Die Integration von Data-Mining in die Geschäftsprozesse von Versicherungsunternehmen

Transkript

1 Die Integration von Data-Mining in die Geschäftsprozesse von Versicherungsunternehmen Systematische Potenzialanalyse und ein generisches Prozessmodell Berlin, Andreas Reuß Universität Ulm Sektion Aktuarwissenschaften Helmholtzstraße 22 D Ulm phone +49 (0) 731/ fax +49 (0) 731/

2 Agenda Grundlegende Aspekte des Data-Mining Generisches Kreislaufmodell Systematische Potenzialanalyse Fazit März 06 2

3 Data-Mining: Definition Data-Mining (Knowledge Discovery in Databases) ist der nichttriviale Prozess der datengetriebenen Analyse von Datenbeständen, um aus der unübersehbaren Fülle von Details gültige, bisher unbekannte, potenziell nützliche und verständliche Strukturen und Zusammenhänge (Muster) zu extrahieren. (in Anlehnung an Fayyad/Piatetsky-Shapiro/Uthurursamy (1996)) Diese sollen so aufbereitet, dargestellt und bewertet werden, dass sie in Form von Informationen eine wertvolle Basis für unternehmerische Entscheidungen darstellen und somit zur Generierung und Aufrechterhaltung von Wettbewerbsvorteilen eingesetzt werden können. (vgl. Nemati/Barko (2001)) März 06 3

4 Data-Mining: Fragestellungen Wissenschaftliche Fragestellungen im Umfeld von Data- Mining und KDD Wie kann sichergestellt werden, dass Data-Mining die gewünschte Wirkung im Unternehmen entfaltet? Wie kann also Data-Mining in die Geschäftsprozesse eingebettet werden? generisches Prozessmodell Welche Auswirkungen haben potenzielle Data-Mining-Ergebnisse auf das Unternehmen? Welche Geschäftsprozesse können also durch Data-Mining unterstützt werden? systematische Potenzialanalyse Jeweils mit Fokus Versicherungsunternehmen März 06 4

5 Agenda Grundlegende Aspekte des Data-Mining Generisches Kreislaufmodell Systematische Potenzialanalyse Fazit März 06 5

6 Prozessmodelle in der Literatur Wie kann Data-Mining in die Geschäftsprozesse eingebettet werden? 2 Klassen von Ansätzen: Prozessmodelle für Data-Mining (KDD) Standardmodell: CRISP-DM (vgl. Chapman et al. (2000)) Einbettung in die Geschäftsprozesse Ansatz: Virtuous Cycle of Data Mining (vgl. Berry/Linoff (1997)) Kritikpunkte: Schwerpunkt auf Datenanalyse, nicht auf Nutzung der Ergebnisse keine ausreichende Konkretisierung der einzelnen Phasen fehlende monetäre Bewertung März 06 6

7 Einbettung in die Geschäftsprozesse Kombination, Konkretisierung und Erweiterung der bisherigen Ansätze generisches Prozessmodell Zentrale Aspekte: Grundlegende Ausrichtung auf die Maßnahmen und nicht auf die Datenanalyse Modellierung als Kreislauf Durchgehende monetäre Kosten-Nutzen-Betrachtung zur Steuerung und Bewertung des Prozesses Konkretisierung der einzelnen Prozessschritte durch Spezifikation generischer Aufgaben Anpassungsfähigkeit des generischen Modells im Hinblick auf die praktische Anwendung in Versicherungsunternehmen März 06 7

8 Einbettung in die Geschäftsprozesse Generisches Kreislaufmodell 1. Spezifikation der Ziele und Rahmenbedingungen 2. Analyse der Datengrundlage 8. Messung und Bewertung der Ergebnisse 7. Implementierung der Maßnahmen 6. Ableitung geeigneter Maßnahmen 3. Vorverarbeitung der Daten 4. Analyse der Daten (Data Mining) 5. Evaluierung der Ergebnisse März 06 1

9 Einbettung in die Geschäftsprozesse Anpassung des generisches Kreislaufmodells an eine konkrete Fragestellung Beispiel: Bestandssicherung in der Unfallversicherung Maßnahme: Direktmarketingaktion mit Fokus auf stornogefährdeten Verträgen Data-Mining: Prognose der Stornowahrscheinlichkeit mit Hilfe von Entscheidungsbäumen Zentrale Komponente: Monetäre Kosten-Nutzen-Analyse Grundvoraussetzung: Vertrags- bzw. Kundenwertmodell Customer Lifetime Value Ansatz Adäquates Design der Direktmarketingmaßnahme Bewertung von Modellen und Maßnahmen März 06 9

10 Agenda Grundlegende Aspekte des Data-Mining Generisches Kreislaufmodell Systematische Potenzialanalyse Fazit März 06 10

11 Systematische Potenzialanalyse: Fragestellung Fragestellung: Welche Auswirkungen haben potenzielle Data-Mining-Ergebnisse auf das Unternehmen? Identifikation von Geschäftsprozessen, bei denen Verbesserungspotenzial durch den Einsatz von Data-Mining besteht. Bewertung des identifizierten Potenzials und Priorisierung der zu bearbeitenden Prozesse im Hinblick auf den Einfluss auf kritische Erfolgsfaktoren. Vorgehensmodell als Orientierungsrahmen für eine systematische Potenzialanalyse Bisher keine durchgängige Beschreibung eines allgemeinen Vorgehensmodells Bisher keine systematische Analyse von Versicherungsunternehmen März 06 11

12 Vorgehensmodell: 3 Schritte Allgemeines Vorgehensmodell für die Potenzialanalyse Definition einer globalen Geschäftsvision Erarbeitung eines Geschäftsprozessmodells Analyse aus Problemsicht Analyse aus Datensicht Bedeutung der Geschäftsprozesse Verbesserungspotenzial der Geschäftsprozesse Priorisierung der zu bearbeitenden Prozesse Initiierung Data-Mining-Kreislauf März 06 12

13 Potenzialanalyse bei VU: Schritt 1 Konkretisierung des Vorgehensmodells: Anwendung in VU Schritt 1: Analyse ist stets unternehmensabhängig Definition einer globalen Geschäftsvision Verknüpfung zwischen strategischem Management und Potenzialanalyse (vgl. Ehrler (1999), Krausz (2002), Oletzky (1998), Porter(1980), Seyboth (2000)) Erarbeitung eines Geschäftsprozessmodells Orientierung an Farny (2000), VAA (1999) Betrachtung der versicherungstechnischen Kernprozesse Produkt entwickeln Produkt vertreiben (Marketing/Vertrieb) Antrag bearbeiten (Underwriting/Policierung) Vertrag bearbeiten/bestände verwalten (inkl. Kundenbetreuung) Schaden/Leistung bearbeiten (inkl. Leistungsprüfung) Be- und Abrechnung durchführen (Inkasso/Exkasso) Grundlage für Analysen in Schritt 2 März 06 13

14 Potenzialanalyse bei VU: Schritt 2 - Datensicht Schritt 2: Analyse aus Datensicht Bei welchen Geschäftsprozessen fallen Daten an, die grundsätzlich für eine Analyse mit Data-Mining-Verfahren geeignet erscheinen? Ansatzpunkte: Datenintensität bisher durchgeführte Analysen der Daten Anwendung auf Versicherungsunternehmen Vielzahl möglicher Datenquellen Intern vs. Extern Zugriff? Probleme im Hinblick auf die Datenqualität Spartenübergreifende Kundensicht, Vollständigkeit/Aktualität/ Konsistenz, Historisierung Einschränkung des Potenzials März 06 14

15 Potenzialanalyse bei VU: Schritt 2 - Problemsicht Schritt 2: Analyse aus Problemsicht Bei welchen Geschäftsprozessen können zusätzliche, aus Daten generierte Informationen dazu beitragen, eine Verbesserung des Geschäftsprozesses zu erreichen? Ansatzpunkte: Zustand des Prozesses Vorstellungen über mögliche Einsatzgebiete mit signifikantem Verbesserungspotenzial Berücksichtigung von Best-Practice-Beispielen Anwendung auf Versicherungsunternehmen Kaum vollständig dokumentierte Beschreibungen in der Literatur Häufig fehlt eine Einordnung ins betriebliche Umfeld Einordnung der Literatur durch Zuordnung der Best-Practice-Beispiele zu den Kerngeschäftsprozessen März 06 15

16 Potenzialanalyse bei VU: Schritt 2 - Problemsicht Schritt 2: Analyse aus Problemsicht Geschäftsprozess Einsatzgebiet für Data-Mining Produkt entwickeln Ermittlung aussagekräftiger Risikofaktoren Analyse der Wettbewerbsfähigkeit eines Tarifs Produkt vertreiben Ermittlung abschlussaffiner Neukunden Bestimmung des Cross-Selling-Potenzials Antrag bearbeiten Automatisierte Risikoprüfung Bestand verwalten Stornoprophylaxe Kundenwertermittlung Schaden bearbeiten Überwachung der Bestandsentwicklung (Frühwarnsystem) Identifikation von Betrugsfällen Schätzung der Schadenhöhe und Schadenreservierung März 06 16

17 Vorgehensmodell: Ergebnis Ergebnis: dreidimensionale Bewertung II Potenzial aus Datensicht Bedeutung des Geschäftsprozesses III IV Potenzial aus Problemsicht März I

18 Agenda Grundlegende Aspekte des Data-Mining Generisches Kreislaufmodell Systematische Potenzialanalyse Fazit März 06 18

19 Fazit Gold mining is a process for sifting through lots of ore to find valuable nuggets. Data mining is a process for sifting through lots of data to find information useful for decision making. (Noonan (2000)) März 06 19

20 Ausgewählte Literatur Berry/Linoff (1997): Data mining techniques: for marketing, sales, and customer support. John Wiley, New York Berry/Linoff (2000) : Mastering data mining: the art and science of customer relationship management. John Wiley, New York Chapman et al. (2000): CRISP-DM Step-by-step data mining guide pdf [Stand: ] Farny (2000): Versicherungsbetriebslehre. Verlag Versicherungswirtschaft, Karlsruhe Fayyad/Piatetsky-Shapiro/Uthurursamy (1996): From data mining to knowledge disovery: an overview. in: Fayyad/Piatetsky-Shapiro/Smyth/Uthurusamy (Hrsg.): Advances in knowledge discovery and data mining, AAAI Press, Menlo Park, S Knobloch (2001): Der Data-Mining-Ansatz zur Analyse betriebswirtschaftlicher Daten. in: Informationssystem- Architekturen, 8. Jahrgang, Heft 1, S Knobloch (2004): A framework for organizational data analysis and organizational data mining. in: Nemati/Barko (Hrsg.): Organizational data mining: leveraging enterprise data resources for optimal performance, Idea Group Publishing, Hershey, S Küppers (1999): Data mining in der Praxis: ein Ansatz zur Nutzung der Potentiale von Data mining im betrieblichen Umfeld. Lang, Frankfurt/M Inmon/Terdeman/Imhoff (2000): Exploration warehousing: turning business information into business opportunity. John Wiley, New York Nemati/Barko (2001): Issues in Organizational Data Mining: A Survey of Current Practices. in: Journal of Data Warehousing, 6. Jahrgang, Heft 1, S Salzgeber (1996): Kunden- und Prozessorientierung in Versicherungsunternehmen. Verlag Versicherungswirtschaft, Karlsruhe VAA (1999): VAA - Fachliche Beschreibung, Version 2.1 Prozedural. [Stand: ] März 06 20