Versicherungstarife mit Machine Learning: vom GLM zum fairen Marktpreis

KI-Tagesseminar · 1 Tag

Tarife mit ML genauer kalkulieren und den Marktpreis fair steuern

Das nehmen Sie mit

• Wann Gradient Boosting, neuronale Netze oder hybride Ansätze dem GLM etwas hinzufügen, entscheiden Sie anhand konkreter Datensätze.
• Leakage-Fallen und Lücken in der Datenqualität erkennen Sie, bevor sie ein Tarifmodell verfälschen.
• Modellgüte messen Sie mit Lift, Gini und Lorenz-Kurven und schützen Ihr Modell vor Overfitting.
• Preisänderungen simulieren Sie mit Elastizitätsmodellen und halten dabei Diskriminierungsverbote und Governance-Anforderungen ein.

Ablauf

1. Teil 1

   Modul 1 – Einordnung: Das GLM und was Machine Learning ergänzt

   • Klassische Tarifkalkulation mit dem GLM als bewährte Basis
   • Zusätzliche Erklärungskraft durch Gradient Boosting und neuronale Netze
   • Hybride Modelle: GLM-Struktur behalten und um ML-Genauigkeit ergänzen
   • Fragestellungen, bei denen ML deutlich mehr bringt, und solche, bei denen es übertrieben wäre
   • Standortbestimmung: wie zeitgemäß Ihr heutiger Pricing-Prozess aufgestellt ist
2. Teil 2

   Modul 2 – Pricing-Daten: Merkmale, Quellen, Fallstricke

   • Tarifmerkmale mit externen Daten und Telematik zu einer Datengrundlage verbinden
   • Leakage erkennen: Informationen im Datensatz, die zum Kalkulationszeitpunkt noch gar nicht vorliegen
   • Datenqualität als Erfolgsfaktor, der in Tarifprojekten oft zu wenig Beachtung findet
   • Übung: Sie erkunden einen Pricing-Datensatz explorativ und notieren Auffälligkeiten
   • Hypothesen aus den Daten formulieren, ehe ein Modell trainiert wird
3. Teil 3

   Modul 3 – Modellierung: Schadenfrequenz und -höhe mit ML schätzen

   • Frequenz- und Schadenhöhenmodelle mit Poisson/Gamma-Boosting aufbauen
   • Güte belastbar bewerten mit Lift, Gini-Koeffizient und Lorenz-Kurven
   • Übung: GLM und Gradient Boosting auf denselben Daten gegeneinander antreten lassen
   • Overfitting verhindern: stabile Ergebnisse auf neuen Daten vor reiner Anpassungsgüte
   • Risikounterschiede, die erst ML sichtbar macht und die ein GLM nicht erfasst
4. Teil 4

   Modul 4 – Marktpreis: Nachfrage, Bestandserhalt und Fairness

   • Elastizitätsmodelle: die Preisreaktion von Kunden messbar machen
   • Preise optimieren im Ausgleich zwischen technischem Risikopreis, Marktumfeld und Fairness
   • Storno- und Conversion-Modelle in den Ablauf der Preisfindung einbinden
   • Diskriminierungsverbote einhalten und Tarife erklärbar halten (XAI)
   • Übung: Sie spielen eine Preisanpassung durch und verfolgen ihre Wirkung auf Bestand und Neugeschäft
5. Teil 5

   Modul 5 – Produktivsetzung: Governance, Betrieb und nächstes Tarifprojekt

   • Verantwortung des Aktuars und Modell-Governance aufeinander abstimmen
   • Pricing-Modelle reibungsarm in die Produktion bringen (Deployment)
   • Laufendes Monitoring, damit das Modell Marktveränderungen folgt
   • Aufgabenteilung zwischen Aktuariat, Pricing-Team und Data Science
   • Fahrplan für Ihr kommendes Tarifprojekt