Warum Data Analytics und Schadenmanagement zusammenpassen, und welche konkreten Use Cases es gibt, haben wir in unseren vorigen Blogartikeln in unserer Data Analytics-Reihe erklärt. Der Mehrwert, den Data Analytics im Schadenmanagement bieten kann, ist unbestreitbar. Aber wie bei vielen Dingen, kann man auch hier sagen: Großer Nutzen ergibt sich nicht von selbst. Bei der Implementierung von Data Analytics müssen bestimmte (Erfolgs)faktoren beachtet werden. Gleichzeitig gibt es eine Reihe an Herausforderungen, die erschwerend einwirken. Im Folgenden gehen wir näher auf diese Erfolgsfaktoren und Herausforderungen bei der Implementierung von Data Analytics im Schadenmanagement ein.
Erfolgsfaktoren bei der Implementierung von Data Analytics im Schadenmanagement
Damit die Implementierung von Data Analytics im Schadenmanagement erfolgreich ist, müssen Versicherungsunternehmen einige wichtige Faktoren berücksichtigen. Dazu gehören:
- Datenqualität & -verfügbarkeit – Geeignete Datenquellen und Datenaufbereitung: Um aussagekräftige Erkenntnisse aus Daten gewinnen zu können, müssen Versicherer sicherstellen, dass ihre Datenquellen eine ausreichende Datenqualität bieten. Daten sollten (idealerweise strukturiert) verfügbar sein. Sie müssen mit Blick auf Datenqualität und -konsistenz entsprechend aufbereitet werden. Darüber hinaus müssen sie fachlich qualifiziert werden (hinsichtlich ihrer Aussage, Transformation, etc.) sowie performant und frei abrufbar sein (mehr dazu weiter unten). Der Anforderungskatalog ist also nicht gerade klein. Eine sorgfältige Beachtung dieser Faktoren ist allerdings von entscheidender Bedeutung, um sicherzustellen, dass Daten für anschließende Analysen und Handlungen geeignet sind.
- Faktor Mensch – Fachkundige Mitarbeitende und Expert:innen: Darüber hinaus brauchen Versicherer Fachkräfte, die fundierte Kenntnisse – sowohl in Bezug auf Daten als auch den Versicherungs- und Schadenbereich – mitbringen. Darüber hinaus müssen Mitarbeitende auch noch dazu in der Lage sein, die technischen Analyseanforderungen (mehr dazu unter dem Faktor Technik) umzusetzen. Nur wenn diese Kenntnisse vorhanden sind, besteht die Grundlage dafür, die Daten aussagekräftig zu analysieren, aus den gewonnen Erkenntnissen Handlungsempfehlungen abzuleiten sowie diese Empfehlungen in entsprechende Handlungen umzusetzen.
- Faktor Technik – Investitionen in IT-Infrastruktur und Analysetools: Eine geeignete IT-Infrastruktur ist ein weiterer wichtiger Erfolgsfaktor. Versicherungsunternehmen müssen hier geeignete Rahmenbedingungen schaffen, etwa durch Data Warehouses, eine entsprechende Hardware-Ausstattung und passende Analyse-Software. Grade beim letzten Punkt sollte darauf geachtet werden, dass die Software einerseits – mit Blick auf den Faktor Mensch – eine möglichst niedrige Einstiegshürde besitzt. Andererseits sollte sichergestellt werden, dass sie eine ausreichende Analysefunktionalität (auch für Experten) besitzt.
- Faktor (Daten-)Organisation: Letztlich muss auch sichergestellt werden, dass die Organisation der Daten entsprechend zielführend angegangen wird. Hier bedarf es Überlegungen und Investitionen in die Themen Data Governance, Data Ownership und Data Catalogue, um sicherzustellen, dass die notwendigen organisatorischen Bedingungen gegeben sind, um Data Analytics mehrwertbietend nutzen zu können.
Herausforderungen bei der Implementierung von Data Analytics im Schadenmanagement
Bei der Implementierung von Data Analytics im Schadenmanagement gibt es auch einige Herausforderungen, die man berücksichtigen muss. Dazu gehören:
- Datenschutz und Datensicherheit: Datenschutz ist zwar keine neue, aber eine anhaltend große Herausforderung. Versicherungsunternehmen müssen sicherstellen, dass die Verwendung von Daten im Einklang mit den geltenden Datenschutz- und Datensicherheitsvorschriften erfolgt. Hierzu gehört beispielsweise die Einhaltung der Datenschutzgrundverordnung (DSGVO).
- Compliance mit weiteren (rechtlichen) Vorschriften: Neben dem Datenschutz, der auf den Schutz von (Einzel)Personen abzielt, müssen Versicherungsunternehmen sicherstellen, dass ihre Datennutzung auch im Einklang mit anderen geltenden (rechtlichen) Vorschriften erfolgt. Diese Vorschriften können in unterschiedlichen Formen auftreten: von Industriestandards, über Gesetzte auf Landes- oder Bundesebene bis hin zu supranationalen Vorschriften zum Umgang mit Daten. Ein Beispiel wäre hier etwa das Versicherungsvertragsrecht oder die Versicherungsaufsichtlichen Anforderungen an die IT (VAIT).
- Akzeptanz der Mitarbeitenden und Veränderung des Arbeitsumfelds: Die Einführung von Data Analytics im Schadenmanagement erfordert auch eine Veränderung des Arbeitsumfelds und der Arbeitsabläufe – Stichwort Change Management. Hier müssen Unternehmen Mitarbeitende rechtzeitig abholen und auf diesem Prozess begleiten, um sicherzustellen, dass die Veränderungen erfolgreich umgesetzt werden können. Das Mitnehmen der Mitarbeitenden kann dabei ganz verschiedene Formen annehmen: Von Workshops mit externen Dienstleistern über Schulungen bis hin zu Coachings für Führungskräfte oder ganze Abteilungen ist vielen möglich.
Fazit
Insgesamt bietet die Nutzung von Data Analytics im Schadenmanagement Versicherern zahlreiche Möglichkeiten, um Prozesse zu optimieren und Kosten zu senken. Die erfolgreiche Implementierung von Data Analytics erfordert jedoch sorgfältige Planung und Umsetzung, um sicherzustellen, dass die Datenqualität hoch ist, die Mitarbeiter die Veränderungen akzeptieren und die geltenden Datenschutzvorschriften eingehalten werden. Die Frage, wie Data Analytics im Schadenmanagement (erfolgreich) geht, lässt sich also pauschal nicht beantworten. Die Antwort ist abhängig von der Ausgangssituation des jeweiligen Versicherers. Sicher ist jedoch: Es ist ein Prozess, der an vielen Stellen Planung und Expertise voraussetzt. Wir bei Eucon haben diese Expertise und stehen gerne jederzeit für einen Austausch bereit.
