Holen Sie sich die neuesten Updates von Hortonworks per E-Mail

Einmal monatlich erhalten Sie die neuesten Erkenntnisse, Trends und Analysen sowie Fachwissen zu Big Data.

cta

Erste Schritte

Cloud

Sind Sie bereit?

Sandbox herunterladen

Wie können wir Ihnen helfen?

SchließenSchaltfläche „Schließen“
cta

Connected-Data-Plattformen für
Versicherungs-IoT und prädiktive Analyse

Cloud Bericht: Versicherungen in der vernetzten Welt

Bericht herunterladen

Dem Risiko einen Schritt voraus

Mit den Connected-Data-Plattformen von Hortonworks für das Versicherungs-IoT ist viel mehr möglich als das. Zum Beispiel einen Rundum-Überblick über Ihre Kunden und Ihre vernetzten Fahrzeuge: Damit können Sie nachvollziehen, wo und wie sie fahren, während Sie aus allen Big Data der Versicherungsnehmer über Prognose-Analytics bessere Erkenntnisse gewinnen.Jetzt können Sie ihnen Empfehlungen für sicherere Alternativrouten und Tipps zum Fahrverhalten geben.

Der Aufbau datenzentrierter Unternehmen mit erweiterten Analyseanwendungen

Changes in technology and customer expectations create new challenges for how insurers engage their customers, manage risk information and control the rising frequency and severity of claims. Carriers, like Progressive, are tapping Hortonworks for insurance IOT and predictive analytics to help rethink traditional models for customer engagement.

Anwendungsfälle

Erhalten Sie einen Rundum-Blick von Ihren Kunden

Versicherungsträger interagieren mit ihren Kunden über vielfältige Kanäle, doch leider landen die Daten über diese Interaktionen, Policen und Ansprüche der Kunden oft in isolierten Datensilos. Nur wenige Versicherungsträger können konkrete Neuabschlüsse, Cross-Selling oder Upselling korrekt mit Marketingkampagnen oder dem Online-Surfverhalten der Kunden verknüpfen. Durch die Erfassung und Verwaltung von Daten aus Geräten des Versicherungs-IoT verschafft Apache Hadoop den Versicherern einen umfassenden Einblick in das Verhalten ihrer Kunden. Daten lassen sich länger speichern, und so können verschiedene Phasen des Lebenszyklus der Kunden bestimmt werden. Durch bessere Prognoseanalysen können Abschlüsse effizienter realisiert werden, was die Akquise fördert, das Wachstum ankurbelt und die Bindung zu den besten Kunden stärkt.


Erfolgreichere Vertreter durch ein einheitliches Portal

Viele Versicherungen verkaufen Policen über Versicherungsvertreter. Als Vorbereitung auf Verkaufsgespräche (oder um Fragen von potenziellen Kunden während solcher Gespräche schnell zu beantworten) müssen diese Vertreter oft spezifische Informationen aus unterschiedlichen, nicht miteinander vernetzten Plattformen oder Anwendungen zusammentragen. Das beansprucht Zeit und bremst den Verkaufsprozess. Im Gegensatz zu althergebrachten Datenplattformen speichert HDP Daten aus vielen Quellen, darunter Versicherungs-IoT, in einem „Data Lake“. Dadurch ist nur eine einzige Suche anstelle mehrerer einzelner Suchanfragen auf verschiedenen, nicht miteinander vernetzten Speicherplattformen nötig. Vertreter können sich besser vorbereiten und in einem festgelegten Zeitraum mehr Verkaufsgespräche führen, was für steigenden Umsatz sorgt. Diese Analysen zeigen Versicherungsunternehmen auch, welche Versicherungsvertreter beim Verkauf ihrer Produkte am effektivsten sind. Dadurch lassen sich Anreize für Top-Performer schaffen oder bei dauerhaft unproduktiven Vertretern entsprechende Maßnahmen ergreifen.


Highspeed-Cache für die Bearbeitung von Anträgen

Nachdem Kunden sich für eine neue Versicherungspolice entschieden haben, müssen die Antragsformulare noch vom Vertreter und/oder dem Versicherungsträger bearbeitet werden. Das kann ein langwieriger manueller Prozess sein, der Raum für Fehler schafft. Geschwindigkeit ist sicherlich wichtig, Genauigkeit aber auch. Ein Hortonworks-Kunde aus der Versicherungsbranche hat einen unternehmenseigenen Dokumenten-Cache auf Basis von HDP entwickelt. Apache HBase legt die Dokumente, die beim Abschluss von Verträgen anfallen, mit Meta-Tags in einem Zwischenspeicher ab, wodurch die Verarbeitung beschleunigt wird. Da die YARN-basierte Architektur von HDP zudem die Multi-Tenant-Verarbeitung exakt dieser Datensätze unterstützt, werden durch das Dokumenten-Tracking weder Risikoprüfungen noch andere Analysen verlangsamt, die notwendig sind, bevor der Versicherungsschutz in Kraft treten kann. Durch die effiziente Verarbeitung von Dokumenten lassen sich Kosten reduzieren und die Produktivität von Vertretern und Versicherungsträgern steigern.


Betrugserkennung

Versicherungsbetrug ist eine der größten Herausforderungen der Branche. Laut dem FBI werden die „durch Betrug im Versicherungssektor (außer Krankenversicherungen) verursachten Gesamtkosten auf mehr als 40 Mrd. US-Dollar pro Jahr geschätzt. Infolgedessen kostet Versicherungsbetrug die durchschnittliche US-amerikanische Familie im Jahr zwischen 400 und 700 US-Dollar in Form von höheren Prämien.“ Angesichts von mehr als 7.000 Versicherungsunternehmen, die jährlich mehr als 1 Billion US-Dollar an Prämien einnehmen, haben Kriminelle ein großes und überaus lukratives Ziel gefunden. Sie können ihre Spuren bei Delikten wie Prämienveruntreuung, Provisionsbetrug, Diebstahl von Vermögenswerten oder Betrug bei Arbeitsunfallversicherungen leicht verwischen. Einer der größten Versicherungsanbieter in den USA nutzt HDP für maschinelles Lernen und die Erstellung von Prognosemodellen, wobei gestreamte Daten mit regelbasierten Markierungen versehen werden, um mehr betrügerische oder unberechtigte Ansprüche aufzudecken. Wenn Daten in Bezug auf Anspruchsforderungen in das System eingespeist werden, helfen Echtzeit-Hinweise den Experten für Sonderprüfungen und Ansprüche, ihre Untersuchungen auf genau die Forderungen mit der höchsten Betrugswahrscheinlichkeit zu konzentrieren.

Services zur Risikominimierung

Versicherungsunternehmen kennen die Risiken und sie wenden sich – so wie andere Branchen auch – immer häufiger dem proaktiven Ansatz zu. Jeder Gutachter hat schon Unfälle, Brände oder Verletzungen gesehen, die sich durch logische Schlussfolgerungen hätten vorhersehen oder ganz vermeiden lassen – z. B.: „Der Fahrer hätte bei diesem Wetter nicht fahren dürfen“ oder „Diese Leitungen hätten schon längst ersetzt werden sollen, da sie total veraltet sind“. Jetzt können Versicherer dank Prognose-Analytics diese Daten erfassen und mit ihren Kunden teilen, bevor die Schadensfälle eintreten. Bei diesen Services zur Risikominimierung und -vermeidung teilen Versicherer Echtzeit-Analytics mit Inhabern von Policen, um Schäden vorzubeugen. Zum Beispiel lassen sich Algorithmen entwickeln, die dabei helfen, Risikosituationen in Zusammenhang mit schlechtem Wetter, Epidemien oder Geräterückrufen zu erkennen. In solch einem Fall lassen sich rechtzeitige Warnungen herausgeben, damit Kunden sich und ihr Eigentum schützen können. Ein Hortonworks-Kunde, der Kfz-Versicherungen anbietet, arbeitet an Echtzeit-Warnmeldungen, mit denen Fahrer informiert werden sollen, sobald ein starkes Unwetter einen bestimmten Straßenabschnitt betrifft. Parallel dazu werden alternative Strecken mit einem geringeren Risiko angezeigt.

Risikogesteuerte Preisgestaltung durch empirische Sensordaten

Als „Moral Hazard“ oder „moralisches Risiko“ bezeichnet man das Phänomen einer Person, die ein höheres Risiko eingeht, weil eine andere Person die Kosten dafür trägt. Wenn ein Unternehmen eine Kfz-Versicherung anbietet, dann hat man es aufgrund des Informationsungleichgewichts automatisch mit einem moralischen Risiko zu tun, denn der Versicherte kennt seine Fahrweise in der Regel besser als die Versicherung. Nun kann es passieren, dass Fahrer leichtsinniger werden und ein bisschen schneller fahren oder nicht so genau auf den Verkehr achten, da sie wissen, dass sie im Falle eines Unfalls versichert sind. Versicherer legen ihre Prämien so fest, dass dieses moralische Risiko abgedeckt ist. Aus diesem Grund subventionieren sicherere Fahrer alle anderen Fahrer, die auf der Straße höhere Risiken eingehen. Nutzungsbasierte Versicherungen können dieses Informationsungleichgewicht und das moralische Risiko reduzieren, indem sichere Fahrer für ihr gutes Verhalten belohnt werden. Ein großer Versicherer setzt für seine nutzungsbasierten Versicherungsprodukte Versicherungs-IoT- und telematische Sensordaten ein, die in HDP gespeichert werden. Vor Hadoop konnte nur ein Teil dieser Datenströme aus den Sensoren in den Fahrzeugen der Versicherten erfasst werden. Zudem verzögerten ETL-Prozesse (Extract-Transform-Load) die Verfügbarkeit der Daten, sodass sie erst eine Woche nach der Erfassung verwendet werden konnten. Mit HDP kann das Unternehmen alle Fahrdaten von Kunden erfassen und speichern, die sich mit dem nutzungsbasierten Konzept einverstanden erklärt haben, größere Datensätze in der Hälfte der Zeit verarbeiten und anhand von Prognosemodellen Fahrer dafür belohnen, wie sie wirklich fahren – und nicht, wie sie nur aufgrund ihres Alters, des Fahrzeugmodells, des Ortes oder ihrer Historie vermutlich fahren werden.