cta

Erste Schritte

Cloud

Sind Sie bereit?

Sandbox herunterladen

Wie können wir Ihnen helfen?

SchließenSchaltfläche „Schließen“
cta

Connected Data Platforms for
Insurance IOT and Predictive Analytics

Cloud Bericht: Versicherungen in der vernetzten Welt

Bericht herunterladen

Prognoseanalysen für Progressive Insurance

Progressive Insurance ist einer der größten Kfz-Versicherer in den USA. Das Team entschied sich für die Hortonworks Data Platform, um die Geschäfte mithilfe von Unmengen neuer Arten von Daten zu transformieren. Progressive setzt HDP® für die Anzeigenplatzierung und die Speicherung von Fahrzeugdaten für nutzungsbasierte Versicherungsprodukte ein.

Der Aufbau datenzentrierter Unternehmen mit erweiterten Analyseanwendungen

Technologischer Fortschritt und gestiegene Kundenerwartungen stellen Versicherer vor neue Herausforderungen bei der Interaktion mit ihren Kunden, der Verwaltung von Risikodaten und der Kontrolle über die steigende Anzahl an immer gravierender werdenden Ansprüchen. Versicherungsträger wie Progressive nutzen Hortonworks, um ihre traditionellen Modelle für die Kundenbindung neu auszurichten.

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. Apache Hadoop verschafft 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 Analyisen können Abschlüsse effizienter realisiert werden, was 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 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

Once customers agree to buy a new policy, the agent and/or underwriter still needs to process the application documents. This can be a lengthy manual process that causes leakage. Speed is important, but so is accuracy. One Hortonworks subscriber in the insurance industry built an enterprise document cache on HDP. Apache HBase caches the post-transaction documentation, with meta-tags that speed up processing. And because HDP’s YARN-based architecture supports multi-tenant processing on the same data set, document tracking does not slow down risk assessment or other analytics required before initiating coverage. Efficient document processing reduces costs and improves agent and underwriter productivity.


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 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 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.