Mit Predictive Analytics Risiken bewerten und Tarife optimieren

Transkript

1 Mit Predictive Analytics Risiken bewerten und Tarife optimieren Prof. Dr. Michael Feindt Karlsruher Institut t für Technologie (KIT) Chief Scientific Advisor, Blue Yonder

2 Übersicht 1. Einführung und Überblick 2. Was steckt hinter Predictive Analytics? 3. Fallbeispiele aus verschiedenen Bereichen 4. Q&A

3 Einführung

4 Kahneman-Zitat D.Kahneman (Nobelpreisträger für Behavioural Economics) Der Mensch ist nicht in der Lage, statistisch-quantitative Entscheidungen permanent gut genug zu treffen und lässt sich häufig täuschen (meist durch Optimismus) Lange Liste von typischen Denkfehlern: Predictive Analytics: Datengetriebener, objektiver Erkenntnisgewinn und Entscheidungsoptimierung mit wissenschaftlichen Methoden

5 Predictive Analytics verändert die Welt......sogar bei der Verbrechensbekämpfung! Baltimore & Philadelphia verwenden Predictive Analytics, um vorherzusagen, welche Gefängnis-Entlassenen mit hoher Wahrscheinlichkeit rückfällig werden und daher spezielle Aufsicht benötigen. Rü ückfallquo ote Senkung der Rückfallquote um 30% Methode: Erfahrung Predictive Analytics

6 Was steckt hinter Predictive Was steckt hinter Predictive Analytics?

7 Die Welt verläuft nicht deterministisch. Vorhersagekraft prinzipiell begrenzt durch Quantenphysik und deterministisches Chaos in komplexen Systemen. Aber sie verläuft auch nicht zufällig.

8 Wo ist Predictive Analytics einzuordnen? Pendel (deterministisch) Predictive Analytics 100% Lotterie (purer Zufall) 0%

9 Für reale Systeme kann man mit Predictive Analytics individuelle Wahrscheinlichkeitsaussagen machen z.b. zum Ausgang von Sportereignissen Pendel (deterministisch) Lotterie (purer Zufall) 100% 0%

10 Für reale Systeme kann man mit Predictive Analytics individuelle Wahrscheinlichkeitsaussagen machen z.b. Zuschauerzahlen z.b. Abverkäufe Pendel (deterministisch) Lotterie (purer Zufall) 100% 0%

11 Für reale Systeme kann man mit Predictive Analytics individuelle Wahrscheinlichkeitsaussagen machen z.b. Verkehrsunfälle z.b. Verkehrsstaus Pendel (deterministisch) Lotterie (purer Zufall) 100% 0%

12 Wo steht Predictive Analytics heute?

13 Fortschritte in der Technologie (unzählige offensichtliche Nachteile) ein wenig Bewegung am Arbeitsplatz gestern heute morgen manchmal gut genug für einfache Probleme Experten können Modell-Verhalten und Nachteile erklären Mühsamer Prozess der Modellwahl, Parameteranpassung und Optimierung Verlass auf Expertenmeinung und Bauchgefühl Behandle die Welt als wäre sie... behandle die Welt, wie sie ist verbinde verschiedene Datenquellen treffe Entscheidung auf fundierten analytischen Erkenntnissen vollständige Automatisierung und flexible Modellanpassung fundiertes Verständnis von Daten & Datenanalyse ist unerlässlich Linear Normalverteilt

14 Modernste Technologie Optimale Bestellmenge Wahrscheinlichkeitsdichte P E(X) ( ) Umsatz Entwickelt in verschiedenen Hochtechnologie-Bereichen, interdisziplinär. z.b. an ElementarteilchenBeschleunigern wie dem CERN 1 PETA BYTE / SEC

15 NeuroBayes-Beispiel: Der LHCb-Trigger Fundamental research at the forefront of science Am LHC (CERN) enstehen pro Experiment: Ereignisse pro Sekunde, das entspricht 1 PetaByte (1,000,000,000,000,000 Byte) pro Sekunde. Aber nur 1 PB interessante Daten pro Jahr können gespeichert werden. Online-Datenreduktion 1 : 10,000,000 nötig! Am LHCb-Experiment laufen Instanzen von NeuroBayes und filtern real-time 24/7 die interessanten Ereignisse. Photo: CERN

16 NeuroBayes-Beispiel: Vollständige Rekonstruktion von B- Mesonen an der japanischen Experiment Belle Fundamental research at the forefront of science Belle-Experiment am KEK/Japan 400 Physiker aus aller Welt 10 Jahre Datennahme und Datenanalyse (>4000 Mannjahre) Welt-Rekord-Luminosität ität 400 Veröffentlichungen Automatisches hierarchisches Rekonstruktionssystem mit 72 NeuroBayes-Netzwerken rekonstruiert 1100 verschiedene Reaktionen mit Faktor 2 besserer Effizienzi als alle bisherigen Analysen Viel klareres Signal Photo: CERN Arbeit von 3 Doktoranden Entspricht ca 500 normalen Doktorarbeiten Entspricht weiteren 10 Jahren Datennahme

17 Brauche: Effiziente Methoden und kluge Köpfe Jede Analyseaufgabe steckt voller individueller Herausforderungen KIT / NeuroBayes / BlueYonder Einzigartige Predictive Analytics Suite mit einer Kombination aus statistischen Verfahren und Maschinen-Lern-Algorithmen ith wie z.b. neuronalen Netzen Ausgezeichnete erfahrene Physiker, Mathematiker und Informatiker von renommierten Forschungsinstituten wie dem CERN, Max-Planck-Instituten oder dem KIT Die Blue Yonder-Technologie hat ihren Ursprung in der experimentellen Teilchen- und Hochenergie- physik. Sie wurde in über 350 Mannjahren entwickelt. Seite 17 Unser Ziel für die Zukunft Produktansätze und Lösungen für wirtschaftlich interessante Fragestellungen, die auch ohne wissenschaftliches Fundament eingesetzt t und bedient werden können und sich nahtlos in die Businessprozesse integrieren

18 Data Modeling Vorgehensweise / Analog zu CRISP-DM Wahl Was Und des ist passenden wofür...? das Ergebnis? Modells Kündigungsrisiko Klassifizierung no yes 0% 50% 100% Random Forests Kreditausfallrisiko 0% 50% 100% Generalisierte Lineare Modelle Loss given default Erwartungswert Schadensprognose im Versicherungswesen Neuronale Netze Support Vector Maschinen Betrugsfälle rechtzeitig erkennen Wahrscheinlichkeitsdichte Vorhersage von Krankheiten etc, etc

19 Integriertes Risikomanagement: Prognose ist mehr als nur eine Zahl... Am 3. Juli 2013 werden in der XYZ-Filiale l in Hinterzarten t 12 Erdbeer-Bio-Jogurt gekauft. Genau 12? Nein, statistische (Poisson-artige Statistik) und systematische (nicht vorhandene Information) Schwankungen führen UNUMGÄNGLICH zu Abweichungen der Zukunft von der Prognose. Eine gute Prognose quantifiziert auch die Unsicherheit, mindestens (meistens) in Form einer Varianz oder Standardabweichung (Volatilität): 12 ± 5 Erdbeer-Bio Jogurt Risikomanagement in Banken und Versicherungen weiß das. Aber: z.b. viele professionelle SCM- IT-Systeme kennen keine Prognose-Unsicherheit!

20 Albert Einstein: Mache die Dinge so einfach, wie es geht. Aber nicht einfacher.

21 Es ist noch etwas komplizierter: Individuelle Wahrscheinlichkeitsdichten Sehr viele Verfahren nehmen Normalverteilungen an, die durch die zwei Parameter Prognose = Erwartungswert μ und Standarabweichung σ eindeutig gegeben ist. Die Residuen in den meisten realen Systeme sind aber nicht normalverteilt. Moderne Prognose-Systeme prognostizieren für jeden Einzelfall die gesamte Form der Wahrscheinlichkeitsdichte. Erst damit ist wirkliches Risikomanagement möglich.

22 Individuelle Prognosen mit Gütesiegel Wichtig ist der richtige Umgang mit den Prognosen Die Kenntnis der Wahrscheinlichkeitsdichte eröffnet neue Wege Abschätzen der Schwankungsbreite einer Prognose Gütesiegel Erkennen von Asymmetrien in der Unsicherheit (z.b. Crashwahrscheinlichkeit am Aktienmarkt) Schon im Modellansatz können Kostenfunktionen berücksichtigt werden Optimale Entscheidungen sind immer ein Kompromiss aus Gier (zu optimistisch) und Angst (zu pessimistisch). Kennt man für jede Entscheidung die Kostenfunktion und die Wahrscheinlichkeitsdichte für die in Zukunft auftretenden Zahlen, können optimale Entscheidungen getroffen werden, die langfristige Unternehmensziele optimieren und Risiken minimieren.

23 Das Dilemma der großen strategischen Entscheidungen Zwischen Skylla und Charybdis oder: muss man wirklich einen Tod sterben? Skylla: Preise / Prämien erhöhen: Profitabilität pro Kunde besser Kunden wandern ab, kaum Neukunden Charybdis: Preise /Pä Prämien erniedrigen: i Kunden zufrieden, Neukunden gewinnbar Profitabilität gefährdet Kann man beide Ziele gleichzeitig erreichen? Ja, durch Individualisierung mit Hilfe von Predictive Analytics

24 Scheinbar unvereinbare Ziele vereinbaren mit Hilfe von individualisierten Prognosen / Tarifen / Entscheidungen Beispiel aus dem Versandhandel (Otto) Erhöhung der Warenverfügbarkeit bei gleichzeitiger Reduktion von Restbeständen am Ende der Saison Ergebnis: Prognoseverbesserung um 40% Bestandsverbesserung im 2-stelligen Mio.- -Bereich pro Jahr. Beispiel i aus der Versicherungswirtschaft i h (BGV) 3,5% mehr Neukunden bei gleichzeitiger Reduktion der Schadenquote um 10%

25 Lernen von Vielen über den Einzelnen multivariate Bayes-Statistik 24 J alt, Auto, 3 Kinder, ledig 25J alt, 1 Kind, verheiratet Hausrat, KfZ Gute Zahlungsmoral Negativer Deckungsbeitrag Seit 12 Jahr treuer Kunde Haftpflichtversicherung Mittlere Zahlungsmoral Mittlerer Deckungsbeitrag 24J alt 1 Kind Seit 6 Jahren treuer Kunde Neukunde einer Versicherung welche Produkte sind interessant? wie hoch wird der Deckungsbeitrag sein? wie wechselwillig ist der Kunde? wie ist die Zahlungsmoral? Autohalter ledig 42J alt, 2Ki Kinder, Auto 19J alt, ledig, Schüler, Auto Haftpflicht, Kfz, Hausrat Gute Zahlungsmoral Hoher Deckungsbeitrag Seit 24 Jahren treuer Kunde KfZ Versicherung Gute Zahlungsmoral Geringer Deckungsbeitrag Seit 1 Jahr treuer Kunde

26 Prognosen auf Einzel-Personen-Ebene Aus vergangenen Daten Lernen & zukünftiges Verhalten prognostizieren Individuen erzeugen Daten Beispiele: Reaktionen auf Produktvorschläge Kündigungsverhalten Leistungsforderungen Kreditausfälle Betrugsverhalten Einordnung von Einzelpersonen Was wird passieren? In welchem Ausmaß? Individuelle Wahrscheinlichkeiten

27 Fallbeispiele aus verschiedenen Fallbeispiele aus verschiedenen Bereichen

28 Potentielle Kündiger identifizieren Churn Management Wissen ob ein Kunde kündigen möchte, bevor er es selbst weiss - und entsprechend gegensteuern ca 16% der Kfz- oder Hausrat- Versicherten haben im vergangenen Jahr ihren Anbieter gewechselt Faustformel: Neukundenakquise k ca. 5-mal so teuer wie das Halten eines Bestandskunden d Bereits eine marginale Verringerung von Stornoquoten ermöglicht eine signifikante Steigerung der Profitabilität

29 Beispiel: Churn Management (BGV) Identifiziere Bestandskunden, die mit einer hohen Wahrscheinlichkeit kündigen 30% aller Kündiger können identifiziert i t und kontaktiert werden, wobei nur 9% der gesamten Kundenbasis betrachtet werden muss. Oder 50% aller Kündiger bei Betrachtung & Kontaktierung von 19% der Kundenbasis Die Vorteile auf einen Blick Finde die Kunden, die wirklich Kündigungsgefährdet sind Konzentration der Ressourcen auf die identifizierte Gruppe Ressourceneinsparpotential Keine schlafenden Hunde wecken

30 Schadenprognose in der Versicherungswirtschaft Kostenverteilung Klassifikation Dichteverteilung Wahrscheinlichkeit P Wahrscheinlichkeit P E(X)=413 Kosten in Höhe X

31 Schadenprognose pro Individuum Mit moderner Technologie ist MEHR als nur eine vage Abschätzung der Kosten möglich (Beispiel: private Krankenversicherung) ID TV Teil Frau, 38, Tarif EKN1000 Tarifalter 7 Monate Wahscheinlichkeit Kosten > 0 im Folgejahr: 21.2% Kosten in diesem Jahr: 4300 ID TV Teil Frau, 41, Tarif CV3H250 Tarifalter 7 Monate Wahscheinlichkeit Kosten > 0 im Folgejahr: 47.1% Kosten in diesem Jahr: 2800 Verschiedene Punktschätzer möglich Auskunft über die Unsicherheit der zu erwartenen Kosten Abschätzung darüber, wie hoch das Tail-Risiko ist, überdurchschnittlich hohe Kosten tragen zu müssen

32 Anwendungsbeispiel: Kfz-Haftpflicht Vorhersage von Schadenanzahl und Schadenhöhe Prämiendifferenzierung: NeuroBayes passt die Prämie bei gleichem Gesamtprämienvolumen dem kundenindividuellen Risiko an. Kundenstrukturoptimierung: Binden Sie Ihre guten Kunden und nehmen Sie die schlechten Kunden ihrem Risiko entsprechend stärker in die Pflicht. Rentabilitätssteigerung: Erhöhen Sie Ihre Einnahmen bei gleichzeitig gerechteren Tarifsystemen und sinkenden Schadenquoten. Anz zahl Kunden Risiko Bisheriger Tarif Prämie, normiert 3,5% mehr Neukunden bei gleichzeitiger Reduktion der Schadenquote um 10%

33 Anwendungsbeispiel: Kfz-Haftpflicht Predictive Analytics ermöglicht eine risikooptimale Tarifanpassung: Optimaler Punkt sowohl für (Mehrheit der) Kunden als auch für das Versicherungsunternehmen. Die Mehrheit der guten Kunden zahlt NeuroBayes passt die Prämie bei zu viel und subventioniert damit die gleichem Gesamtprämienvolumen zu wenig zahlenden schlechten dem kundenindividuellen Risiko Kunden: 40% der Kunden haben eine an: 57% der Kunden zahlen zu hohe Prämie, weniger als bisher 60% eine zu niedrige Prämie 43% zahlen mehr Mögliche STRATEGISCHE Entscheidung: Anhebung der NeuroBayes -Prämie um 10%: 50% der Kunden zahlen weniger als bisher 50% zahlen mehr Anzahl Kunden Prämie zu hoch Prämie zu niedrig Anzahl Kunden Anzahl Kunden Risiko/Prämie Prämie, normiert Prämie, normiert

34 Einblicke in versteckte Zusammenhänge in Daten Zusammenhänge in Daten lassen sich mit modernen Methoden aufdecken

35 Moderne Technologie vs. Expertenwissen Wahrsche einlichkeit übe erdurchschn. Leistung NeuroBayes schlägt Expertenwissen in der Einstufung von Neuversicherten Ziel: Abschätzung darüber, ob ein Neuversicherter mehr oder weniger als der Durchschnitt seiner Gruppe kosten wird. Berechnung eines Risikozuschlags ik auf dieser Basis. Experten - Prognose Prozentualer Anteil Versicherter (geordnet) einlichkeit übe erdurchschn. Leistung Wahrsch NeuroBayes - Prognose Prozentualer Anteil Versicherter (geordnet) Der Vergleich zeigt, dass Experten Abschätzung mit hohen Unsicherheiten verbunden sein können Beispiel: Risikozuschläge für private Krankenversicherungen: Individuelle Einstufung durch Experten langfristig g schlechter als Zufall: Risikozuschläge ungerecht! NeuroBayes kann bis über 10 Jahre in die Zukunft statistisch relevante Aussagen machen.

36 Predictve Analytics im Vergleich zu klassischen Methoden Anwendungsbeispiele: PKV Schadenhöhenprognose Kundenindividuelle di id Schadenhöhenverteilung Die Wahrscheinlichkeitsverteilungen der Versicherungsnehmer können deutlich variieren. Sortierfähigkeit NeuroBayes trennt erfolgreich die Versicherungsnehmer auf Basis der prognostizierten mittleren Schadenhöhe NeuroBayes berechnet für jeden Kunden eine individuelle Wahrscheinlichkeitsdichte. Dies ermöglicht die Vorhersage von sämtlichen relevanten Quantilen und Schwellen. NeuroBayes weist mit Abstand die beste Sortierfähigkeit auf. Der Rangkorrelationskoeffizient ist 3-mal höher als bei herkömmlichen (GLM)- Ansätzen. rsp: Rangkorrelationskoeffizient nach Spearman

37 Kunden-Bonitätsbewertung NeuroBayes im Vergleich zu einem klassischen Ansatz der Otto Gruppe Ziel: Frühzeitiges Erkennen von Kunden, die im Laufe der Zahlungsfrist zahlungsunfähig werden. Verbesserung in der Erkennung von zahlungsunfähigen Kunden um bis zu 25% Auswirkung auf EBIT: > 2,5 Mio Euro

38 Call-Center-Optimierung und Bewertung von Zahlungswahrscheinlichkeiten bei Schuldnern Lösung: Unterstützung des Inkassoprozesses Prognose der Zahlungswahrscheinlichkeit und der Zahlungshöhe Optimierung der Priorisierung der individuellen Anwahlversuche je Schuldner Für uns ist eine realistische Bewertung der Zahlungswahrscheinlichkeit und -höhe von Schuldnern von ganz entscheidender Bedeutung. Wir sind überzeugt von der Methode der Software: Die Ergebnisse von Blue Yonder sind direkt messbar und helfen dabei, unsere Prozesse zu optimieren... Dr. Andreas Witzig Geschäftsführer KG EOS Holding GmbH & Co

39 Ausblick auf weitere Anwendsgebiete

40 Kundenlebenszyklus Optimierung Ku undenwert Cross & Upselling- Potentiale optimiertes Churn Management & Kundenbindung Einfluss von Predictive Analytics klassische Methoden Zeit zielgerichtete Kundenansprache

41 Überhöhte Leistungsforderungen aufdecken Hohe Betrugswahrscheinlichkeit Fall muss gesondert geprüft werden Schnellverfahren Standardverfahren Erhöhung der Entdeckungsrate betrügerischer Leistungsforderungen Verkürzung der benötigten Zeit, um eine Leistungsforderung abzuwickeln Höhere Kundenzufriedenheit d it und weniger Ressourcenbindung

42 Personalisierte Medizin am Beispiel von Diabetes Typ 2 + Dosierung von Medikamenten Known/Historical Data + Medical Indicators NeuroBayes Probability Density

43 Questions & Answers & Vielen Dank für Ihre Aufmerksamkeit