Versicherungsbetriebe > Strategie

30.05.2018 von Michaela Tiedemann, Chief Marketing ­Officer bei der Alexander Thamm GmbH

5 KI-Trends für die Versicherungsbranche

Auf Versicherungen kommen durch technologische Entwicklungen grundlegenden Veränderungen zu. Beispielsweise ermöglicht die Blockchain-Technologie, genauer gesagt Smart ­Contracts, völlig neue Geschäftsmodelle. Auch die rasanten ­Entwicklungen im Bereich der KI stellen eine erhebliche Herausforderung für die Branche dar. 

Frühe Erfahrungen mit KI sind lohnenswert, weil die Technologie vielversprechend ist

Und diese Herausforderung besteht insbesondere darin, solche Entwicklungen als Chance zu begreifen und sie in einen produktiven Nutzen zu übersetzen.

1. KI-gestütztes Claim Management

Einen aufwendigen Prozess im Versicherungsalltag stellt die Bewertung von Versicherungsansprüchen dar. Eine fundierte Bewertung basiert auf Informationen aus heterogenen und teilweise noch analogen Kundendokumenten. Das stellt Versicherer vor zwei Herausforderungen: Die Analyse der Unterlagen zum einen und deren Digitalisierung zum anderen. Eine Lösung für beide Probleme ist der Einsatz Künstlicher Intelligenz, genauer gesagt, der Einsatz ­Maschinellen Lernens. Lernfähige Erkennungsalgorithmen helfen Versicherungen dabei, Dokumenttypen zu klassifizieren und besonders wichtige Abschnitte zu identifizieren. Digitale Bildverarbeitungs- und Texterkennungsalgorithmen erschließen zudem ein großes Automatisierungspotenzial, wenn es um die Auswertung von analogen Dokumenten geht. Ein KI-gestütztes Claim Management führt zu einer größeren Effizienz im Nachforderungsmanagement und leistet zudem einen wesentlichen Beitrag zur Digitalisierung.

2. Kundenspezifische Bedarfsprognose: Life-Changing Events

Die weiterhin anhaltende Niedrigzinsphase sorgt auch dafür, dass die Vielfalt an Lebensversicherungen ansteigt, um diese weiterhin für Versicherte attraktiv gestalten zu können. Lebensversicherungen werden zudem in sehr unregelmäßigen Intervallen gekauft – manchmal sogar nur einmal im Leben. Umso wichtiger ist es für Versicherer beziehungsweise deren Marketing- und Sales-Abteilungen, die entscheidenden Momente im Leben zu erkennen, in denen eine Lebensversicherung interessant wird. Die Kaufentscheidung erfolgt häufig nach lebensverändernden Ereignissen, wie dem Erreichen eines bestimmten Alters, der Heirat oder der Geburt eines Kindes. Kunden­bezogene Lebensdaten wie sie etwa in der Verkaufshistorie verfügbar sind, ermöglichen eine punktgenaue Vorhersage dieser Ereignisse. Versicherungen können mit Hilfe von Data Science eine kunden­individuelle Bedarfsprognose erstellen, Kunden gezielt ansprechen und bedarfs­orientierte Angebote machen.

3. Customer Clustering zur optimalen Kundenansprache

Während es bei der Bedarfsprognose um die Vorhersage von zukünftigen Ereignissen geht, ist das Ziel von Customer Clustering ein besseres Verständnis der verfügbaren Daten. Denn ein weiteres wichtiges Element bei einer gezielten und optimierten Kundenansprache stellt die Identifikation von relevanten Kundengruppen dar. Dabei ist die Ermittlung der Kriterien einer sinnvollen Kundensegmentierung für Vertriebs- und Marketingzwecke oft schwer. In diesem Fall werden sogenannte „Unsupervised-Machine-Learning“-Techniken, eine spezielle Form der Künstlichen Intelligenz, benutzt. Dabei erkennt ein Algorithmus Ähnlichkeiten in großen Datensätzen. Dafür wird eine Kombination aus Bestandsdaten und externen Daten verwendet, in denen Gemeinsamkeiten erkannt und gruppiert werden sollen (Clustering). Die Ergebnisse dieses Prozesses führen zu einer Kundensegmentierung, die dazu genutzt werden kann, die jeweilige Kundengruppe optimal anzusprechen.

4. Deep Learning im Gesundheits­bereich: Second Medical Opinion

Mehrere Studien kamen zu dem Ergebnis, dass durchschnittlich 15 - 20 Prozent aller Diagnosen falsch oder teilweise fehlerhaft sind. Durch die großen Fortschritte im Bereich der Künstlichen Intelligenz kann der Anteil an Fehldiagnosen künftig signifikant reduziert werden. Intelligente Algorithmen können in wenigen Minuten viele Millionen Fälle miteinander vergleichen und archivierte Bild- und Textdatenbanken in die aktuellen Diagnosen einbeziehen. Ärzte können auf diese Weise ihre eigenen Diagnosen untermauern oder im Zweifel überprüfen lassen. Patienten steht wiederum eine einfache Möglichkeit zur Verfügung, mit geringem Aufwand eine zweite Meinung einzu­holen. Dadurch steigt die Wahrscheinlichkeit eine richtige Diagnose zu erhalten. Die Second Medical Opinion bedeutet für Versicherungen ein enormes Einspar­potenzial. Nicht nur die Anzahl von Fehlbehandlungen können durch den Einsatz von KI reduziert werden, sondern auch die damit verbundenen Rechtsstreitig­keiten und Schadensersatzforderungen werden drastisch reduziert.

5. Chatbots in der Kundenkommunikation

Jeder Smartphone-Nutzer hat inzwischen erste Erfahrungen mit Chatbots beziehungsweise Digitalen Assistenten gemacht. Der Google Assistent, Siri, Cortana oder Alexa erlernen immer mehr die ­Fähigkeit, mit uns Menschen in dialogischer Form und mithilfe der natürlichen Sprache zu kommunizieren. Versicherungen können solche digitalen Assistenten beispielsweise in der Kundenkommunikation einsetzen. Wenn die Chatbots mit ausreichend Intelligenz ausgestattet werden, können sie Anfragen kategorisieren, priorisieren und dem entsprechenden Ansprechpartner in der Versicherung zuordnen. Interessenten, die auf der Suche nach Informationen zu einem Versicherungsprodukt sind, müssen sich nicht mühsam durch Suchergebnisse klicken. Sie können einfach einen Chatbot fragen, was sie wissen wollen. Da Chatbots die Möglichkeit haben, Fragende zu einem späteren Zeitpunkt wiederzuerkennen, können sie sehr viel besser auf deren Bedürfnisse eingehen und die Kommunikation kann personalisiert stattfinden.

KI als Chance 

Der Einsatz von KI kann der Versicherungsbranche auf sehr unterschiedliche Weise enorme Vorteile verschaffen. Die fünf hier vorgestellten KI-Trends sind nur eine kleine Auswahl, die bereits erprobte Fallbeispiele repräsentieren. Dabei ist ein wichtiger Punkt zu beachten: die lernfähigen Algorithmen werden mit der Zeit immer besser und können nach einer Test­phase ihr volles Potenzial entfalten und als hochspezialisierte Individuallösung im ­Arbeitsalltag integriert werden.