Zuverlässige Daten sind für Versicherungen ein wesentlicher Erfolgsfaktor. Umso mehr in Zeiten der Digitalisierung, wo sich neue Chancen durch Multikanalkommunikation, neue Produkte und Service-Komponenten sowie innovative Geschäfts- und Partnering-Modelle ergeben. Jedoch benötigen Versicherungen hierzu Fähigkeiten, die weit über traditionelle Stammdatenverwaltung hinausgehen.

Digitalisierung beeinflusst die komplette Wertschöpfungskette von Versicherungen

Die Digitalisierung beeinflusst die gesamte Versicherungs-Wertschöpfungskette, von der Produktentwicklung über den Vertrieb und Betrieb bis hin zum Schaden- und Asset-Management. Beispiele hierfür sind:

  • IoT-Ansätze ermöglichen neue Geschäftsmodelle oder Services. So können dank Smart Home, Smart Health und Telematik neue Versicherungsprodukte entwickelt oder mit nutzbringenden Services erweitert werden. Zudem werden Servicemodelle, die durch Predictive Maintenance Schäden erst gar nicht entstehen lassen, möglich.
  • Aufgrund zusätzlicher Informationen kann das Risiko beim Vertragsabschluss besser eingeschätzt werden. Das risikoadäquate Pricing verbessert sich dadurch.
  • Die Kundenschnittstelle soll multikanalfähig werden, indem Kunden ihre Kanäle zu jedem Zeitpunkt beliebig wählen können.
  • Prozesse werden mit künstlicher Intelligenz weiter automatisiert und verbessert, z.B. indem Schäden automatisch geschätzt und auf Betrug geprüft werden können. Chatbots werden den 1st Level Support zumindest teilweise ersetzen.

Kern der Digitalisierung sind Daten

All diesen Digitalisierungsbeispielen ist gemeinsam, dass sie stark datengetrieben sind. Denn u.a. durch den Einsatz von IoT-Technologie werden große Datenmengen generiert, die von den Versicherern im Rahmen der Geschäftsvorfälle verarbeitet oder für Customer Analytics und Machine-Learning-Verfahren genutzt werden.

Die Digitalisierung erhöht zudem den Bedarf, sich flexibel in digitalen Ökosystemen vernetzen zu können. Versicherer gehen verstärkt Partnerschaften mit technologiegetriebenen Start-ups wie InsurTechs, FinTechs oder digitalisierten Brokern ein. Grundvoraussetzung für jede Art von Partnering ist der Austausch von zuverlässigen, strukturierten Daten.

Es ist also nicht überraschend, dass die Verfügbarkeit und Auswertbarkeit der Daten entscheidend für die Umsetzung neuer digitaler Versicherungs-Geschäftsmodelle, -Produkte und –Services ist. Zur systematischen Erhebung und strukturierten Analyse dieser Daten setzen Versicherungen verstärkt auf Big Data und den Einsatz von Analytics-Verfahren – auch wenn Big Data bei vielen Versicherern noch in den Kinderschuhen steckt.

Erfolgreiche Datenanalyse durch moderne Stammdatenverwaltung

Eine Grundvoraussetzung für eine erfolgreiche Datenverarbeitung sind qualitativ hochwertige Stammdaten (Master Data). Das war schon immer so, doch Versicherer sind mit rasant steigenden Datenmengen in digitalen Prozessen oftmals überfordert, weil sie die benötigten Fähigkeiten über traditionelle Stammdatenverwaltung weit hinausgehen.
Und auch wenn intelligente Analytics-Systeme inzwischen in der Lage sind, aus unstrukturierten Daten nutzbare Erkenntnisse zu ziehen, befreit dies nicht von klaren Datenstrukturen. Im Gegenteil: Damit Analysen zielgerichtet erfolgen können, müssen Such- und Ergebnisräume strukturiert vorliegen. So sind Machine-Learning-Algorithmen überhaupt nur dann in der Lage, Ergebnisse zu erzielen, wenn die Lernverfahren klare Datenstrukturen für ihre Input- und Outputdaten vorgegeben bekommen.

Für Versicherungen ist dies eine besondere Herausforderung, da sie über historisch gewachsene und siloartige Datenbestände verfügen. Einige Versicherer erinnern sich sicher noch an die Großprojekte zur Erfüllung der Anforderungen des „Code of Conduct Datenschutz“. Dieser schreibt vor, dass Versicherer in der Lage sein müssen, Kundendaten nach einem definierten Zeitraum zu löschen. Doch viele Versicherer mussten dazu erst einmal ihre Datenbestände analysieren und harmonisieren. Die Anforderungen der Digitalisierung verstärken diesen Bedarf noch weiter. Daher ist eine geordnete Datenbereinigung, ein strukturierter Datenpflegeprozess sowie die zugehörige Governance unabdingbar.

Was ist zu tun?

Um Stammdatenmanagement im Versicherungsunternehmen vorzubereiten, empfiehlt es sich, drei Bereiche zu betrachten. Hierbei sollten Daten- und Architektur-Experten gemeinsam vorgehen:

  1. Daten- und Anwendungsmanagement: Ausgehend vom Verständnis der Digitalisierungs-Anforderungen des Unternehmens werden die Auswirkungen auf die Stammdatenverwaltung und Analysebedarfe ermittelt. In diesem Zusammenhang wird die Anwendungslandschaft hinsichtlich der verwendeten und ausgetauschten Stammdaten untersucht. Die Datenverteilung sowie Datenflüsse werden optimiert und die Bereinigung der Daten – zum Beispiel durch eine Beseitigung von Dubletten bei den Partnerdaten – wird vorbereitet.
  2. Technologie/Systeme: Der technische Status quo der Datenhaltung wird analysiert. Entsprechend werden die vorhandenen Daten z.B. in Partner-, Bestands- und Schadensystemen ermittelt und mögliche Optimierungen hinsichtlich der verwendeten technischen Architektur und Datenhaltung identifiziert. Dies schließt die System-Anforderungen an Datenbereinigung, Migration sowie Datenarchivierung mit ein.
  3. Governance, Prozesse und Steuerung: Hier werden die erforderlichen Steuerungsmechanismen festgelegt wie die Datenmanagement-Strategie, Datenpflegeprozesse und Prozesse zur Qualitätssicherung.
    Eine übergreifende Daten-Governance ist von zentraler Bedeutung. Hierzu gehört die Entwicklung eines gemeinsamen Verständnisses für die zukünftige Data-Governance-Strategie unter Beteiligung aller Betroffenen.

Die Konzeption und Umsetzung einer umfassenden Master-Data-Management-Strategie muss alle drei Bereiche beinhalten. Für eine individuelle und strukturierte Lösung empfiehlt sich in einem ersten Schritt ein Health Check der Stammdatenverwaltung im Versicherungsunternehmen mit einer ganzheitlichen Sicht auf die Stammdaten.

Fazit

Digitale Trends, neue Geschäftsstrategien und Technologien beeinflussen die Versicherungsbranche. Da Digitalisierung stark datengetrieben ist, ist eine hohe Datenqualität unabdingbar, um die digitale Transformation erfolgreich meistern zu können. Master Data Management hilft, die erforderlichen Datenstrukturen und ‑prozesse zu etablieren und die erforderliche Datenqualität sicherzustellen.

Wie hat Ihnen dieser Beitrag gefallen?