Dass wir bei Eucon als Digitalisierungspartner für Versicherer natürlich mit Daten arbeiten, ist hinlänglich bekannt. Den hohen Stellenwert von Daten in unseren Prozessen erkennt man beispielsweise an unserem Slogan „Driven by data – Guided by experts“ und unserer Auseinandersetzung mit dem Thema Daten auf diesem Blog – etwa durch einen Artikel zum Nutzen feingranularer Daten, eine Infografik zu Daten im Schadenmanagement oder unser neues Whitepaper zu Chancen und Herausforderungen eines datengetriebenen Schadenmanagements.
Dass Daten wertvoll für Unternehmen sind, spiegelt sich auch in der oft verwendeten Analogie, Daten seien das neue Gold. In ähnlicher Weise spricht Fraunhofer ISS hier von Daten als „Öl des neuen Jahrtausends“.
Im Gegensatz zu diesen beiden Rohstoffen, sind Daten jedoch eine Ressource, die nicht knapp wird – im Gegenteil. Unternehmen, darunter auch Versicherer, haben die Möglichkeit – und nehmen diese auch wahr – große Mengen an Daten zu erfassen. Um Mehrwert aus diesen Daten zu ziehen, müssen diese jedoch nutzbar gemacht und analysiert werden können.
Hier kann Data Analytics helfen. Die Computerwoche proklamiert: „Data Analytics ist für moderne Unternehmen Pflicht und birgt viele Vorteile.“ Egal ob auf LinkedIn, Xing oder in Fachforen und -zeitschriften, man kommt schon seit längerem nicht mehr am Begriff Data Analytics vorbei. Ist man allerdings nicht grade Data Solutions-Spezialist, kann es stellenweise schwierig sein, ein konkretes Bild davon zu bekommen, was unter dem oft verwendeten Begriff zu verstehen ist. Daher führen wir hier grundlegend aus, worum es sich dabei handelt – auch als Grundlage dafür, in Folgeartikeln über konkrete Anwendungsfelder und Chancen von Data Analytics im Schadenmanagement zu reden.
Data Analytics – Gängige Definition(en)
Online auffindbare Definitionen von Data Analytics sind so vielfältig und oftmals divers wie die Daten, die den Kern dieses Prozesses ausmachen. So ist einerseits die Rede von einem Prozess der Untersuchung, Aufbereitung und Interpretation von Daten. Andererseits von einer Technik, mit der (große Mengen an) Daten aus unterschiedlichen Quellen miteinander kombiniert und in Beziehung gesetzt werden können. Zur Anwendung kommt Data Analytics dabei in ganz verschiedenen Bereichen: Von Wissenschaft über Wirtschaft, von Gesundheitsbranche bis zur Automobilindustrie, und vielen mehr. Im Fokus stehen dabei immer die Sammlung, Überprüfung, Analyse und Interpretation von Daten.
Auch zu den Zielen von Data Analytics lässt sich ein breites Spektrum finden: Problemlösung, Informationsgewinn, Struktur in unstrukturierte Daten bringen, das Ablesen von Trends oder Prognosen oder auch einfach das Erkennen von Mustern in den Daten. Gemeinsam haben all diese Ziele, dass dabei, und somit bei Data Analytics generell, konkreter Nutzen und Mehrwert für Unternehmen generiert werden soll – sei es durch effizientere Arbeitsprozesse, eine bessere Ressourcenplanung oder tieferes Kunden- oder Marktverständnis.
Data Analytics – Methoden
Die Anwendungsfelder von Data Analytics sind vielfältig. Die verwendeten Methoden zur Datenanalyse lassen sich jedoch grob in vier Kategorien einteilen, die wir im Folgenden kurz ausführen.
Deskriptive Analyse
Bei der deskriptiven Analyse handelt es sich um eine retrospektive Betrachtung von Daten aus verschiedenen Quellen, um – dem deskriptiven (beschreibenden) Namen entsprechend – vergangene Entwicklungen zu beschreiben. Dies ermöglicht beispielsweise das Erkennen von Mustern und Trends in den Daten(sätzen). Bricht man diese Analysemethode auf eine Frage herunter, die im Fokus steht, ist es: „Was ist geschehen?“
Diagnostische Analyse
Im Gegensatz zur deskriptiven Analyse steht bei der diagnostischen Analyse nicht das „Was“ im Fokus, sondern das „Warum“. Hier geht es ebenfalls um die Analyse vergangener Entwicklungen, allerdings mit dem Fokus darauf, Erklärungen für diese Entwicklungen oder bestimmte Werte zu bestimmten Zeitpunkten zu finden.
Prädikative Analyse
Bleibt man bei der Fragen-Analogie, so wäre es bei der prädikativen Analyse: „Was wird geschehen?“ Hier werden die Erkenntnisse aus den beiden vorigen Methoden mit aktuellen Daten kombiniert, um zukünftige Ereignisse zu prognostizieren. Sie wird unter anderem zur Vorhersage von Risiken oder dem Kauf- und Kundenverhalten genutzt.
Präskriptive Analyse
Die präskriptive Analyse geht noch einen Schritt weiter und stellt die Frage in den Fokus, was man tun muss, um ein bestimmtes Ziel zu erreichen. Diese Methode kommt vor allem in der Strategieentwicklung zum Einsatz, da man konkret ermitteln kann, welche Maßnahmen notwendig sind, um bestimmte Ergebnisse zu erzielen.
Fazit
Zusammenfassend kann festgehalten werden, dass es sich bei Data Analytics um einen Prozess der Exploration, Transformation und Analyse von Daten aus verschiedenen Quellen handelt. Die konkreten Ziele dieses Prozesses können dabei je nach Branche, Unternehmen, Abteilung und Einsatzzweck variieren – im Fokus steht jedoch immer ein Erkenntnisgewinn durch die Umwandlung von Daten in nützliche Informationen, der dem Unternehmen wiederum einen (wirtschaftlichen) Mehrwert bietet.
Dabei kommen vier Methoden der Datenanalyse zur Anwendung – je nach vorhandenem Erkenntnisinteresse. Jede Methode hat ihre eigenen Schwerpunkte und Anwendungsbereiche, von der Beschreibung vergangener Entwicklungen bis hin zur Vorhersage von zukünftigen Ereignissen und der Entwicklung von konkreten Maßnahmen zur Erreichung von Zielen.
Welche Anwendungsfelder es für Data Analytics im Versicherungs- und Schadenbereich gibt, werden wir in Zukunft näher betrachten. Man lehnt sich allerdings bereits jetzt nicht zu weit aus dem Fenster, wenn man das sicherlich zugespitzt formulierte Zitat der Computerwoche folgendermaßen adaptiert: „Data Analytics sollte für moderne Versicherer Pflicht sein und kann – richtig eingesetzt – viele Vorteile bergen.“
