AXA XL benutzt zwei Arten von Cookies

  1. um die Seite zu betreiben und Ihre Präferenzen festzulegen; und
  2. für Analytics, um die Seite zu präzisieren und benutzerfreudlicher zu gestalten

Die Cookies sammeln keine persönlichen Informationen. Für mehr Informationen zum Einsatz von Cookies, bitte hier klicken. EU-Datenschutzgesetze verlangen Ihre Zustimmung zu unserer Verwendung von Cookies.

Durch die Nutzung dieser Website stimmen Sie der Verwendung von Cookies auf Ihrem Endgerät zu. Für den Fall, dass Sie in Zukunft andere Cookie-Einstellungen bevorzugen, wird Ihnen beim nächsten Besuch dieser Hinweis erneut gegeben.

Fast Fast Forward

Einsatz von Künstlicher Intelligenz in der Sachversicherung bringt große Vorteile

von

Unternehmen können heutzutage ohne großen Aufwand auf riesige Mengen an immer präziseren Daten aus einer steigenden Zahl von Quellen zugreifen. In der Sachversicherung bietet diese Datenfülle spezialisierten Risikoingenieuren im Sinne von „mehr Daten = besseres Verständnis“ grundsätzlich große Chancen für einen tieferen Einblick in die Fakten. Gleichzeitig stehen sie jedoch vor einer nicht zu unterschätzenden Herausforderung: Wie können sie vermeiden, den Überblick zu verlieren und alle relevanten Fakten im Blick zu halten?

Glücklicherweise helfen uns neue Tools unter Einsatz von Künstlicher Intelligenz (KI) dabei, die Chancen zu nutzen und die Herausforderungen zu bewältigen.


Größere Leistungsfähigkeit und Wirkung

Ein besonders vielversprechender Einsatz von KI auf dem Gebiet des Risk Engineering liegt im „Maschinellen Lesen“. Softwareingenieure und Sozialwissenschaftler haben immer leistungsfähigere Algorithmen entwickelt, die die genaue Bedeutung eines Wortes oder Satzes im Kontext bestimmen und Zusammenhänge zwischen unterschiedlichen Fakten und Merkmalen erkennen können.

In der Praxis können Risikoingenieure daher heute KI bei der Prüfung, Analyse und Zusammenfassung riesiger Mengen an Datenmaterial über die Risikosituation von bestehenden oder potenziellen Kunden effizient einsetzen.

Nehmen wir beispielsweise einmal an, AXA XL wird um die Erstellung eines Angebots für ein Internationales Sachversicherungsprogramm für ein großes multinationales Unternehmen mit mehreren Hundert Produktionsanlagen auf der ganzen Welt gebeten. Das Underwriting-Team wendet sich an unsere Risikoberater, um das Gesamtrisikoprofil des potenziellen Kunden zu bewerten und die spezifischen Risiken an einzelnen Standorten zu beleuchten. Eine der Herausforderungen besteht jedoch darin, dass die betreffenden Unterlagen Tausende Seiten mit Einzelberichten zum Beispiel über den jeweiligen Standort, über Konstruktionsmerkmale, Daten zur Belegung, Spezifikationen zu Schutzsystemen, qualitative Erkenntnisse zu Managementverfahren, Daten zu Risiken von Naturkatastrophen usw. umfassen.

Früher haben die Risikoberater oft mehr Zeit und Aufmerksamkeit auf die Bewertung der Standorte mit den höchsten Sachwerten eines Kunden verwendet, da diese sowohl für den Kunden als auch für den Versicherer von größter Bedeutung sind. Häufig sind jedoch gerade an diesen Standorten bereits robuste Schutzmaßnahmen und Risikomanagementprogramme vorhanden. Mit den neuen Möglichkeiten, die KI bietet, können unsere Risikoberater nun auch potenziell signifikante Risiken an Standorten mit geringerem Wert besser identifizieren, wenn die relevanten Informationen nicht so offensichtlich aus der Fülle der auszuwertenden Daten hervorgehen, mit denen sie konfrontiert sind.

Heute kann ein Risikoberater mithilfe von KI zunächst eine erste Überprüfung und Analyse dieses Berges an Informationen durchführen. Auf der Basis der Parameter, die wir in die Software eingebaut haben, erstellt das von uns in Zusammenarbeit mit einem externen Partner entwickelte KI-Tool eine Zusammenfassung mit den relevantesten Risikotypen für jedes Objekt. Mithilfe dieser ersten Analyse können wir dann eine gründliche Recherche zu den wichtigsten Aspekten durchführen, auf die das System hingewiesen hat. Anders gesagt hilft KI unseren Risikoberatern dabei, zielgerichteter und produktiver zu arbeiten, indem sie ihnen auf der Basis einer umfassenden, kontextbezogenen Überprüfung einer Vielzahl von Daten Orientierungshilfe dazu bietet, womit sie sich eingehender befassen und worauf sie achten sollten.

In Übereinstimmung mit unserem Ansatz „from Payer to Partner“ nutzen wir diese neuen Möglichkeiten auch in unserer laufenden Arbeit mit Kunden, um ihnen zu helfen, ihre Risiken besser zu managen und ihr Schadenpotenzial zu senken. Unsere Risikoingenieure führen zum Beispiel jedes Jahr Tausende Vor-Ort-Besichtigungen durch. Diese sind äußerst hilfreich, um aus erster Hand ein genaues Verständnis über die Risikosituation unserer Kunden zu gewinnen und diese bei der Umsetzung praktischer und kosteneffizienter Maßnahmen zur Verbesserung der Risikolage zu unterstützen.

Auch bei der Priorisierung der Vor-Ort-Besichtigungen hilft uns eine Kontextanalyse verschiedenster Daten zur Geschäftstätigkeit und zu den Risiken des Kunden. So ist sichergestellt, dass wir unsere Ingenieure an die Standorte entsenden, an denen eine Risikobewertung vor Ort den größten Mehrwert bietet.


Zielgenauere Einschätzungen

Eine weitere interessante Möglichkeit, die Fortschritte in der KI im Versicherungsbereich einzusetzen, bietet die Erweiterung von Schadenschätzungen um den Faktor Eintrittswahrscheinlichkeit.

Derzeit basieren Entscheidungen im Bereich Risikomanagement und Underwriting auf geschätzten maximalen Verlusten, z. B. dem größtmöglichen vorhersehbaren Schaden (Maximum Foreseeable Loss – MFL) oder der normalen Schadenerwartung (Normal Loss Expectancy – NLE). Dabei handelt es sich gewöhnlich um riesige Summen, insbesondere etwa bei sogenannten Mega-Warehouses, die mit hochpreisigem Inventar gefüllt sind. Tatsächlich kann die Wahrscheinlichkeit, dass ein Ereignis zu Schäden in Höhe der MFL- oder NLE-Werte führt, jedoch äußerst gering sein, insbesondere angesichts der Schutzsysteme, die an solchen Standorten im Allgemeinen eingerichtet sind.

Aber was wäre, wenn wir mit großer Sicherheit genauere Schätzungen der Wahrscheinlichkeit unterschiedlicher durchschnittlicher Schadenhöhen pro Jahr durchführen könnten? Auf der Basis dieser zusätzlichen Informationen sollten CFOs und Risikomanager in der Lage sein, ihre Strategien und ihr Budget für Risikomanagement und -minderung besser an den tatsächlichen Schaden anzupassen, der bei einem Unternehmen zu erwarten ist. Dies ist eine ganz andere Diskussion und Denkweise als bei einer reinen Fokussierung auf MFL oder NLE.

Die Versicherungsbranche ist eine der wenigen Branchen, in denen die Gesamtproduktionskosten – in unserem Fall sind das die Schäden, für die wir eintreten – erst irgendwann in der Zukunft bekannt werden. Aus diesem Grund setzen wir erhebliche Ressourcen ein, um mögliche künftige Ereignisse zu antizipieren. Wir werden nie die perfekte Kristallkugel haben, aber mit immer leistungsstärkeren Computern und laufend verbesserter KI können wir unsere Kunden dabei unterstützen, unterschiedliche Ereignisse zuverlässiger und klarer vorherzusehen.


Steigerung der Widerstandsfähigkeit

Angesichts des Umfangs und der Komplexität vieler globaler Lieferketten ist das Aufzeigen möglicher Schwachstellen und das Mitverfolgen der Entwicklungen bei Hunderten, wenn nicht gar Tausenden Lieferanten heutzutage äußerst kompliziert. In der heutigen Zeit ist es außerdem nicht ungewöhnlich, dass sich praktisch alle Unternehmen einer bestimmten Branche auf zwei oder drei Lieferanten verlassen, insbesondere bei speziellen Bauteilen oder Materialien. Wenn also einer davon aus irgendeinem Grund ausfällt, können die Auswirkungen dieses Ausfalls zu Produktionsstörungen in der gesamten Branche führen.

Eine Lösung: Eine auf KI basierende Software, die das Internet kontinuierlich nach Neuigkeiten und öffentlichen Informationen über Lieferanten eines Unternehmens durchforstet, einschließlich Peripherie-Lieferanten, die möglicherweise nur ein einziges Teil oder einen einzigen Rohstoff liefern.

Dieser Ansatz bietet zwei Vorteile: Erstens kann KI ein Unternehmen bei der Ermittlung eines Risikos unterstützen, dessen es sich nicht bewusst ist. Ein Automobilunternehmen könnte zum Beispiel alle verfügbaren Informationen über seine Lieferanten sammeln und herausfinden, dass alle Anbieter bestimmter Sicherheitskomponenten in nur zwei Anlagen auf der Welt produzieren lassen, so dass auch alle seine Wettbewerber auf diese Quellen angewiesen sind.Zweitens kann ein Unternehmen mithilfe von KI im Voraus über potenzielle Störungen informiert werden. In diesem Fall kann die Dateneinspeisung zur Lieferkette des Unternehmens auch Ereignisse an verschiedenen Standorten in Echtzeit umfassen. Wenn also zum Beispiel ein starker Orkan bevorsteht, kann das Unternehmen die OEM in dem Gebiet, das davon betroffen sein könnte, rasch ermitteln und sofort Maßnahmen zur Abschwächung der Auswirkungen einleiten.


Über den Autor: Martin Vinkenfluegel ist seit mehr als 30 Jahren auf dem Gebiet Property Risk Engineering tätig. Im Laufe seiner Karriere hat er in fünf verschiedenen Ländern gelebt und in mehr als 40 Ländern gearbeitet. Heute arbeitet er in Zürich, wo er gerne mit dem Fahrrad zur Arbeit fährt, wenn er nicht gerade auf Reisen ist. Martin Vinkenfluegel ist erreichbar unter martin.vinkenfluegel@axaxl.com.

Eine gekürzte Fassung dieses Artikels wurde von VersicherungswirtschaftHeute erstveröffentlicht.

© 2018 AXA SA or its affiliates
AXA XL is the P&C and specialty risk division of AXA.