Preisentwicklungen, Kostentreiber und Einsparpotenziale kontinuierlich im Blick zu behalten war für Versicherer schon immer wichtig. Aktuell beginnt – nicht nur im Versicherungssektor, aber dort ganz besonders – jedoch zusätzlich eine Phase stark erhöhten Kostenoptimierungsdrucks, die es notwendig macht, Einsparpotenziale zu verwirklichen.
Schadenkosten optimieren – Oberflächliche Daten als Hindernis
Ein großer Hebel, hier aktiv zu werden, ist die Kostenoptimierung der Schadenregulierung. Was als potenzielle Lösung erstmal recht einfach klingt, gestaltet sich in der Praxis jedoch ausgesprochen schwierig. Wäre es so einfach, die eigenen Schadenkosten zu optimieren, würde sich die Frage stellen, warum Versicherer nicht längst sämtliche Optimierungsmöglichkeiten ausgeschöpft haben.
Die Antwort hierauf ist ebenfalls einfach: Es fehlen konkrete Punkte, an denen angesetzt werden kann. Zwar besitzen Versicherer große Datenmengen, darunter auch solche zu Schaden- und Auszahlungshöhe, diese Daten sind aber nur auf Gesamtkostenebene oder maximal nach Leistungsarten aufgeschlüsselt verfügbar. Diese Datengrundlage und Preistransparenz lassen prinzipiell eine generelle Identifikation von Problemen oder negativen Trends zu. So kann zum Beispiel festgestellt werden, dass die eigenen Kosten für die Leistungsart Maler & Lackierer über die letzten fünf Jahre stetig gestiegen sind. Konkrete Erklärungen für Kostenanstiege dieser Art oder Informationen dazu, ob der Markt beziehungsweise andere Versicherer diese Entwicklungen genauso erleben, lassen sich allerdings mit der verfügbaren Datentiefe nicht oder nur schwer finden. Das vorhandene Level an Preis- und Markttransparenz ermöglicht bestenfalls Zufallstreffer (zum Beispiel aus operativer Erfahrung) auf der Suche nach konkreten Kostentreibern und Optimierungspotenzialen.
Feingranulare Daten als Lösung?!
Was Versicherern aktuell folglich noch fehlt, ist die Möglichkeit, durch feingranulare Daten Erklärungen zu finden, Marktvorhersagen genauer anzupassen und damit Regulierungspraktiken und folglich die eigenen Kosten besser planen zu können. Wären Daten zu Schadenkosten nicht nur auf Gesamtkostenebene oder nach Leistungsart getrennt verfügbar, sondern bis auf die Einzelkostenpositionen aufgeschlüsselt und klassifiziert, könnte man hier die eigenen Daten nutzen, um auf dieser Ebene Vergleiche mit marktüblichen Preisen durchzuführen. Dadurch könnten konkrete Kostentreiber identifiziert und daraufhin Maßnahmen ergriffen werden, um die eigenen Schadenkosten zu optimieren.
Zieht man erneut gestiegene Kosten in der Leistungsart Maler & Lackierer als Beispiel heran, so ließe sich etwa feststellen, ob die Kosten des Marktes ebenso gestiegen sind. Falls nicht, könnte man weiter in die Tiefe gehen und etwa Material- oder Lohnkosten genauer unter die Lupe nehmen. Stellt man hier fest, dass man überdurchschnittlich hohe Lohnkosten zahlt, könnte man auch diese weiter aufschlüsseln und so zum Beispiel feststellen, ob sich der Stundenlohn erhöht hat oder die Arbeitszeit, die Maler und Lackierer für einen Schaden brauchen, gestiegen ist. So könnte man eine konkrete Erklärung für den Anstieg der Schadenkosten finden. Ein Vergleich mit dem Markt – entweder deutschlandweit oder lokal – könnte dann beispielsweise offenbaren, dass dieser durchschnittlich einen geringeren Stundelohn für diese Handwerkssparte zahlt. Diese Daten und Erkenntnisse könnten dann beispielsweise die Grundlage für (Nach)verhandlungen bilden.
Gründe für den Mangel feingranularer Daten
Auch hier klingt die Theorie leichter als sich die Praxis gestaltet. Kein Versicherer, Data Analyst oder CEO würde widersprechen, dass detailliertere Daten und tiefere Insights einen Mehrwert bieten können, sofern man in der Lage ist, aus diesen Daten entsprechende Schlüsse zu ziehen. Bezüglich detaillierter Daten ergeben sich allerdings sowohl bei der Erfassung der Markt- als auch der Analyse der eigenen Daten Probleme.
Mit Blick auf die Marktdaten, die einen Benchmarkvergleich der eigenen Kosten mit denen des Marktes erlauben würden, ist offensichtlich, dass einzelne Versicherer weder Zugang zu diesen Daten haben noch die Kapazitäten, solch eine immense Datenmenge zu erfassen, zu analysieren und zu interpretieren.
Hinsichtlich der eigenen Daten ergibt sich eine ähnliche Herausforderung. Wie bereits gesagt, besitzen Versicherer große Datenmengen – oft in Data Warehouses oder Data Lakes organisiert und inzwischen auch im Rahmen ganzer Datenstrategien, die Teil der Digitalisierungstrategien sind. Feingranulare Daten waren und sind (heute oftmals immer noch) bei Versicherern jedoch historisch bedingt nur unstrukturiert – etwa in Form von Papier- oder PDF-Rechnungen – vorhanden. Daher ist auch keine Architektur für die Ablage und Verwertung solcher strukturierten Daten gewachsen. Dies nachzuholen und eine solche Struktur aufzubauen, ist zwar ein immenser Aufwand, aufgrund des potenziellen Nutzens aber definitiv ein Investment wert – egal ob intern oder extern.
Fazit
Die Versicherungsbranche befindet sich in einer Phase stark erhöhten Kostenoptimierungsdrucks. Die Kostenoptimierung der Schadenregulierung könnte einen geeigneten Weg darstellen, Einsparpotenziale zu realisieren. Um diesen Weg zu gehen, reichen die aktuell vorhandene Datentiefe und Preistransparenz jedoch nicht aus. Halbjährlich oder jährlich veröffentlichte Marktdaten, mit denen man sich dann mühsam selbst manuell vergleichen muss, sind hierzu unzureichend.
Die Lösung – die Optimierung der eigenen Schadenkosten durch regelmäßig aktualisierte und umfassende strukturierte Daten in feingranularer Ausprägung – ist also ebenso offensichtlich wie für Versicherer aktuell noch schwer zugänglich. Unter den aktuellen wirtschaftlichen Bedingungen wäre Zugang zu solchen Daten für Versicherer allerdings essenziell wichtig, um wettbewerbsfähig zu bleiben und Planungssicherheit zu erhöhen.
Seit dem 01.04.23 bieten wir als Daten- und Digitalisierungspartner Versicherern durch unser neues Produkt Claims Data Intelligence (CDI) eine Lösung für diese Probleme. Mehr dazu erfahren Sie HIER!
