Die Zukunft der Data Science in der Versicherungsbranche: Vom Analytics-Garage- zum Fabrikmodell

Um wettbewerbsfähig zu bleiben, müssen Versicherer die Anzahl an Erkenntnissen und den Wert, den sie aus ihren Daten generieren, skalieren. In der zweiten Hälfte dieses aktuellen Webinars erklärt Sudaman Thoppan Mohanchandralal, Regional Chief Data and Analytics Officer bei Allianz Benelux, welche Schritte Versicherungsunternehmen gehen sollten, um das Potenzial von Data Science voll auszuschöpfen.

Vom Data-Science-Garagenmodell zur Analytics-Fabrik

Im Webinar beschreibt Sudaman die aktuelle Nutzung von Data Science in der Versicherungsbranche als eine Art Analytics-Garage. Unternehmen erkennen zwar, dass Big Data eine Priorität ist, aber sie nutzen Daten noch nicht durchgängig und effizient für alle Entscheidungen.

Laut IBM haben zwar 71 % der Versicherer datengestützte Produkte in ihrem Portfolio, doch vielen fehlt eine schlüssige Datenstrategie, um Data Science und Machine Learning zu skalieren. Als Zielbild empfiehlt Sudaman eine Analytics-Fabrik: Hier werden Daten in allen Entscheidungen im großen Maßstab genutzt und ermöglichen drei zentrale Vorteile:

\n
1. Enormes finanzielles Potenzial: Zahlreiche Chancen, das Kerngeschäft mit Machine-Learning-Anwendungsfällen zu skalieren.
\n
2. Vorsprung gegenüber neuen Marktteilnehmern: Datenbasierte Entscheidungen sind nötig, um gegen neue, durch Daten und Analytics getriebene Geschäftsmodelle zu bestehen.
\n
3. Neue Möglichkeiten, das Kerngeschäft zu erweitern: Durch klügere Entscheidungen im Kerngeschäft werden Ressourcen frei, um in neue Geschäftsmodelle jenseits des heutigen Kerns zu investieren. Einige dieser Next-Gen-Services beschreibt Capgemini hier.
\n

Allerdings gibt es klare Hürden, die Versicherer derzeit daran hindern, Analytics-Fabriken zu skalieren. Einige davon werden im Webinar genannt.

Hürde Nr. 1: Unklare Governance

Der erste Schritt zur Analytics-Fabrik ist eine klare Governance. In diesem Webinar beschreibt Aaren Stubberfield, Manager of Data Governance and AI bei Ingredion Inc., wie Data Governance das Geschäftsrisiko aus Datenschutzgesetzen reduziert, indem sie Transparenz über Daten schafft. Diese Klarheit erhöht zudem das Vertrauen in datengestützte Entscheidungen. McKinsey argumentiert, dass in manchen Bereichen über 30 % der Arbeitszeit für Tätigkeiten ohne Mehrwert verloren gehen, wenn Datenqualität und -verfügbarkeit aufgrund fehlender Governance schlecht sind. Eine klare Governance ist essenziell, um eine Data-Science-Fabrik aufzubauen.

Hürde Nr. 2: Mangel an Schlüsselkompetenzen

Als Nächstes gilt es, Data-Science-Kompetenzen im Unternehmen aufzubauen. Diese lassen sich in drei zentrale Rollen gliedern:

\n
1. Data Scientist: Benötigt einen Hintergrund in angewandter Mathematik sowie technische Kompetenzen in Bereichen wie Data Mining, Statistik, Machine Learning und Informatik. Hauptaufgabe ist die Entwicklung von Algorithmen für relevante Anwendungsfälle.
\n
2. Analytics Engineer: Verfügt in der Regel über einen Data-Science-Hintergrund mit stärkerem Fokus auf Informatik und Programmierung. Aufgabe ist es, die Algorithmen der Data Scientists für produktive Umgebungen skalierbar zu machen.
\n
3. Analytics Translator: Bringt Data-Science- und Business-Know-how zusammen. Übersetzt Geschäftsprobleme in technische Anforderungen und interpretiert Modellergebnisse in geschäftliche Lösungen.
\n

Diese Kompetenzen im großen Maßstab zu entwickeln, ist angesichts des Mangels an Datentalenten herausfordernd. Deshalb müssen Organisationen intern weiterbilden und eine Lernkultur schaffen. Alle drei Rollen sind nötig, um die Data-Science-Fabrik zu erreichen.

Sind diese Rollen besetzt, lassen sich Projekte mit schnellen Erfolgen auswählen, um das Potenzial der Fabrik zu belegen. Diese Quick Wins können anschließend systematisiert und in die Produktion überführt werden, sodass der Analytics-Prozess als Full-Stack-Datenprodukt skaliert. Diese Vorteile entstehen, wenn du das richtige Team aufbaust und den Talentmangel intern adressierst.

Hürde Nr. 3: Fehlende Einbindung der Mitarbeitenden an der Kundenschnittstelle

Der dritte Schritt ist die Einbindung der Mitarbeitenden an der Frontline. Alle im Unternehmen müssen datenkompetent sein. Mitarbeitende mit Kundennähe müssen die eingesetzten Systeme verstehen. Sie müssen erklären können, warum sie einen bestimmten Service empfehlen oder wie Preise zustande kommen. Wirksame Kundengespräche, die für den Aufbau einer Analytics-Fabrik unerlässlich sind, entstehen durch die Einbindung der Frontline. Hier kommt der Aufbau einer Datenkultur ins Spiel — darüber hat Sudaman in einem weiteren DataCamp-Webinar gesprochen.

Hürde Nr. 4: Aufmerksamkeit des Managements

Schließlich muss das Management eingebunden sein, damit die Fabrik funktioniert. Führungskräfte müssen eng mit den Datenteams zusammenarbeiten, um organisatorischen Wandel voranzutreiben. Sie sollten ihr Geschäftsverständnis und ihre Expertise nutzen, um aus den von den Datenteams entwickelten Technologien finanziellen Impact und Mehrwert für das Unternehmen zu generieren. Ohne die nötige Aufmerksamkeit der Entscheidungsträger lassen sich die Vorteile der Fabrik nicht realisieren.

Wenn du mehr darüber erfahren möchtest, wie Versicherer ihre Analytics-Garagen zu Fabriken skalieren können, schau dir das On-Demand-Webinar an.