riskkv Scorenalyse riskkv Scoring Seite 1 von 9

Transkript

1 riskkv Scorenalyse riskkv Scoring Seite 1 von 9 Das Modul dient der flexiblen Erstellung, Auswertung und Verwendung von Scores. Durch vordefinierte Templates können in einer Einklicklösung bspw. versichertenbezogene Abgänger-, Neukunden- und Sterbewahrscheinlichkeiten berechnet und jedem Versicherten eines definierten Bestandes direkt zugewiesen werden. Im flexiblen Expertenmodus können die verwendeten Algorithmen und Parameter bei Bedarf angepasst oder beliebig neue Scores definiert werden. Einsatzgebiete: Kundenbetreuung und Rückgewinnung Prognosen Vertriebssteuerung Versorgungsmanagement Simulationen und Sensitivitätsanalysen (bspw. zukünftiger Versichertenbestände und der darauf aufbauenden Analyse der damit verbundenen Auswirkungen (Einnahmen, Ausgaben, ))

2 Standardausgabe (Modellanwendung) riskkv Scoring Seite 2 von 9 Standardmäßig werden nach Durchlauf der Analyse die pseudonymbezogenen Scores tabellarisch und grafisch ausgegeben. Innerhalb der tabellarischen Anzeige (über einen integrierten Editor, mit welchem auch große Datenmengen flexibel betrachtet werden können), können erste Auswertungen per Filter-, Sortier-, Selektions- und Exportfunktionalität vorgenommen werden. Die grafischen Auswertungen dienen zur schnellen visuellen Erfassung von Häufigkeiten und Scorevergleichen. Die versichertenbezogenen Scores bilden die Grundlage vielfältiger analytischer und fachlicher Fragestellungen. Im Rahmen der Kundenbetreuung können bspw. besonders gefährdete Versicherte über einen hohen Abgängerscore identifiziert und gezielt angesprochen (spezielle Angebote, priorisierte Bearbeitung von Anfragen, ) werden. Beispielanwendungen In einem Praxisbeispiel (Kundenbetreuung & -rückgewinnung) wurde eine Auswahl von ca Versicherten mit den höchsten Abgängerscores in 2009 aus einer Grundgesamtheit von über Versicherten selektiert. Diese Versicherten hätten damit - im Vergleich zu einer zufälligen Ansprache - ressourceneffizient und zielgenau angesprochen werden können. Darüber hinaus wurden die Versicherten im Anschluss mit weiteren Kennzahlen aus den Jahren 2009 und 2010 verknüpft, um die Auswirkungen des Abgangs aufzuzeigen. Auf dieser Basis konnte damit, neben der Unterstützung zur Vertriebssteuerung, ein maßgeblicher Beitrag zum unternehmensweiten Risikomanagement getan werden, da zukünftige finanzielle Auswirkungen transparent gemacht werden konnten, und Raum für Gegenmaßnahmen geschaffen wurde. Retrospektiv konnte gezeigt werden, dass aus dieser Gruppe in 2010 tatsächlich Versicherte abgegangen sind und das notwendige Gleichgewicht zwischen Einnahmen und Ausgaben negativ beeinträchtigt wurde.

3 Seite 3 von 9 Für Prognosen können die Scores mit weiteren Zielgrößen (bspw. Kosten) verknüpft werden (einfachste Form: Multiplikation), um deren zukünftige Entwicklung zu analysieren. Darüber hinaus können die Scores für komplexe Simulationsalgorithmen verwendet werden, um zukünftige Ereignisse zu prognostizieren und deren Auswirkungen risikotheoretisch zu bewerten. Im Rahmen des Versorgungsmanagements können bspw. gewichtete Einflüsse bestimmter Merkmale auf eine Zielgröße (Bsp.: welchen Einfluss hat das Versichertenmerkmal x auf Kündigung, Krankenhauseinweisung, ) bestimmt werden und damit dem Versorgungsmanagement wertvolle Erkenntnisse liefern.

4 Das Modul riskkv Scoring Seite 4 von 9 Das Modul kann auf Basis standardisierter Daten aus dem Grouper heraus oder direkt gestartet werden. Für die Datenaufnahme, die Datenvortransformation sowie für die eigentlichen Algorithmen stehen je nach Kundenanforderung vorkonfigurierte und automatisierte Routinen zur Verfügung, welche mittels einer Einklicklösung die gewünschten Ergebnisse erzeugen und intuitiv bedienbar sind. Für Experten besteht die Möglichkeit an verschiedenen Stellen - angefangen bei der Datengrundlage über die Wahl des Algorithmus bis hin zur detaillierten Konfiguration - Einfluss zu nehmen.

5 Seite 5 von 9

6 Seite 6 von 9 Innerhalb des Moduls stehen ein Entscheidungsbaumalgorithmus sowie eine Regression zur Verfügung. Entscheidungsbaum Mit Hilfe der Klassifikations-Analyse lassen sich Daten schnell und einfach nach Zusammenhängen durchsuchen, um die signifikantesten Merkmale hinsichtlich eines Zielmerkmals zu bestimmen. Hierbei bildet der Algorithmus in Abhängigkeit der verfügbaren Versichertenmerkmale Versichertengruppen und wertet diese hinsichtlich der Zielgröße aus.

7 Seite 7 von 9 In diesem Beispiel ist im obersten Knoten ersichtlich, dass sich ca Versicherte in der Lernmenge befinden. Dies ist ca. die Hälfte der Ausgangsmenge an Versicherten, die für diese Klassifikation zur Verfügung standen. Die andere Hälfte wird vom System als Trainingsmenge verwendet, mit welcher die generierten Regeln im Hintergrund auf Tauglichkeit getestet werden. Des Weiteren ist in diesem Knoten ersichtlich, dass jeder Versicherte eine durchschnittliche Sterbewahrscheinlichkeit von 0,09% hat, da 325 Versicherte aus der Lernmenge verstorben sind. Zielstellung des Algorithmus ist es nun, anhand der zur Verfügung stehenden Versichertenmerkmale Gruppen zu identifizieren, die entweder eine besonders hohe oder eine besonders niedrige Sterbewahrscheinlichkeit haben, um diese Wahrscheinlichkeiten zielgenauer verwenden zu können als die Standardwahrscheinlichkeit oder die identifizierten Merkmale weiterzuverwenden. Um die Gruppen bilden zu können, sucht das System nach Versichertenmerkmalen, die eine entsprechende Trennkraft besitzen, d.h. anhand derer sich diese Gruppen geeignet unterscheiden lassen. Im obigen Beispiel ist das Alter das Merkmal mit der größten Trennkraft und wird als erstes verwendet. Demnach haben alle Personen, die jünger als 63 Jahre alt sind, eine Sterbewahrscheinlichkeit von 0,03%, während Personen mit einem Alter über 62 Jahren eine Sterbewahrscheinlichkeit von 0,31% aufweisen. Die so entstandenen zwei Teilmengen werden nun entsprechend der Algorithmusvorgaben und anhand der zur Verfügung stehenden Versichertenmerkmale weiter geteilt. Im Ergebnis entstehen im obigen Beispiel elf Endknoten, also elf disjunkte Versichertengruppen mit unterschiedlichen durchschnittlichen Sterbewahrscheinlichkeiten. Die Versichertenmerkmale der Versicherten in der jeweiligen Gruppe ergeben sich durch die Regeln entlang des Pfades zum obersten Knoten.

8 Seite 8 von 9 Die in der Klassifikationsanalyse gewonnenen Regeln können im nächsten Schritt in der Klassifikationsanpassung noch weiter verändert werden, um zukünftige Einflüsse adäquat abbilden zu können. Regression Innerhalb der Regression werden für alle Versichertenmerkmale Gewichte bestimmt, die den Einfluss auf die Zielgröße beschreiben. Im Unterschied zum Entscheidungsbaumalgorithmus werden damit alle signifikanten Versichertenmerkmale zur Scorebildung berücksichtigt.

9 Seite 9 von 9 Durch die Kombination der mittels Regression bestimmten Gewichte und der Versichertenmerkmale kann somit jedem Versicherten ein individueller Score hinsichtlich der Zielgröße zugwiesen werden.