die Lebensversicherung: ein Widerspruch (1/3)?
Rechtliches Umfeld
Bisher Mit Big Data
Strikte Regulierung und Gesetzeskonformität und
starker Datenschutz Zielgruppenorientierung
Der deutsche Lebensversicherungsmarkt ist Grundvoraussetzung: genaue Kenntnis der
einer der an strengsten regulierten in Europa gesetzlichen Regelungen und Spielräume
Sehr genaue Vorgaben wie Prämien und
Rückstellungen kalkuliert werden müssen Genaue Analyse der Zielgruppe notwendig:
(RechVersV etc.) welche Kundengruppen sind bereit Daten zu
Es existieren diverse Beschwerdestellen für teilen? Welcher Zusatznutzen für den Kunden
Kunden (Ombudsmann, BaFin, will ich bieten?
Verbraucherschutz) Genaue Ausgestaltung der AVBs bzw.
Deutschland hat ebenso sehr strenge Datenschutzvereinbarungen unter
Datenschutzbestimmungen Einbeziehung der EU DSGVO.
Die Bevölkerung hat eine sehr sensible Ziel: Transparenz für den Kunden über sein
Wahrnehmung von Datenschutz Beitrags-Leistungsverhältnis schaffen.
© Auctor Actor Advisor GmbH 31.01.2018 Seite 16Big Data und die Lebensversicherung: ein Widerspruch (2/3)?
Tarifierung
Bisher Mit Big Data
Risikoausgleich Individuelle
im Kollektiv Tarifierungsmerkmale
Seit jeher ist das Äquivalenzprinzip die Äquivalenzprinzip gilt weiterhin, der Barwert
Grundlage der Tarifkalkulation in der der zukünftigen Leistungen kann nur vielleicht
Lebensversicherung: etwas risikogerechter bestimmt werden.
Barwert der zukünftigen Prämien = Barwert Das Risikoergebnis wird als Bilanzposition
der zukünftigen Leistungen „verschlankt“ weil es (größenmäßig und
Oft ist die Leistungshöhe nicht vollständig zeitlich) umverteilt wird.
bezifferbar, es werden
Mit Big Data wäre eine bedarfsorientierte
Eintrittswahrscheinlichkeiten und
Pufferberechnung möglich. Der Kunde zahlt
Erwartungswerte bei der
von Beginn an risikogerechter, der Versicherer
Leistungsberechnung einbezogen.
muss im Verlauf weniger Sicherheitsrücklagen
Tritt ein Schaden seiner Höhe nach nicht
rückzahlen.
gemäß des Erwartungswertes ein, wird die
Differenz im Kollektiv ausgeglichen. Aber: Grundvoraussetzung ist nach wie vor
Um die unsicheren (geschätzten) Parameter eine gesunde Streuung der Risiken im
abzusichern, wird ein Puffer eingebaut und im Bestand.
Leistungsfall als Bonus oder laufend als Zusätzlich muss die Verlässlichkeit der Daten
Risikoüberschuss an den Kunden vor allem ggü. der BaFin nachgewiesen
zurückgezahlt. werden
Ziel ist der Risikoausgleich im Kollektiv Ziel: systematische Risiken zu begrenzen
© Auctor Actor Advisor GmbH 31.01.2018 Seite 17Big Data und die Lebensversicherung: ein Widerspruch (3/3)?
Image
Bisher Mit Big Data
Konservativ, übervorsichtig, Modern, am Puls der Zeit,
langweilig, akribisch, transparent, fair, jung
kompliziert
Durch zunehmende Digitalisierung arbeiten
viele Versicherer bereits an einem modernen
Lebensversicherungen sind vernünftig und Auftritt
erwachsen oder ein Muss (Sicherheit für Big Data wird in vielen Bereichen der
Kredite und Hypotheken) Lebensversicherung diskutiert (Vertrieb,
Im Leistungsfall muss sich der Kunde auf eine Prozessmanagement und Aktuariat)
professionelle Abwicklung verlassen können Neue Berufsfelder des Data-Analysten/Data-
Vertrieb noch sehr altmodisch mit Scientists machen Versicherer attraktiver und
persönlichem Kontakt und Vertrauensaufbau spannender für junge moderne Arbeitnehmer.
Versicherungen sind eher starr und ein paar Studien weltweit tätiger Niedrigzinsumfeld
Jahre der aktuellen Mode hinterher zwingt zum Umdenken: der Bedarf an
Lebensversicherer als Arbeitgeber ebenfalls innovativen, kosteneffizienten Produkten und
eher die sichere Bank (im Vergleich zum Vermarktungsstrategien steigt
Banker/Fondsmanager/…) Zusatznutzen als Feature verbessert das
Image (z. Bsp. Erinnerung an Sport/Tabletten)
Big Data kann Transparenz schaffen und
damit das Verständnis des Kunden für
Versicherungen verbessert
© Auctor Actor Advisor GmbH 31.01.2018 Seite 18Big Data entlang der Wertschöpfungskette der
Lebensversicherung
Neue Points of Contact/Sale,
Zielgruppenadäquate und zielgerichtete Kundenansprachen,
bedarfsorientierte Produkte, höhere Kundenbindung (customer
Absicherung von neuen und journey), Cross- und Up-Selling,
veränderten
Lebenssituationen,
Portfoliomanagement,
risikogerechte Tarifierung
360 Kunden-Sicht, schnellere
Reaktionsgeschwindigkeiten auf
Kundenanfragen, bessere
Vertriebsunterstützung,
Verwaltungskostensenkung,
übergreifende
Kosteneffiziente Prozesstransparenz, Synergien
Risikoprüfung im erkennen und nutzen,
Leistungsfall, Betrugs- und
Prozessoptimierung, höhere Verbrechensprävention
Reaktivierungsquoten,
steigende Prozessqualität
Vorhersage von risikobehafteten
Kundenverhalten
(Mustererkennung), Analyse von
Zusammenhängen die bilanzielle
Risiken minimieren
© Auctor Actor Advisor GmbH 31.01.2018 Seite 19Skills im Zusammenhang mit Big Data
Analytisches
Denkvermögen IT-Experte
Vertriebsaffinität/
Kundenorientierung
Data Analyst Stochastik
…muss riesige Datenmengen
auf die für das Unternehmen
Prozess- wichtigen Daten reduzieren,
Experte diese analysieren und Datenschutz/
aufbereiten
gesetzliche
Vorschriften
Aktuarielles
Wissen
Visualisierung Psychologie
und Vermittlung
von Daten
© Auctor Actor Advisor GmbH 31.01.2018 Seite 20Anforderungen an Aktuare im Big Data Umfeld
Finanzielle Rahmenbedingungen unter der
Niedrigzinsphase mit ihren besonderen Auswirkungen auf
Aktuare die Kostensituation der Versicherer DAV arbeitet an
müssen sich der Konzeption
unter Die besonderen regulatorischen Bedingungen bzgl. einer neuen
Einbeziehung Solvency II und des Umgangs mit Kundendaten Ausbildung zum
von Big Data (Actuarial) Data
noch stärker Die Bedeutung der vorhandenen Kunden- und
Scientist,
mit den Vertragsbestände auf Basis z. T. sehr alter IT-Systeme und angelehnt an die
folgenden deren „Inforce Management“ Ausbildung der
Aspekten französischen
beschäftigen Den (noch) verzögerten Auf- und Ausbau des digitalen Aktuarsvereinigung
Vertriebs und Verkaufs
An vielen Universitäten werden bereits vermehrt Studiengänge zu Data
Science angeboten
© Auctor Actor Advisor GmbH 31.01.2018 Seite 21Fazit: Big Data und Lebensversicherungen
Big Data ist für viele Versicherer
Der Weg zur individuellen Tarifierung noch neu, es fehlt an Erfahrungswerten
ist noch weit und muss vor allem durch
den Gesetzesgeber unterstützt werden.
Es fällt schwer den Zusatznutzen
durch Big Data zu beziffern, um die
nötige Investition zu validieren
Es wird Expertenwissen benötigt um
die Daten zu interpretieren und die
Datenqualität zu beurteilen
Vorsichtsprinzip und Vertrauensaufbau
zum Kunden steht gefühlt im Gegensatz zu
eher „intuitiver“ Anwendung von Big Data
Big Data wird noch ZeitHeute
brauchen um sich in der LV zu etablieren.
Was kann man in der Zwischenzeit tun?
© Auctor Actor Advisor GmbH 31.01.2018 Seite 22AAA Auctor Actor Advisor in Kürze
Historie Kompetenzen
AAA Auctor Actor Advisor wurde im Jahr 2002 als Organi-
sations- und Managementberatung für Finanzdienstleister
gegründet.
Die Gründer verbindet die Philosophie einer hohen Kunden-
und Erfolgsorientierung, die Lust an der täglichen Heraus-
forderung sowie der Spaß an der Zusammenarbeit mit
Kunden.
Bis heute gehört AAA Auctor Actor Advisor ausschließlich im
Unternehmen aktiven Gesellschaftern.
Erfolgreiche Projekte für
erfolgreiche Kunden
AAA Auctor Actor Advisor, der Berater mit
ausgewiesener Branchenexpertise für
Finanzdienstleister …
… steht für strategische Denkansätze und innovative Allianz
Themen
… bezieht als unabhängiger Partner konsequent Stellung
und bietet Orientierung
… gestaltet mit interdisziplinären Teams aktiv und kunden-
individuell den Wandel von Menschen, Prozessen,
Strukturen und Systemen
… schafft mit übergreifender Sicht pragmatische Lösungen ZURICH
Leitbild Referenzen
© Auctor Actor Advisor GmbH 31.01.2018 Seite 23Danke für Ihre Aufmerksamkeit
Ihr Ansprechpartner zum Thema
Elisabeth Rösler
Principal Consultant
AAA Auctor Actor Advisor GmbH
Im Mediapark 8
50670 Köln
www.3-a-3.de
Telefon +49 (0) 221 55 405 411
Telefax +49 (0) 170 13 333 88 98
Mobil +49 (0) 170 333 88 98
Email Elisabeth.Roesler@3-a-3.de
© Auctor Actor Advisor GmbH 31.01.2018 Seite 24Sie können auch lesen
