Versicherungen: bessere Kundenbindung dank Künstlicher Intelligenz

December 09, 2019

Robot in thinking position

Künstliche Intelligenz und maschinelles Lernen: Diese Digitalisierungs-Buzzwords sind in fast jeder Branche ein Thema. Versicherungen sind da keine Ausnahme; bisher verwenden diese Unternehmen die Technologie aber eher, um Kosten zu senken und Prozesse effizienter zu gestalten, anstatt das Potenzial für kundenorientierte Abläufe zu nutzen.

Wenn Sie über Suchmaschinen nach den Schlagworten Künstliche Intelligenz (KI) und Versicherung suchen, erhalten Sie über eine Million Ergebnisse – unter Verwendung der englischen Begriffe sogar knapp 60 Millionen Treffer. Das zeigt: Nicht nur die Versicherer selbst, sondern auch Intermediäre wie Makler oder Vergleichsportale sowie Endkunden beschäftigen sich zunehmend mit diesem Thema. Jedoch ist vielen Versicherungsunternehmen lediglich bewusst, dass sie etwas in Richtung Digitalisierung unternehmen müssen und stellen entsprechend Budgets zur Verfügung. Unklar bleibt dabei häufig, welche Maßnahmen das genau sein sollten und welchen Effekt man sich von diesen Maßnahmen konkret erhofft.

Machine Learning für effiziente Prozesse

Einige Branchenpioniere nutzen schon KI und Machine Learning (ML) in ihrer täglichen Arbeit. So bieten bereits KFZ-Versicherer ihren Kunden eine App-basierte Lösung an, mit der sie im Schadenfall Schäden an ihren Autos dokumentieren und direkt an den Versicherer übermitteln können. Die Anwendung vergleicht die hochgeladenen Bilder automatisch mit ähnlichen Fällen aus einer katalogisierten Datenbank. So kann der Versicherer in mehr als 80 Prozent der Fälle Schäden in kürzester Zeit maschinell abwickeln. Ein charmantes Beispiel ist die Versicherungskammer Bayern, die eigens eine Lösung entwickelt hat, um die große Menge an Schriftverkehr zu bewältigen. Dabei erkennt ein Algorithmus vom Absender verwendete Schlüsselbegriffe, darunter natürlich auch Begriffe aus dem Bayerischen, und orientiert sich daran, um die Korrespondenz nach Themen, Dringlichkeit und Abteilung zu sortieren. Sogar empfehlenswerte Aktionen kann die Software vorschlagen. Was diese drei Beispiele gemeinsam haben? Sie verwenden zwar künstliche Intelligenz oder maschinelles Lernen, nutzen es aber dazu, Prozesse zu optimieren, Kosten zu senken und Effizienz zu steigern.

Digitalisierung zahlt sich bisher nicht aus

Und das auf sehr profitable weise. Doch wie sieht das beim Rest der Branche aus? In der diesjährigen Global Pricing Study haben wir herausgefunden, dass mehr als 70 Prozent der Versicherungsunternehmen in den letzten drei Jahren in Digitalisierungsinitiativen investiert haben. Weniger als ein Drittel aller befragten Versicherer konnte jedoch einen deutlichen Einfluss von Digitalisierungsprojekten auf ihre Umsätze erkennen. Aus unserer Projekterfahrung in der Industrie konnten wir eine Reihe von Problemen erkennen, die dafür der Grund sein können:

  • Geringe Datenqualität: Ganz nach dem Motto „Garbage in, garbage out“ haben Versicherungsgesellschaften häufig mit der Qualität der Ausgangsdaten zu kämpfen, gerade auch, weil historisch bedingt häufig Silolösungen gewachsen sind. Infolgedessen können Modelle nicht so gebaut werden, dass sie zielgerichtete Empfehlungen geben. So funktioniert beispielsweise ein Algorithmus, der Vertragsdaten mit Informationen aus CRM-Systemen in Echtzeit kombinieren soll, nicht zuverlässig, wenn nicht stets beide Datenbanken sorgfältig gepflegt sind. Und was nützt es, einen Algorithmus zu entwickeln, wenn man seine Ergebnisse ständig überprüfen muss?
  • Schlechtes Projektdesign: Einen starken Einfluss auf den monetären Erflog eines KI/ML-Projektes hat, dass viele Versicherer zu schnell zu viel wollen. Sie entwickeln zuerst die Lösung und denken erst dann darüber nach, wie sie diese monetarisieren. Das funktioniert nicht. Unternehmen müssen sich auf die Bedürfnisse ihrer Kunden konzentrieren und herausfinden, wofür sie bereit sind zu zahlen. Sonst sind ihre KI-Projekte zum Scheitern verurteilt.
  • Sicherheitsaspekte: Wir kennen Versicherungsgesellschaften, die ihre fertigen ML-basierten Apps vom Markt nehmen mussten, weil fehlende Sicherheitsprotokolle sie zu einem Ziel für Hacker machten. Diese Risiken zu minimieren muss weit oben auf der Agenda von Versicherern stehen, wenn es um Projekte im Bereich Künstliche Intelligenz und Machine Learning geht.

3 Erfolgsfaktoren für KI/ML-Projekte

Wie können Versicherungsunternehmen diesen Herausforderungen begegnen? Wir haben drei wichtige Handlungsfelder identifiziert:

  1. Versicherern mangelt es oft nicht an Ideen für Machine-Learning-Projekte. Das Problem besteht eher darin, die unzähligen Initiativen zu einer ganzheitlichen Lösung zu kombinieren, die für den Kunden tatsächlich nützlich ist. Häufig entwickeln Unternehmen Apps übereilt und erreichen nur winzige Nutzerzahlen. Hier müssen die Anstrengungen gebündelt werden, um gemeinsam ein Produkt zu erhalten, das an den Bedürfnissen und Anforderungen der Kunden ausgerichtet ist.
  2. Versicherer planen häufig den ganz großen Wurf – in der Regel sind begrenzte und gezielte Maßnahmen aber viel effektiver. Zum Beispiel: Obwohl absehbar ist, dass sich die Lebenssituation eines Kunden in naher Zukunft ändert, reagieren viele Versicherungsunternehmen nicht. Ein simpler, automatisierter Prozess (basierend auf Machine Learning), der eine auf die neuen Lebensumstände angepasste Marketingkampagnen auslöst, wäre einfach umzusetzen.
  3. Verhaltensökonomie lohnt sich: Versicherungsunternehmen können einen ML-basierten Gamification-Ansatz verwenden. Einige unserer Projekte im Bankenvertrieb nutzen etwa das Panini-Prinzip, bei denen die Kunden dazu animiert werden, so viele Angebotselemente wie möglich zu „sammeln“. Je mehr Produkte sie nutzen, desto mehr „Sticker“ erhalten sie, was zum großen optischen Anreiz wird. Diesen Effekt können Versicherer zusätzlich durch Incentives wie einen Sonderstatus oder Nachlässe verstärken.

Von den Profis lernen

Eine Branche, die Künstliche Intelligenz und Machine Learning bereits seit Längerem sehr erfolgreich einsetzt, ist die Unterhaltungsindustrie. So verwendet beispielsweise Streaming-Anbieter Netflix einen ML-Algorithmus für die Personalisierung seiner Angebote. Das Geschäftsmodell von Netflix beruht darauf Kunden von Anfang an geeignete Empfehlungen zu geben, um sie zu binden. Grundlage sind Benutzerinformationen darüber, welche Sendungen wie oft angesehen werden, welches Genre sie haben, etc. Anhand dieser Daten identifiziert Netflix die Werttreiber und Entscheidungskriterien seiner Nutzer. Das Ergebnis sind gezielte Empfehlungen sowie personalisierte Vorschaubilder ganz nach dem individuellen Geschmack der Zuschauer.

Und was kann die Versicherungswirtschaft von Netflix lernen? Vor allem, sich bei der Entwicklung von Produkten oder Dienstleistungen auf die Bedürfnisse und Wünsche der Kunden zu konzentrieren. Darüber hinaus zeigt Netflix, wie wertvoll Personalisierung und Empfehlungen sind. Zudem ist der Netflix-Algorithmus sehr einfach aufgebaut und basiert auf wenigen Kriterien sowie simpler Marktforschung – relativ wenig Aufwand sorgt hier also für große Wirkung. 

Versicherungen müssen persönlicher und kundenorientierter werden
Und wie könnte so ein Algorithmus à la Netflix ganz praktisch in der Versicherungswirtschaft aussehen? Im Moment verwenden Versicherer oft das Gießkannenprinzip und bieten ihren Kunden sämtliche Produkte an, statt gezielt zu personalisieren. Das führt immer weniger zum Erfolg – gefragt sind Differenzierung und eine dynamische Preisgestaltung, die auf den Kunden zugeschnitten ist, und zwar in jedem Schritt des Verkaufsprozesses. Künstliche Intelligenz und maschinelles Lernen ermöglichen das. Digitalisierung darf nicht länger nur zur Kostensenkung und Prozessoptimierung genutzt werden – viel mehr muss Umsatzgenerierung das Ziel sein. Wenn Versicherer in einem begrenzten Rahmen starten und pilotieren, qualitativ hochwertige Daten verwenden und ihre Kundenzentrierung verstärken, wird das für sie zum echten Wettbewerbsvorteil.