Basis die Versicherungswirtschaft

Transkript

1 Moderne Modernstestatistische mathematische Methoden Verfahrenals für Basis die Versicherungswirtschaft für individualisierte Risikovorhersage in Theorie und Praxis Prof. Dr. Dr. Michael Feindt Feindt Institut für Experimentelle Kernphysik Vorstand Universität CETA Karlsruhe Inst. f. Exp. Kernphysik Universität Wissenschaftlicher Karlsruhe Beirat der Wissenschaftlicher Phi-T Physics Beirat Information Technologies GmbH Phi-T Physics Information Technologies GmbH 1

2 Modernste mathematische Verfahren für die Versicherungswirtschaft in Theorie und Praxis Prof. Dr. Michael Feindt Vorstand CETA Universität Karlsruhe Wissenschaftlicher Beirat Phi-T Physics Information Technologies GmbH 2

3 Zufall Rein zufällige Ereignisse sind prinzipiell nicht vorhersagbar (auch bei genauer Kenntnis der Ausgangssituation!) Beispiele hierfür sind: Lottozahlen radioaktiver Zerfall 3

4 Vorhersehbar Bei einfachen, mechanischen Prozessen ist das Ergebnis exakt vorhersagbar (eine Ursache erzeugt eine eindeutige Wirkung) Beispiele hierfür sind: Pendel, Planetenbahnen, Billard, 4

5 Wahrscheinlichkeit Viele Systeme: Mischung aus vorhersagbarer Komponente und Zufallskomponente. Wahrscheinlichkeitsaussage, Statistik individueller Kunde Mustermann mittlerer Kunde In diesem Vortrag: Extraktion der vorhersagbaren Komponente Individualisierung von Wahrscheinlichkeitsaussagen 5

6 Die <phi-t> Idee > Jahrelange Erfahrung in schwierigsten statistischen Analysen in internationaler Spitzenforschung am DESY, CERN, Fermilab und an der Universität Karlsruhe. > Entwicklung vieler großer Software-Projekte mit modernsten neuronalen Methoden gegen starke Konkurrenz. > Durchführung von Vorlesungen und Seminaren über moderne statistische Methoden. > Entwicklung des NeuroBayes -Algorithmus zur Vorhersage bedingter Wahrscheinlichkeitsdichten. 6

7 LEP / LHC Large Electron Positron Collider Größter Teilchenbeschleuniger der Welt am CERN/Genf Kollisionen pro Sekunde, Jede 10 Mio. Kollisionen ein interessantes Ereignis. Data Mining ist eine große Herausforderung 7

8 Quantenmechanik: Jedes Mal passiert etwas anderes! OPAL Experiment am LEP 8

9 Stecknadeln im Heuhaufen... 9

10 Datenanalyse und statistische Methoden Optimiert durch weltweiten Wettbewerb, aus den begrenzten und teuren Daten möglichst viele neue physikalische Erkenntnisse zu extrahieren. 10

11 <phi-t> NeuroBayes Neuronale Netzwerke: Selbstlernende Verfahren, der Natur nachempfunden Frontal Lobe Motor Cortex Parietal Cortex Temporal Lobe Brain Stem Occipital Lobe Cerebellum 11

12 Neuronale Netze Input Die Information (das Wissen, die Expertise) steckt in den Verbindungen zwischen den Nervenzellen Seit 1986 auf Computer simulierbar. Einige Schwachpunkte: --nicht robust --Lernen schwierig --Übertrainieren möglich Output 12

13 NeuroBayes Prinzip Lernen von komplizierten Zusammenhängen zwischen vielen beschreibenden Größen heute und einer binären oder kontinuierlichen Zielvariablen in der Zukunft aus bestehenden Datenbanken mittels neuronaler Netzwerke. Robustheit und weitgehende Automatisierung durch intelligentes und ständig weiter entwickeltes Preprocessing. Automatische Überwachung der statistischen Signifikanz: Auf Bayes schem Theorem basierende Regularisierungsverfahren sorgen dafür, dass statistisches Rauschen unterdrückt wird: Nur echte Dynamik wird gelernt! Sichere und möglichst differenzierende Prognose für die Zukunft! NeuroBayes ist ein universell einsetzbares Top-Prognose Tool! 13

14 NeuroBayes Prinzip NeuroBayes Teacher: Lernen von komplizierten Zusammenhängen aus bestehenden Datenbanken NeuroBayes Expert: Prognosen für unbekannte Daten Signifikanzkontrolle Input Preprocessing Postprocessing Output 14

15 Vergleich mit konventionellem neuronalen Netz (von Experten optimiert) Quelle: Doktorarbeit Ulrich Kerzel, 2005, Univ. Karlsruhe. Elektronenidentifikation für das CDF-Experiment am Fermi National Laboratory, Chicago 15

16 CDF Experiment Fermilab, USA Sehr klare Anreicherung vom Signal des 2004 neu entdeckten Teilchens X(3872) durch NeuroBayes 16

17 Direkter Wettbewerb Data-Mining-Cup 2005: Erkennen von Betrug im Internet-Handel 531 Teilnehmer aus 176 Universitäten aus 41 Ländern. 6 Karlsruher Studenten haben von Phi-T NeuroBayes zur Verfügung gestellt bekommen: Top-Platzierungen: Positionen 2,3,4,5,6,7! 17

18 Direkter Wettbewerb II Platz 1 (RWTH Aachen) statistisch nur unsignifikant besser. Hat fast 1 Monat Preprocessing per Hand von ca. 12 Personen erfordert. NeuroBayes- Lösungen extrem robust, durch automatisches Preprocessing und Bayes sche Regularisierung sehr gute Performance garantiert! Erste vollautomatische NeuroBayes-Lösung (5 Minuten nach Schreiben des Interfaces, 2 Stunden nach Veröffentlicheung der Aufgabe) wäre schon auf Platz 19 gelandet! Diese Spitzenlösungen hätten allein im Weihnachtsgeschäft 2004 mehr als Einsparung gegenüber Nichtstun gebracht. (Lösungen ab Platz 131 hätten sogar zu noch größerem Verlust geführt) 18

19 Historie NeuroBayes -Spezialisierung für die Wirtschaft in Universität Karlsruhe Okt. 2002: GmbH gegründet, erste bezahlte Aufträge Juni 2003: Umzug in neues Büro 199 qm IT-Portal Karlsruhe Exklusivrechte für NeuroBayes. Sehr erfolgreiche Referenzprojekte: Badische Versicherungen BGV dm drogerie markt Otto-Versand 19

20 Anwendungen für Versicherungen Vorhersage des Risikos, dass von individuellen Kunden ein Schaden gemeldet wird. Vorhersage der Verteilung der Schadenhöhe im Fall einer Schadensmeldung für individuelle Kunden. Vorhersage des individuellen Großschaden-Risikos. Kundenbewertung (erwarteter Gewinn/Verlust durch einzelne Kunden) Vorhersage der Kündigungswahrscheinlichkeit individueller Kunden. Entwurf gerechterer und profitablerer Tarifsysteme. Aufdeckung von Versicherungsbetrug. 20

21 Mögliche Eingabedaten in der Kfz-Versicherung persönliche Daten: Alter, Geschlecht, Beruf, Wohnort, jährliche Kilometerleistung, Benutzungsbeschränkungen, Mitfahrer Fahrzeugdaten: Fahrzeugtyp, Motorleistung, Baujahr, Farbe, Garagenwagen, Tuning- Extras,... Versicherungsdaten: letzte Schadenssumme, Zeit seit letzter Schadensmeldung, Schadenfreiheitsrabatt, Art der letzten Versicherung (Haftpflicht, Kasko etc.) Vorhandene Expertenmodelle: GDV-Empfehlung, Prämie nach bisherigem Modell, Prämie nach Alternativmodell 21

22 Korrelationen werden sichtbar im Ramler-Plot 22

23 Korrelationen zur Zielvariablen im Ramler II-Plot 23

24 Monte Carlo Simulation Phi-T-Bayes sches Regularisierungsverfahren im Preprocessing: Beispiel: Kfz-Herstellerklasse mit 0,4% Anteil an Gesamtstatistik Schätzwert für Schadenswahrscheinlichkeit in Abhängigkeit von Gesamtstatistik 24

25 Schadenwahrscheinlichkeit und -höhe Im Mittel( Durchschnittskunde ): kein Schaden: 60% mittlerer Schaden: >mittlere zu erwartende Kosten: 5304 Spezifischer Kunde Mustermann: Höhere Schadenfreiheitswahrscheinlichkeit: 70% höherer mittlerer Schaden: >mittlere zu erwartende Kosten:

26 Test auf Schadenhöhe Wirkliche Schadenhöhe Wert Statistische Unsicherheit (+-1 sigma) Vorhergesagte Schadenhöhe 26

27 Visualisierung der NeuroBayes-Netzwerk-Topologie 27

28 Stornovorhersage: Stornowahrscheinlichkeit für Versicherungsverträge Problem und Zielsetzung: 1. Hohe Stornorate führt zu Umsatzrückgang und Verwaltungsaufwand. 2. Früherkennung von potenziellen Kündigern erlaubt gezielte Kundenbindungsmaßnahmen. 3. Vorhersage der individuellen Kündigungswahrscheinlichkeit für jeden Kunden aus allen bekannten Informationen ist mit unseren modernen Methoden erstaunlich gut möglich! 4. Kombination von Kündigungsrisiko und Kundenbewertung sehr wertvolles Wissen für jede Versicherung! 28

29 Ergebnisse aus <phi-t> Projekt: Vertrags Storno einer Individual-Unfallversicherung Effizienz: Prozentsatz der selektierten an allen Kündigern Kosten: Prozentsatz der selektierten an allen Kunden 29

30 Vertrags - Storno Mit NeuroBayes können wir Kunden mit erhöhtem Kündigungspotenzial identifizieren 30

31 Vertrags - Storno Wir können10% aller Kündiger in 2,2% aller Kunden identifizieren! Oder 30% in 9%. Oder 50% in 19%. 31

32 Vertrags - Storno Und unsere Vorhersage trifft auch ein: Test auf dem Training unbekannten Daten eines anderen Jahrgangs 32

33 Kfz-Risiko-Analyse für BGV Resultate für die Badischen Versicherungen: seit Mai 2003: radikal neuer Tarif für junge Fahrer! Wirkliches Risiko und herkömmliche Prämienmodelle liegen teilweise um Faktor 3 auseinander! Siehe Vortrag Ralf Sabrowski 33

34 Die Ungerechtigkeit herkömmlicher Prämien: Verhältnis des mit NeuroBayes errechneten Risikos zu einer herkömmlich bestimmten Prämie (auf Mittelwert 1 normiert): Wahrscheinlichkeit 60% der Kunden zahlen relativ zu viel. Nur 40% eher risikobereite Kunden zahlen zu wenig, zum Teil viel zu wenig. Diese können identifiziert werden. Risiko/Prämie 34

35 Neue Prämie Version I: Gesamtprämienvolumen konstant: 60% der Kunden zahlen weniger als bisher 40% zahlen mehr 35

36 Neue Prämie Version II: Anhebung der PrämienimneuenTarif um 10% hat praktisch keine Konsequenzen: 50% der Kunden zahlen weniger als bisher 50% zahlen mehr ABER 10% MEHR EINNAHMEN! >ENTSCHEIDEND FÜR DIE RENTABILITÄT! 36

37 Was bietet <phi-t>? > Projekte Anbindung an Kunden-Datenbank, Statistische Analyse, NeuroBayes- Training Qualitative Erkenntnisse, Quantitative Prognosen für jeden Kunden Expert-Software-Erstellung und Installation beim Kunden > NeuroBayes - Lizenzen erlauben eigene Projekte mit Teacher und Expert Der Turbo für Ihre Statistik-/ Data Mining-Abteilung > Consulting, Beratung, Schulung NeuroBayes, statistische Methoden, Regularisierung, Datenbankdesign, Hardwareberatung, Softwareberatung etc. 37

38 Referenzen > Projekte BGV Badische Versicherungen dm-drogerie markt > Pilotprojekte Schwäbisch Hall Otto-Versand > NeuroBayes - Lizenzen CETA, Universität Karlsruhe Fermi National Accelerator Laboratory (USA) Thyssen-Krupp Versicherungskammer Bayern Atonce Capital Management, Schweiz 38

39 Zusammenfassung I <phi-t> bietet mit NeuroBayes wichtigen Technologietransfer aus Grundlagenforschung in die Wirtschaft, insbesondere im Versicherungswesen. Alle bisherigen Projekte sehr erfolgreich. Erstaunliche Erkenntnisgewinne in jedem Projekt. Eigene Erwartungen und die des Kunden weit übertroffen. Kenntnisgewinn durch <phi-t> bietet solide Basis für fundierte und profitable Entscheidungen zur Geschäftspolitik. 39

40 Zusammenfassung II Im harten Konkurrenz- und ruinösen Preiskampf auf dem Kfz- Versicherungsmarkt gilt: Wissen ist Macht. Optimierung strategischer Entscheidungen Wettbewerbsvorteil: Agieren statt reagieren Nicht nur Überleben sichern Profitabilität für Versicherung UND der Majorität der Kunden steigern Neue Kunden gewinnen 40

41 Die Produkte und Leistungen < phi-t > finance < phi-t > assurance < phi-t > pharmacy < phi-t > medicine < phi-t > science < phi-t > data management < phi-t > data consult < phi-t > statistics training 41

42 Kontakt und Impressum Phi-T Physics Information Fon Technologies GmbH Fax Karlsruhe Karlsruher Str Geschäftsführer: Dipl. Phys. Jochen Bossert Dr. rer. nat. Dipl. Phys. Andreas Heiss Wissenschaftlicher Beirat: Prof. Dr. rer. nat. Michael Feindt HRB Karlsruhe 42

43 Kontakt und Impressum Phi-T Physics Information Fon Technologies GmbH Fax Karlsruhe Karlsruher Str Geschäftsführer: Dipl. Phys. Jochen Bossert Dr. rer. nat. Dipl. Phys. Andreas Heiss Wissenschaftlicher Beirat: Prof. Dr. rer. nat. Michael Feindt HRB Karlsruhe 43