Uncategorized

In Belgien
Onesurance arbeitet intensiv mit Jan Andel zusammen. Er ist Autor und Übergangscoach
mit 35 Jahren Erfahrung in kaufmännischen und Underwriting-Funktionen für
belgischen und niederländischen Vermittlern und Versicherern. Jan spricht außerdem fließend Französisch.

Um den Artikel zu lesen, lesen Sie diesen Linkedin-Beitrag  

Oder sehen Sie sich das PDF hier an: Niederländische Version  oder französische Version.

Diese Veranstaltung findet am 12. und 13. Juni in Amsterdam statt.

DIA ist bekannt dafür, Europas führendes Versicherungs- und Insurtech-Event zu sein und hat ein aufregendes Programm:

• Die besten innovativen Insurtechs
• Vordenker aus der und außerhalb der Branche
• Spannende Side-Events (Kick-off-Party, Networking-Fähre, iAnnet)

Besuchen Sie unseren Stand oder schauen Sie in der DIA-App vorbei.

Für weitere Informationen und Tickets besuchen Sie ITC DIA Europe – Amsterdam 2024.

Diese Woche war unser CTO und Mitbegründer Dennie van den Biggelaar der Hauptredner, wie in diesem LinkedIn-Post aufgelistet, zum Thema KI in der Versicherung für 120 Mitglieder der Stichting Assurantie Registratie (SAR). Es war eine großartige Teilnahme von Beratern unter den Anerkennungssystemen RMiA, RGA und RPA.

Die Stichting Assurantie Registratie (SAR) ist eine niederländische Stiftung, die sich auf die Zertifizierung und Registrierung von Versicherungsfachleuten konzentriert. Die SAR hat das Ziel, hohe Standards innerhalb der Versicherungsbranche aufrechtzuerhalten, indem sie Fachleute anerkennt und akkreditiert, die bestimmte Bildungs- und Berufskriterien erfüllen. Diese Zertifizierungen, wie RMiA (Registered Mortgage Advisor), RGA (Registered Insurance Advisor) und RPA (Registered Pension Advisor), stellen sicher, dass die Mitglieder über das notwendige Wissen und die Fähigkeiten verfügen, um qualitativ hochwertige Beratung und Dienstleistungen für Kunden zu bieten. Die Stiftung organisiert auch Veranstaltungen, Schulungen und kontinuierliche Weiterbildungsangebote für ihre Mitglieder, damit diese über Branchentrends und Vorschriften auf dem Laufenden bleiben.

Möchten Sie erfahren, wie Sie Ihr Kundenportfolio mit einem #KI-automatisierten Ansatz optimieren können?

Gerne sehen wir uns am kommenden Dienstag, den 28. Mai und Mittwoch, den 29. Mai, auf der Messe insureNXT in Köln an Standnummer C011 mit der Dialog Group!

Auf Anfrage von VVP, vorgestellt in der neuesten Ausgabe von VVP, der führenden Plattform für Finanzberater in den Niederlanden, erklärt unser CTO und KI-Stratege Dennie van den Biggelaar, wie man spezifische KI und maschinelles Lernen auf die ‚Beratung in der Praxis‘ anwendet. In verschiedenen Ausgaben werden folgende Themen behandelt:

• Start mit spezifischer KI und ML
• Operationalisierung in Geschäftsprozessen
• Integration in bestehende IT-Landschaften
• Messen = Lernen: KPIs für ML
• Ethik, Vorschriften und Gesellschaft
• KI und ML: ein Blick in die nahe Zukunft

In dieser dritten Ausgabe beantworten wir die Frage: Wie integrieren Sie einen trainierten Algorithmus in Ihre bestehende IT-Landschaft und Ihre Tools?

Integration von KI-Software

Der Versicherungssektor steht vor einer technologischen Revolution. Mit der Integration von KI-Entscheidungsmaschinen können Versicherer den Kundenservice erheblich verbessern und bessere Geschäftsergebnisse erzielen. KI-Algorithmen können Kündigungen vorhersagen, den Customer Lifetime Value (CLV) berechnen und Empfehlungen für Cross- und Upselling geben, sodass Berater fundiertere Entscheidungen treffen können. Aber wie integrieren Sie diese Algorithmen in Ihre bestehende IT-Landschaft? Wie stellen Sie sicher, dass Ihre Mitarbeiter diese Vorhersagen und Vorschläge zur richtigen Zeit haben, um einfacher und effektiver zu arbeiten? Dieser Artikel behandelt mehrere konkrete technische Tipps zur erfolgreichen Integration von KI-Entscheidungsmaschinen in Versicherungssysteme.

Definition einer erfolgreichen Integration

Ich bin fest davon überzeugt, dass IT-Themen immer einem Geschäftsziel dienen müssen. Eine erfolgreiche Integration beginnt immer mit der Frage: ‚Wann ist diese Integration erfolgreich?‘ Das Erstellen einer User Story kann dabei helfen, zum Beispiel:

„Als [Digital Marketer bei der Underwriting-Agentur X] möchte ich [wöchentlich wissen, welche Kunden ein zusätzliches Produkt Y benötigen], damit ich [eine gezielte automatische Marketingkampagne für diese Gruppe einrichten kann] mit dem Ziel, [wöchentlich (neue) Leads für meine Außendienstmitarbeiter zu generieren].“

Dies ist ein guter Ausgangspunkt, um den technischen Experten zu präsentieren, was von ihnen erwartet wird. In der Regel folgen weitere Fragen:

• Welche spezifischen Informationen möchte der Nutzer sehen?
• Wie oft sollte es aktualisiert werden?
• Wie messen wir den Erfolg dieser automatischen Kampagnen?

Durch das Stellen und Beantworten dieser Fragen identifiziert das Team auf natürliche Weise den Rahmen einer erfolgreichen Integration. Dies ist keine Ein-Mann-Arbeit: Es ist wichtig, dass sowohl Geschäfts-/Nutzer- als auch technische Experten in dieser Übung vertreten sind!

Analyse der bestehenden IT-Landschaft

Eine erfolgreiche Integration beginnt mit einer gründlichen Analyse der bestehenden IT-Infrastruktur. Viele Integrationsversuche scheitern aufgrund mangelnden Verständnisses der aktuellen Systeme, was zu Kompatibilitätsproblemen führt. Mit welchen bestehenden IT-Systemen, Datenbanken und Schnittstellen muss der KI-Algorithmus „zusammenarbeiten“? Welche Datenmengen müssen übertragen werden? Wann und wie schnell?

(Eine erfolgreiche Integration bedeutet, Synergie zwischen Backend- und Frontend-Systemen zu schaffen.)

In der Praxis bedeutet dies, mit verschiedenen IT-Partnern von Backend- und Frontend-Systemen zusammenzuarbeiten und sich abzustimmen. Beginnen Sie frühzeitig mit dieser Bestandsaufnahme und beziehen Sie alle (externen) Stakeholder in Ihre Pläne ein. Wenn Sie nicht die Zeit oder die Ressourcen dafür haben, beauftragen Sie einen Ihrer IT-Partner, dieses Projektmanagement für Sie zu übernehmen. Schließlich ist dies ihre Expertise!

Klar, skalierbar und agil

Leider habe ich oft Organisationen mit innovativen Plänen gesehen, deren IT-Landschaft zu starr war. Entwerfen Sie daher eine modulare und skalierbare Architektur, um zukünftige Erweiterungen und Änderungen zu ermöglichen und sicherzustellen, dass Ihre Organisation agil bleibt. Heutzutage ist es Best Practice, Microservices-Architekturen zu verwenden, bei denen jede Funktionalität als separater Service läuft. Dies erleichtert es, neue Elemente hinzuzufügen, zu ersetzen oder zu aktualisieren, ohne die gesamte Infrastruktur zu überarbeiten.

Konsistenz und Qualität

Datenqualität ist entscheidend für den Erfolg von KI. Viele KI-Systeme performen schlecht aufgrund inkonsistenter, unvollständiger oder veralteter Daten. Implementieren Sie daher eine Datenreinigungs- und Vorverarbeitungspipeline, um sicherzustellen, dass alle Daten, die an die KI-Entscheidungsmaschine gesendet werden, sauber und aktuell sind. Automatisierte Tools zur Datenintegration und -validierung können helfen, die Zuverlässigkeit der KI-Ergebnisse sicherzustellen. Verwenden Sie ETL (Extract, Transform, Load)-Prozesse, um Daten aus verschiedenen Quellen zu extrahieren, in ein einheitliches Format zu transformieren und in ein zentrales Datenrepository zu laden. Dies gewährleistet einen reibungslosen Datenfluss, der für das erfolgreiche Training und die Nutzung von KI-Modellen unerlässlich ist.

Testen, Validieren und Überwachen

Gründliches Testen und Validieren ist unerlässlich, um sicherzustellen, dass KI-Modelle innerhalb der bestehenden Systeme korrekt funktionieren. Unzureichendes Testen kann zu Fehlern und unerwarteten Problemen nach dem Go-Live führen. Führen Sie daher umfangreiche Tests in einer simulierten Umgebung durch, die die Produktionsumgebung nachbildet. Validieren Sie die Ergebnisse der KI-Modelle mit historischen Daten und Szenarioanalysen. Beziehen Sie Endbenutzer in die Testphase ein, um sicherzustellen, dass die Modelle den Geschäftsanforderungen und Benutzerbedürfnissen entsprechen.

Verwendung von APIs

APIs (Application Programming Interfaces) sind unerlässlich, um KI-Entscheidungsmaschinen mit bestehenden Systemen zu verbinden. Ohne standardisierte Schnittstellen kann die Kommunikation zwischen den Systemen ineffizient und problematisch sein. Durch die Entwicklung und Implementierung von APIs, die Daten empfangen und senden können, wird die Integration flexibel und skalierbar. Dies stellt sicher, dass die KI-Entscheidungsmaschine robust mit Backoffice- und Frontoffice-Systemen kommunizieren kann.

Sicherheit und Datenschutz

Datensicherheit ist entscheidend, insbesondere angesichts der sensiblen Natur von Versicherungsdaten. Unzureichende Sicherheit kann zu Datenschutzverletzungen führen, was den Verlust des Kundenvertrauens und Verletzungen der Privatsphäre zur Folge haben kann. Verwenden Sie daher nur die Daten, die wirklich notwendig sind, und anonymisieren Sie so viel wie möglich. Wenn Sie bestimmte sensible Daten wirklich benötigen, wenden Sie Verschlüsselung an. Stellen Sie sicher, dass alle Datenübertragungen zwischen Systemen und der KI-Entscheidungsmaschine über eine verschlüsselte Verbindung erfolgen. Verwenden Sie Zugangskontrollen und Protokollierung, um die Datensicherheit und die Einhaltung von Vorschriften zu gewährleisten.

Fazit

Eine gründliche Integration ist eine Voraussetzung dafür, dass KI erfolgreich in Ihrer Organisation ankommt. Sie müssen nicht nur ein skalierbares Geschäftsszenario und den Nutzer berücksichtigen, sondern auch an Agilität, Sicherheit, Datenschutz und Qualität denken. Daher benötigen Sie ein Team mit verschiedenen Kompetenzen und müssen sich mit IT-Partnern abstimmen und zusammenarbeiten.

Stellen Sie zunächst sicher, dass Sie oder jemand in Ihrer Organisation ein klares Verständnis des geschäftlichen Rahmens einer erfolgreichen Integration haben. Machen Sie dies explizit, damit Sie es vermitteln können. Bestimmen Sie dann jemanden, der für die Umsetzung und das zugehörige Projektmanagement verantwortlich ist. Wenn Sie keine Ressourcen dafür freistellen möchten oder können, können Sie leicht einen Ihrer vertrauten IT-Partner dafür engagieren. Sie können sich dann auf Ihr Kerngeschäft konzentrieren!

„Es ist einfach, einen selbstlernenden Algorithmus zu erstellen. Herausfordernd ist es, eine selbstlernende Organisation zu schaffen.“ – Satya Nadella, CEO von Microsoft

Zusammenfassend: Das Erfinden, Bauen und Validieren eines robusten Algorithmus ist nur Phase eins der erfolgreichen Implementierung von KI in der Praxis. In der nächsten Ausgabe werden wir darauf eingehen, wie man ihn in bestehende IT-Systeme und Arbeitsabläufe integriert.

Diese Veranstaltung findet am 12. und 13. Juni in Amsterdam statt

DIA ist bekannt als Europas führende Veranstaltung für Versicherungen und Insurtech und hat ein aufregendes Programm:

• Die besten innovativen Insurtechs
• Vordenker aus der und außerhalb der Branche
• Spannende Nebenevents (Kick-off-Party, Fährnetzwerkfahrt, iAnnet)

Bitte besuchen Sie unseren Stand oder schauen Sie in der DIA-App vorbei.

Für weitere Informationen und Tickets gehen Sie zu ITC DIA Europe – Amsterdam 2024.

Auf Anfrage von VVP, vorgestellt in der neuesten Ausgabe von VVP, der führenden Plattform für Finanzberater in den Niederlanden, erklärt unser CTO und KI-Stratege Dennie van den Biggelaar, wie man spezifische KI und maschinelles Lernen auf die ‚Beratung in der Praxis‘ anwendet. In verschiedenen Ausgaben werden folgende Themen behandelt:

• Start mit spezifischer KI und ML
• Operationalisierung in Geschäftsprozessen
• Integration in bestehende IT-Landschaften
• Messen = Lernen: KPIs für ML
• Ethik, Vorschriften und Gesellschaft
• KI und ML: ein Blick in die nahe Zukunft

In dieser zweiten Ausgabe beantworten wir die Frage: Wie operationalisieren Sie einen trainierten Algorithmus?

Herausforderungen bei der Operationalisierung von KI in Geschäftsprozessen

Stellen Sie sich vor, Sie und Ihr Data-Science-Team haben einen vielversprechenden KI-Algorithmus zur Vorhersage von Kündigungen entwickelt, um Berater zu befähigen, proaktiv darauf zu reagieren. Dieser Prozess wurde in Teil 1 dieser Serie, „KI in der Praxis“, besprochen. Das Potenzial ist vorhanden, aber bald merken Sie, dass mehrere komplexe Hürden überwunden werden müssen, um ihn praktisch umzusetzen. Was sind diese Hürden und wie können Sie sie überwinden?

Messbare Ergebnisse fehlen

Ein klar formuliertes Ziel identifiziert genau, was der KI-Algorithmus erreichen soll und stimmt mit den Geschäftszielen überein. Der Umfang hingegen lenkt das Projekt, indem relevante Datenquellen, Budget, Zeitrahmen und erwartete Ergebnisse definiert werden. Was sind die Schritte, um dies zu erreichen?

Ein Data-Science-Projekt ist im Allgemeinen eine Investition, bei der:

• Unklar ist, was es liefern kann.
• Unsicher ist, ob Ihr Team es realisieren kann.

Machen Sie das Projekt daher so klein und handhabbar wie möglich, ohne seinen Wert und seine Wirkung zu verlieren, falls es erfolgreich ist. Versuchen Sie, so schnell wie möglich Ergebnisse zu erzielen, um zu beweisen, dass Sie auf dem richtigen Weg sind.

Wenn Sie diese Ergebnisse nicht erreichen, evaluieren und passen Sie sie mit dem Team an. Wenn Sie sie erreichen? Erstes Ziel erreicht! Dann erstellen Sie eine überzeugende Geschichte und präsentieren Sie sie Ihren Geschäftsstakeholdern, um zu besprechen, wie sie innerhalb Ihrer Organisation skaliert werden kann.

Fragen zur konsistenten Datenqualität

Ein häufiger Stolperstein ist die Qualität und konsistente Bereitstellung aktueller Daten. Inkonsistenzen und fehlende Werte können die Genauigkeit des KI-Modells gefährden. Die Lösung? Eine gründliche Untersuchung, welche Daten immer Genau, Verfügbar und Konsistent sind (das Daten-ABC).

Wenn essenzielle Daten diese Kriterien nicht erfüllen, wenden Sie umfangreiche Datenbereinigungen an, wie das Handling fehlender Werte, extremer Ausreißer und falsch eingegebener Daten. Dann müssen Sie diese Bereinigungsschritte strukturell in einer Datenverarbeitungspipeline und dem zugehörigen Prozess sicherstellen, sodass Sie diese Daten zu Ihrer Grundlage für ein zuverlässiges operatives Modell hinzufügen können.

Unzureichendes Vertrauen in das KI-Modell

Unzureichendes Verständnis und Vertrauen in ML-Modelle bilden eine Barriere für die Akzeptanz bei nicht-technischen Nutzern. Wenn Sie dem nicht genügend Aufmerksamkeit schenken, entstehen Misstrauen und Widerstand. Eine Lösung ist die Auswahl transparenter Modelle mit guter Erklärbarkeit und intelligenter Methoden, bei denen Komplexität in ein verständliches Konzept übersetzt wird. Visualisierung und klare (Prozess-)Dokumentation erhöhen das Vertrauen und drängen den „Black Box“-Einwand in den Hintergrund.

Wie bei jeder Veränderung ist es wichtig, Ihre Kollegen sorgfältig in diesen Prozess einzubeziehen. Geben Sie ihnen genügend Zeit, Fragen zu stellen und sich an diese neue Technologie und ihre Möglichkeiten zu gewöhnen. Realisieren Sie, dass ihre Fragen und ihr Feedback wesentliche Inputs sind, um die beabsichtigte Anwendung in der Praxis erfolgreich zu machen.

Bedenken hinsichtlich Sicherheit, Datenschutz und Ethik

Es versteht sich von selbst, dass die Sicherheit und der Datenschutz von (Kunden-)Daten Voraussetzungen sind, um zu starten. Glücklicherweise wurde in den letzten fünf Jahren viel neue Gesetzgebung implementiert, und Organisationen wenden sie auch praktisch und strukturell an.

Vertrauen ist nicht nur eine Frage von Gesetzgebung und Technologie. Ethische Einwände können auch aus verschiedenen Blickwinkeln erwartet werden:

• Sind wir sicher, dass der Algorithmus fair ist?
• Und was bedeutet das?
• Sind bestimmte Gruppen mit einem Algorithmus schlechter gestellt?
• Finden wir das ethisch verantwortungsvoll?
• Wie verhindere ich, dass mein Algorithmus diskriminiert?

Glücklicherweise hat der niederländische Versicherungsverband mehrere Richtlinien aufgestellt, die Sie in Ihren Algorithmus und Ansatz integrieren können. Möchten Sie sicherstellen, dass Sie nichts übersehen? Bestimmen Sie eine verantwortliche Person dafür.

Der Feedback-Zyklus fehlt

Das Hören auf Benutzererfahrungen und die Nutzung dieses Feedbacks schafft einen dynamischen iterativen Zyklus, der es dem Modell ermöglicht, sich entsprechend den geschäftlichen Anforderungen weiterzuentwickeln. Ein strukturierter Feedback-Mechanismus ist entscheidend für die Selbstlernfähigkeit des KI-Modells. Wie Sie dies richtig einrichten, unterscheidet sich je nach KI-Anwendung.

Im spezifischen Fall von „Kündigungen verhindern“ lassen Sie Berater zum Beispiel festhalten, was sie mit der Vorhersage gemacht haben: den Kunden angerufen, besucht oder nichts unternommen. So können Sie im Laufe der Zeit messen, welchen Effekt dies auf Kündigungen hat.

Unzureichende Überwachung

Das Motto sollte sein: „Den Algorithmus an der Leine halten.“ Sie wollen keine „Halluzinationen“ oder unerwartete Leistungsverschlechterungen, zum Beispiel während eines Trendbruchs. Das bedeutet, dass ein sorgfältiges Überwachungs- und Warnsystem vorhanden sein muss, um die Modellleistung zu verfolgen. Eine nachhaltige Anwendung erfordert eine detaillierte Dokumentation der Parameter und verwendeten Daten, sodass das Modell transparent und reproduzierbar bleibt.

Das Modell ist nicht skalierbar

Ein Algorithmus muss „by design“ Teil eines Systems mit Skalierbarkeit im Blick sein. Sichere Cloud-Lösungen und skalierbare Infrastrukturen wie MLOps-Technologie (die ML-Variante von DevOps) sind im Allgemeinen notwendig. Berücksichtigen Sie Wachstumsprognosen und stellen Sie sicher, dass ein ausreichend flexibles System vorhanden ist, das sich an die sich entwickelnden geschäftlichen Anforderungen anpasst. Die richtigen Entscheidungen zur Integration in die IT-Landschaft zu treffen, ist entscheidend (z. B. Echtzeit- oder Batch-Verarbeitung). Mehr dazu in der nächsten Ausgabe.

Zuletzt, aber nicht zuletzt: Unzureichende Einbindung

Laut Innovationsprofessor Henk Volberda ist der Erfolg von Innovationen nur zu 25 % technisch und zu 75 % von der menschlichen Akzeptanz abhängig. Erfolgreiche Akzeptanz beginnt mit „CEO-Sponsoring“, da Wasser von oben nach unten fließt. Die Führung muss bei der Implementierung eines KI-Modells für ausreichende Schulung, Kommunikation und Unterstützung sorgen. Investieren Sie genügend Zeit und Energie, um diese neue Technologie von der Strategie bis zur Umsetzung in Ihre Organisation zu integrieren. Denn dort liegt der wahre Return on Investment: die erfolgreiche Zusammenarbeit zwischen menschlichen Experten und KI-Technologie.

„Es ist einfach, einen selbstlernenden Algorithmus zu erstellen. Herausfordernd ist es, eine selbstlernende Organisation zu schaffen.“ – Satya Nadella, CEO von Microsoft

Zusammenfassend: Das Erfinden, Bauen und Validieren eines robusten Algorithmus ist nur Phase eins der erfolgreichen Implementierung von KI in der Praxis. In der nächsten Ausgabe werden wir darauf eingehen, wie man ihn in bestehende IT-Systeme und Arbeitsabläufe integriert.

In diesem Interview mit Odette Bakker (CEO) und Indra Frishert (CMO) von DAZURE, das in VVP, der Plattform für Finanzberater in den Niederlanden, veröffentlicht wurde, erklären Odette und Indra: „Die brillanten Köpfe bei Onesurance bauen etwas Innovatives für unseren medizinischen Prozess. Bald werden viele potenzielle Versicherte deutlich weniger medizinische Fragen beantworten müssen, da der entwickelte Algorithmus Vorhersagen basierend auf historischen Daten treffen kann. Dadurch können Policen viel schneller ausgestellt werden.“

„Für mich verkörpert Onesurance eine verantwortungsvolle und effektive Implementierung von KI, die optimale Ergebnisse liefert. Ihre grenzenlose Begeisterung fügt der Zusammenarbeit eine zusätzliche Ebene des Vergnügens hinzu.“

Odette Bakker, CEO DAZURE

„Bei der Beantragung einer Lebensversicherung möchte der Versicherer genau wissen, wie (un)gesund eine Person ist, um das Todesfallrisiko einzuschätzen. Dies wird von medizinischen Fachleuten durchgeführt. Der Antragsteller muss eine ‚Gesundheitserklärung‘ ausfüllen – was für ein unfreundliches Wort, eigentlich… aber egal. Wenn sich zeigt, dass Sie etwas haben (hatten), müssen Sie noch mehr Fragen beantworten oder Untersuchungen unterziehen. Aus Erfahrung wissen wir, dass die meisten Menschen dies nicht erwarten.

Bei der Beantragung einer Lebensversicherung ist das Ausfragen nicht mehr nötig.

Dazure bietet Lebensversicherungen an, und die Inhaber Odette Bakker und Indra Frishert haben diesen medizinischen Prozess immer kritisch betrachtet. Sie nehmen die Signale der Antragsteller ernst. Menschen brechen ihren Antrag manchmal ab, wenn sie hören, dass sie sich einer medizinischen Untersuchung unterziehen müssen. Während der COVID-Zeit wurde dieses Problem aufgrund des Mangels an medizinischem Personal dringlicher. Medizinische Fachleute wurden dringender in Krankenhäusern benötigt.

RÜCKGANG DER LEBENSVERSICHERUNGSPOLICEN

Heutzutage erwarten die Menschen, dass sie, wenn sie etwas online bestellen, es am nächsten Tag geliefert bekommen. Der medizinische Prozess verursacht manchmal lange Verzögerungen. Der Rückgang der Anzahl der abgeschlossenen Lebensversicherungspolicen ist teilweise auf diesen Prozess zurückzuführen. Finanzberater empfehlen oft den Abschluss einer Lebensversicherung, vermitteln sie jedoch nicht immer aktiv. Der langwierige Prozess der Policenausstellung kann ihren Beratungsprozess beeinträchtigen. ‚Früher‘ wurden in 60 Prozent der Fälle Lebensversicherungen abgeschlossen, wenn eine Hypothek aufgenommen wurde; jetzt sind es nur noch 16 Prozent. Es ist äußerst wichtig, eine Lebensversicherung zu haben, um finanziell abgesichert zu sein.

KI-IMPLEMENTIERUNG

Dazure hat schon lange die Ambition, den medizinischen Annahmeprozess schneller, effizienter, angenehmer und einfacher zu gestalten. Wir haben nun gemeinsam mit Onesurance ein intelligentes System auf Basis von KI (Künstlicher Intelligenz) entwickelt. Und ja, natürlich mit einem ‚Menschen in der Schleife‘ und einem ethischen Rahmen. Dieses System ermöglicht es uns, sicherer und genauer vorherzusagen, welche Antragsteller einen kürzeren Prozess durchlaufen können. Diese Gruppe muss keine medizinischen Fachleute behelligen oder sich mit langen Fragebögen quälen.

WIE FUNKTIONIERT DAS?

Wir haben einen vollständig transparenten Algorithmus entwickelt, der basierend auf den ausgefüllten Gesundheitsfragen mittels prädiktiver Analytik zuverlässige und hochpräzise Vorhersagen treffen kann. Dieser Algorithmus ist auf historischen Daten trainiert.

IMPRESSIVE ERGEBNISSE

Der Algorithmus sagte sofort die Hälfte der medizinischen Prozesse mit einer Fehlermarge von 0,1 Prozent korrekt voraus. Mehr als die Hälfte der Antragsteller konnte sofort angenommen werden. Die Bearbeitungszeit für den Rest wurde von 29-71 Tagen auf 7 Tage reduziert! Es wird geschätzt, dass sich die Anzahl der Abbrüche mindestens halbieren wird.

Indem wir den Prozess besser, effizienter und schneller gestalten, erwarten wir, den modernen Erwartungen gerecht zu werden und dass mehr Menschen den Weg zurück zur Lebensversicherung finden.

Die NVGA ist die wichtigste Gemeinschaft in den Niederlanden für unabhängige Versicherungsmakler.

Die Auswahlkommission bestand aus Levent Türkmen (Generaldirektor von SUREbusiness), Marijn Moerman (CEO von Alicia, Gewinner des Innovationspreises 2022), Annet van den Berg (Redakteurin von AMweb_nl) und Caro Sala (Kommunikationsberaterin bei der NVGA). Sie überprüften die sechzehn Einsendungen, die dieses Jahr eingegangen sind.

Unsere Nominierung gilt der KI-Engine. Dies ist eine modulare, KI-gesteuerte Entscheidungsmaschine, die Berater unterstützen kann, indem sie Daten aus Backoffice-Systemen extrahiert, kontinuierlich Analysen mit komplexen Algorithmen durchführt und dann gezielte Vorhersagen in den genutzten Frontend-Systemen liefert.

Die NVGA und AM zielen darauf ab, mit dem NVGA AM Innovationspreis Innovationen im Bereich der Assekuradeure zu fördern.

Auf Anfrage von VVP, vorgestellt in der neuesten Ausgabe von VVP, der führenden Plattform für Finanzberater in den Niederlanden, erklärt unser CTO und KI-Stratege Dennie van den Biggelaar, wie man spezifische KI und maschinelles Lernen auf die ‚Beratung in der Praxis‘ anwendet. In verschiedenen Ausgaben werden folgende Themen behandelt:

• Start mit spezifischer KI und ML
• Operationalisierung in Geschäftsprozessen
• Integration in bestehende IT-Landschaften
• Messen = Lernen: KPIs für ML
• Ethik, Vorschriften und Gesellschaft
• KI und ML: ein Blick in die nahe Zukunft

Natürlich beginnen wir in dieser ersten Ausgabe mit den Grundlagen: Was ist das und wie fängt man an? Wenn Sie nach diesem Artikel Fragen haben, können Sie sich gerne an Dennie (dennie@onesurance.nl) wenden.

KI vs. Maschinelles Lernen (ML)
KI ist eine Maschine oder Software, die Aufgaben ausführt, die traditionell menschliche Intelligenz erfordern. Maschinelles Lernen (ML) ist ein spezieller Teilbereich der KI, der es einer Maschine oder Software ermöglicht, aus historischen Vorhersagen oder Handlungen zu lernen. Das bekannteste und am meisten diskutierte Beispiel für ML-Software ist ChatGPT, das darauf ausgelegt ist, sinnvolle Texte für Benutzer zu generieren. Es gibt jedoch unzählige andere Anwendungsfälle, bei denen maschinelles Lernen uns helfen kann. Oft gibt es (noch) keine fertige Lösung wie ChatGPT, die Sie direkt verwenden können. Um eine solche brauchbare KI-Lösung zu entwickeln, müssen die richtigen Kompetenzen zur richtigen Zeit zusammengebracht werden. Es ist die Aufgabe des KI-Strategen, gemeinsam mit einem multidisziplinären Team aus Fachexperten, ML-Ingenieuren, Dateningenieuren und Datenwissenschaftlern zu bestimmen, was vorhergesagt werden soll, wie (genau) dies geschehen soll, welche Techniken verwendet werden sollen und schließlich, wie alles operationalisiert und gesichert werden soll, um die gewünschten Ergebnisse zu erzielen.

Beispiel: Vorhersage von Kündigungen
Als Unternehmen möchten Sie sicherstellen, dass die richtigen Kunden zur richtigen Zeit die richtige Aufmerksamkeit von Ihren Beratern erhalten, um Kündigungen zu minimieren. Idealerweise würden Sie wissen, welche Kunden wahrscheinlich kündigen. Aber wie übersetzt man das ins Team? Oft kündigt ein Kunde eine einzelne Police, was normalerweise nur eine Änderung ist und etwas, das Ihr ML-Modell nicht kontaminieren soll. Angenommen, ein Kunde kündigt alle Policen innerhalb der Haupthaftpflichtversicherung, aber noch keine anderen. Ist dies ein Kunde, der bald gehen wird? Und was, wenn er alles innerhalb der Hauptfeuerversicherung kündigt, aber noch eine Rechtsschutz- und Risikolebensversicherung hat? Wurden Policen intern übertragen? Was ist die tatsächliche Kündigungsrate? Dies sind alles Dinge, die Sie bestimmen möchten, bevor Sie ein ML-Engineering-Team an die Arbeit setzen. Außerdem müssen Sie Ihren Prognosehorizont berücksichtigen: Wie weit im Voraus möchten Sie vorhersagen? Möchten Sie wissen, welche Kunden in den nächsten 1, 3, 6 oder 12 Monaten kündigen werden? Dies mag wie ein Detail erscheinen, aber unter der Haube bedeutet es, dass Sie ein völlig anderes ML-Modell trainieren werden.

Muster finden
Sobald Sie klar definiert haben, was Sie vorhersagen möchten, ist es an der Zeit zu überprüfen, ob Ihre Daten ausreichend Genau, Verfügbar und Konsistent sind (das ‚Daten-ABC‘). Der Hauptgrund, warum Kunden kündigen, läuft oft darauf hinaus, dass sie zu wenig Aufmerksamkeit erhalten. Die Frage ist natürlich, von wem, wann und warum es ‚zu wenig Aufmerksamkeit‘ gab. Diese Informationen befinden sich nicht in Ihrem Data Warehouse und müssen durch Feature Engineering erstellt werden. Welche Merkmale (Eigenschaften) beeinflussen die Wahrscheinlichkeit einer Kündigung erheblich? Dies ist ein analytischer und kreativer Prozess, bei dem das Wissen und die Erfahrung von Versicherungsexperten und Datenwissenschaftlern zusammenkommen. Sobald eine solide Anfangstabelle mit Merkmalen geformt ist, können Sie endlich mit dem maschinellen Lernen beginnen. Die Erfahrung zeigt, dass die Vorhersage von Kündigungen am besten mit Klassifikations- oder Überlebensanalyse modelliert wird. Theoretisch gibt es Hunderte verschiedener ML-Techniken, die dafür geeignet sind. Bei Ihrer Wahl ist es wichtig zu berücksichtigen: Inwieweit muss der Algorithmus erklärbar sein, wie komplex können die Muster sein und wie viele Daten entsprechen dem ABC?

Muster validieren
Nachdem die ‚Maschine‘ auf die Suche nach Mustern und Vorhersagen eingestellt ist, gibt es immer einen spannenden Moment… wie genau sind die verschiedenen Modelle? Der ML-Ingenieur hat eine umfangreiche Toolbox dafür. Zunächst hält er einen Teil der Daten zurück, um ein trainiertes Modell zu testen und zu validieren. Dies stellt die Robustheit der gefundenen Muster sicher und verhindert, dass ein Modell im ‚realen Leben‘ ungenaue Vorhersagen macht. Anschließend werden die falschen Positiven und falschen Negativen und deren Kosten betrachtet. Zum Beispiel ist eine falsche positive Vorhersage, dass jemand nächsten Monat kündigen wird, nicht allzu schlimm. Der Berater ruft den Kunden an und stellt fest, dass alles in Ordnung ist: es kostet nur 15 Minuten seiner Zeit. Wenn der Algorithmus jedoch fälschlicherweise vorhersagt, dass jemand loyal bleibt (falsches Negativ), ist dies viel kostspieliger: Sie verlieren einen Kunden. Basierend auf unter anderem Präzision, Rückruf und AUC-Werten wird das beste ML-Modell bestimmt. Darüber hinaus ist es möglich, Algorithmen so anzupassen, dass sie strenger oder nachsichtiger sind, damit sie besser zum beabsichtigten Geschäftsprozess passen. Dies wird als Parametertuning bezeichnet, und ein erfahrener ML-Ingenieur weiß, wie man dies verantwortungsvoll macht.

Nutzbar machen
Als nächstes integrieren Sie den Algorithmus in die operativen Prozesse. Wie können Daten sicher und effizient hin und her übertragen werden? Wie kann der Berater die Vorhersage einfach nutzen? Dies ist die Arbeit von Daten- und Softwareingenieuren. Schließlich möchten Sie auch, dass der Berater Feedback zur Qualität des Algorithmus gibt, damit dieser vom Benutzer lernt. Der Algorithmus wird mit zunehmender Nutzung intelligenter und effektiver. Das ist der echte ‚KI‘-Bestandteil, aber dazu mehr in der nächsten Ausgabe!

KI ist nicht immer ML. Zum Beispiel ist der Algorithmus Deep Blue (der 1997 den Schachweltmeister Garry Kasparov besiegte) KI, aber kein ML. ML ist immer KI.

Drei Sätze über Dennie selbst
Dennie ist Ökonom mit 12 Jahren Erfahrung in der Gestaltung, dem Bau und der Implementierung von Machine-Learning-Lösungen in der Praxis. Als Mitbegründer und CTO von Onesurance ist er für die Entwicklung von KI-Lösungen und deren erfolgreiche Operationalisierung für Kunden im Versicherungssektor verantwortlich.

Eine persönliche Geschichte von Heidy Bouwmans-Bierman in diesem Artikel, der in VVP, der Plattform für Finanzberater in den Niederlanden, veröffentlicht wurde, darüber, wie das persönliche Team von Rivez und Zuiderhuis Assurantiën mit der TopDefend-Anwendung von Onesurance zusammenarbeitet.

„Die Art und Weise, wie Daten verwendet werden können, um beispielsweise die Kündigungswahrscheinlichkeit einer Beziehung vorherzusagen, fasziniert mich. Es bietet uns ein großartiges Werkzeug, um unsere Kunden zu bedienen. Wir können auch die nächstbeste Police für eine Beziehung basierend auf Daten vorhersagen.“

Heidy Bouwmans – Managerin für Privatversicherungen – Rivez Zuiderhuis

Was sagt ihr Kollege dazu?

„Der KI-Assistent hält, was er verspricht, und erzeugt Begeisterung bei den Mitarbeitern, da er komplexe Technologie nahtlos auf den Verkaufsbereich überträgt. Dies führt zu weniger Kündigungen, höheren Verkaufszahlen und einer gesteigerten Zufriedenheit sowohl bei Kunden als auch Mitarbeitern.“

Michael Dubelaar – COO Rivez Zuiderhuis

Sicherstellen, dass jeder Kunde rechtzeitig und maßgeschneiderte Aufmerksamkeit erhält, ist entscheidend.

Text von Willem Vreeswijk

Heidy Bouwmans, Managerin für Privatversicherungen und Beratung bei Rivez-Zuiderhuis, das 165 Mitarbeiter beschäftigt, sagt dies. Das Versicherungsunternehmen, das über 20 Millionen Euro Umsatz generiert, entstand 2022 aus einer Fusion zwischen Rivez Assurantiën & Risicobeheer und Zuiderhuis Assurantiën. Das Unternehmen ist Teil des Söderberg & Partners Netzwerks und hat Niederlassungen in Helmond, Veghel, Deurne, Schaijk, Tegelen und Venlo. Rivez-Zuiderhuis ist in den Bereichen Versicherung, Risikomanagement, Abwesenheitsmanagement, Hypotheken und maßgeschneiderte Finanzberatung für Privatpersonen und Unternehmen tätig. Darüber hinaus gibt es eine Spezialisierung auf Immobilien/Immobiliengesellschaften und Handelsverbände.

„Besserer Kundenservice, bei dem die meiste Aufmerksamkeit dem richtigen Kunden zukommt“

Heidy ist seit vier Jahren in ihrer aktuellen Rolle tätig, hat jedoch eine lange Karriere im Finanzsektor. „Ich habe hauptsächlich im Geschäftskundensegment gearbeitet. Vor etwa 35 Jahren begann ich bei Aegon. Nach einer Ausbildungszeit wurde ich an einen ihrer Berater ausgeliehen. Dann arbeitete ich gerne in der Abteilung für Kraftfahrzeugunternehmen in Leeuwarden. Nachdem der Geschäftsteil von Aegon nach Den Haag umgezogen war, arbeitete ich für kurze Zeit in der Privatabteilung in Leeuwarden. Durch einen Umzug landete ich bei Quintes, wo ich zwölf Jahre als Business Relationship Manager tätig war und zusammen mit einem Kollegen auch Geschäftsdelegierte Policen und Schadensfälle genehmigte. Dann arbeitete ich als Leiterin der internen Angelegenheiten in einem kleineren Büro. Auch hier befasste ich mich mit Schadensfällen und Geschäftskunden. Nachdem ich diese Position etwa zehn Jahre lang innegehabt hatte, kam ich in meiner aktuellen Rolle zu Rivez-Zuiderhuis. Ich habe immer viel Energie daraus gezogen, Beziehungen die bestmögliche Versicherungslösung und Beratung zu bieten. Ich bemerkte, dass ich viel Zeit damit verbrachte, Fragen von Mitarbeitern zu beantworten und eine eher coachende Rolle zu übernehmen. Das gefiel mir so gut, dass ich vor etwa fünfzehn Jahren in eine Führungsposition wechselte. Trotz der Herausforderungen, die damit einhergehen, ziehe ich immer noch viel Zufriedenheit daraus.“

BESSERER KUNDENSERVICE

„Lange Zeit waren KI und die Nutzung von Daten für mich ein ‚fernes Schaufenster‘, und ich assoziierte es mit Robotertechnologie. Bis ich las, wie KI beispielsweise in Krankenhäusern eingesetzt wird, um Informationen aus Patientendaten zur Diagnose von COVID-19 und in der Krebsforschung zu extrahieren. Durch meine Kinder kam ich mit einer App wie ChatGPT in Kontakt, und eine ganz neue Welt öffnete sich für mich. Der Einsatz von KI ist so viel breiter und integrierter in das tägliche Leben, als viele Menschen erkennen.“

„Letztes Jahr kamen wir mit Onesurance in Kontakt, und mein Interesse an KI wurde wirklich geweckt. Die Art und Weise, wie Daten verwendet werden können, um beispielsweise die Kündigungswahrscheinlichkeit einer Beziehung vorherzusagen, fasziniert mich. Es bietet uns ein großartiges Werkzeug, um unsere Kunden zu bedienen. Die Entwicklungen sind rasant. Sie können beispielsweise auch die nächstbeste Police für eine Beziehung basierend auf Daten vorhersagen.“

„Was wir mit der Nutzung von Daten erreichen wollen, ist ein besserer Kundenservice, bei dem die meiste Aufmerksamkeit dem richtigen Kunden zukommt. Die Vorhersagen, die wir verwenden, schaffen ein Gefühl der Relevanz bei den Mitarbeitern. Sie haben auch das Gefühl, dass sie den richtigen Kunden betreuen, was sehr motivierend ist. Besonders weil sich in den letzten Jahren der Ansatz gegenüber Privatkunden verändert hat. Die Zeiten, in denen der Berater abends auf einen Kaffee vorbeikam, um das Paket zu überprüfen, sind lange vorbei. Einen guten Kundenansatz zu bieten und gleichzeitig die Sorgfaltspflicht zu erfüllen, bleibt eine Herausforderung, insbesondere angesichts der aktuellen Schwierigkeiten auf dem Arbeitsmarkt.“

LERNPUNKTE

„Wir haben klein angefangen mit ein paar Mitarbeitern, die viel Feedback gegeben haben, wodurch kontinuierliche Anpassungen vorgenommen wurden und das Programm optimaler arbeiten konnte. Allmählich wird das Programm auf die gesamte Privatabteilung ausgerollt. Die Mitarbeiter bearbeiten täglich eine Anzahl von Leads.“

Was sind die Lernpunkte für andere Berater? „Ein wichtiger Punkt ist, Zeit zu schaffen und Mitarbeiter zu schulen. Im Trubel des Tages müssen Sie sicherstellen, dass es genügend Möglichkeiten gibt, täglich eine Anzahl von Beziehungen zu kontaktieren. Dies ausreichend für unsere Mitarbeiter zu erleichtern, bleibt eine Herausforderung.

Insurance Data und Onesurance geben stolz eine strategische Partnerschaft in diesem verlinkten Beitrag bekannt, die ihre einzigartigen Stärken kombiniert, um die Nutzung von Daten im Versicherungsmarkt dramatisch zu transformieren. Dies markiert eine neue Phase des Fortschritts in der Branche.

Als führender Experte für die Rationalisierung, Integration und Visualisierung von Versicherungsdaten hat Insurance Data eine beeindruckende Erfolgsbilanz im Bereich der fortschrittlichen Business Intelligence aufgebaut. Ergänzend dazu hat das Team erfahrener KI-Ingenieure bei Onesurance eine innovative KI-Engine entwickelt. Diese modulare Engine ist speziell für Versicherer, Underwriting-Agenturen und Vermittler konzipiert und bietet fortschrittliche Kündigungsvorhersagen und hochpräzise KI-Underwriting für Geschäftsrisiken.

Jack Vos (CEO Onesurance): „Diese Zusammenarbeit erhöht unsere Marktwirkung, da wir dieselbe ausgewählte Kundengruppe bedienen.“

Lex De Bruijn (CEO Insurancedata): „Diese Allianz bietet nicht nur größere Sichtbarkeit, sondern ermöglicht es uns auch, direkten Mehrwert für unsere Kunden zu schaffen.“

Die Dringlichkeit, Daten und KI für kritische Themen wie aktives Kundenmanagement, effiziente Arbeitsabläufe, skalierbares Wachstum und Compliance zu nutzen, wird durch die Konsolidierung immer größerer Portfolios und den wachsenden Mangel an qualifiziertem Personal vorangetrieben. Mit über 12 Monaten intensiver Zusammenarbeit hinter den Kulissen haben die Datenexperten beider Unternehmen die KI-Engine aufgebaut, die eine schnelle Time-to-Value für die Kunden ermöglicht.

In der Versicherungswelt ist Timing entscheidend. Die KI-Engine adressiert dieses Problem, während sie Genauigkeit und Kundenfokus beibehält und Unternehmen der Konkurrenz einen Schritt voraus hält. Ein Beispiel ist das generische M&A-Modul, das Portfolio-Bewertungen mithilfe von Algorithmen vorhersagt.

Um die wachsende Marktnachfrage schnell zu erfüllen, wurde Frank Rensen (RGA) als erfahrener Versicherungsexperte ernannt. Er ist auf dem Markt wohlbekannt.

Am 18. Dezember 2023 wurden wir in diesem Artikel im Het Financieele Dagblad mit einem ausführlichen Interview vorgestellt, in dem wir den „KI-Hype“ etwas entlarvten und besonders auf die ethischen Aspekte der KI eingingen.

DIE ®EVOLUTION DER KI IM VERSICHERUNGSSEKTOR

Einleitung: Es ist bemerkenswert, dass viele immer noch denken, KI beschränke sich auf generative KI wie Chat-GPT. Spezifische KI wird jedoch bereits seit einiger Zeit im Versicherungssektor eingesetzt, insbesondere von großen Versicherern zur Prämien- und Risikooptimierung. Das Data-Science-Unternehmen Onesurance konzentriert sich auf spezifische KI, um Finanzdienstleister bei der besseren Betreuung ihrer Kunden zu unterstützen.

Dennie Van Den Biggelaar, Ökonom und Datenwissenschaftler mit 12 Jahren Erfahrung als KI-Stratege, betont, dass es im Versicherungssektor mehr um eine „Evolution der spezifischen KI“ als um eine „Revolution der generativen KI“ geht. Diese (R)evolution wird durch den wachsenden Bedarf an skalierbarem und persönlichem Kundenservice vorangetrieben. Durch Konsolidierungen nehmen die Portfolios an Größe zu, während gleichzeitig ein wachsender Mangel an Beratern herrscht. Versicherungsunternehmen stoßen somit an die Grenzen ihres Wachstums. „Dieses Problem kann nur durch den intelligenten Einsatz von Daten und KI gelöst werden“, sagt Van Den Biggelaar, der zusammen mit seinem Partner Jack Vos Onesurance gründete. Vos, der die Versicherungswelt gut kennt, erklärt, dass ihre KI-Module nicht dazu gedacht sind, Berater und Experten zu ersetzen, sondern sie bei ihrer Arbeit zu unterstützen. „In der Welt der Versicherungen, Hypotheken und Pensionen dreht sich letztendlich alles um Vertrauen: Es ist und bleibt ein Geschäft von Mensch zu Mensch.“

Onesurance entscheidet sich bewusst dafür, spezifische KI einzusetzen, um sehr spezifische Probleme für Versicherungsunternehmen zu lösen. Basierend auf historischen Daten werden zuverlässige Vorhersagen für die Annahme, das Kündigungsrisiko, den Customer Lifetime Value oder das effektive Kundenmanagement gemacht, um sicherzustellen, dass der richtige Kunde zur richtigen Zeit die richtige Aufmerksamkeit erhält. „Unsere KI-Module sind von Natur aus erklärbar, transparent und entsprechen den ethischen Datenrahmen des niederländischen Versicherungsverbandes“, bemerkt Van den Biggelaar, der für die technische Entwicklung der KI-Module verantwortlich ist. Vos fügt hinzu: „Dies sind Qualitäten, die typischerweise in der Versicherungsbranche gefordert werden, die generative KI jedoch noch nicht bieten kann.“

Das Potenzial, mehr mit Daten und KI zu erreichen, ist beträchtlich. Laut einer Studie des CapGemini Research Institute unter 204 Versicherern erzielen „Datenmeister“ im Versicherungssektor einen Umsatz pro FTE, der 175% höher ist, und sind 63% profitabler. Diese Tatsache spricht natürlich Parteien an, die in ihrem Bestreben, skalierbar zu wachsen, ständig Übernahmen tätigen.

Gleichzeitig bleiben die Dilemmas um Privatsphäre, Voreingenommenheit und Haftung erheblich. Wenn KI ohne Kontext und ohne den sogenannten „Menschen in der Schleife“ eingesetzt wird, können unbeabsichtigte Fehler auftreten, die zu Kundenzufriedenheit, ethischen Problemen und einem Vertrauensverlust im Versicherungssektor führen. „Man darf keine ethischen und moralischen Kompromisse eingehen, wenn man mit maschinellem Lernen und KI arbeitet“, sagt Van den Biggelaar. „Es ist entscheidend, dass sich KI-Experten verantwortlich fühlen, dies in die richtige Richtung zu lenken. Und wir nehmen unsere Rolle in diesem Bereich sehr ernst.“ Daher arbeitet Onesurance intensiv mit Brush-AI zusammen, dem ersten niederländischen Unternehmen, das sich systematisch mit dem ethischen Aspekt der KI befasst.

Dass diese Verantwortung auch vom Versicherungssektor ernst genommen wird, zeigt das KOAT-Beratungskomitee, das 2019 unter der Leitung von SIVI ins Leben gerufen wurde. SIVI entwickelt und verwaltet Standards für das digitale Geschäft in der Finanzwelt. Jack Vos, der selbst im Komitee sitzt, sagt: „KOAT steht für Qualitätsunbemannte Beratungs- und Transaktionsanwendungen. Unter ‘unbemannten Anwendungen’ verstehen wir intelligente Software, die Aufgaben, nicht Menschen ersetzen kann. Der zunehmende Einsatz solcher automatisierten Anwendungen im Finanzsektor, kombiniert mit neuen (europäischen) Vorschriften, macht die Qualitätskontrolle unbemannter Anwendungen immer wichtiger, um die Interessen der Kunden zu schützen.“ Das Financial Services Complaints Institute (Kifid) sieht zunehmend Beschwerden über digitale Dienstleistungen. Die SIVI-Plattform bietet Versicherern, Underwriting-Agenturen und Softwareunternehmen unter anderem eine Checkliste und eine Wissensbasis. Es ist nicht unvorstellbar, dass die Checkliste ein guter erster Schritt zu einem Qualitätsstandard ist. Dies ist wichtig für den Endverbraucher, aber auch für den Finanzberater selbst. Schließlich bleibt der Finanzdienstleister für die gegebene Beratung haftbar, auch wenn die unbemannte Anwendung von einem externen Softwarelieferanten entwickelt wird.

„Eine Technologie wird erst mächtig, wenn sie in den ethischen und menschlichen Kontext eingebettet ist.“ Satya Nadella, CEO von Microsoft.

Faktenbox: Seit September 2022 ist Onesurance Teil der Cronos Group, des größten ICT-Dienstleisters in Belgien, mit 10.000 Mitarbeitern, von denen 500 in den Niederlanden tätig sind. Dies hat Onesurance ermöglicht, schnell zu skalieren, da alle komplementären ICT-Experten direkt innerhalb der Cronos-Einheiten verfügbar sind. Die Gründer Jack Vos und Dennie van den Biggelaar haben jahrelange Erfahrung in der erfolgreichen Entwicklung und Implementierung von Data-Science-Lösungen bei Building Blocks, das Teil des börsennotierten Unternehmens CM.com ist. 2019 gewannen sie den NVGA Innovation Award mit der Data-Driven Underwriting-Lösung. Onesurance hat Büros in Amsterdam-IJburg, Breda und Kontich (Belgien).

Wir schlossen mit der Betonung der Bedeutung des KOAT-Beratungskomitees von SIVI, dem Vertreter des niederländischen Versicherungsverbandes, Adfiz, der Stiftung Contact Group Automation, der Universität Leiden und der Universität Tilburg angehören.

KOAT steht für Qualitätsunbemannte Beratungsanwendungen. Dies bezieht sich auf intelligente Software, die Aufgaben, aber nicht Menschen ersetzen kann. Versicherung ist und bleibt ein Geschäft von Mensch zu Mensch.

Der Aufstieg der künstlichen Intelligenz (KI) scheint durch den ChatGPT-Hype den Versicherungssektor erreicht zu haben, und die Diskussion über ihre Auswirkungen ist alles andere als schwarz-weiß. Die Frage ist, wie wir ein Gleichgewicht zwischen den positiven und negativen Aspekten des Aufstiegs der KI finden können, da dieses Gleichgewicht in keinem anderen Sektor so wichtig ist wie in der Versicherungswelt.

AUTOR – JACK VOS – ONESURANCE.NL

Zunächst einmal ist das Konzept der künstlichen Intelligenz sicherlich nicht neu. Der Begriff selbst wurde erstmals während des „Dartmouth Workshop“ im Jahr 1956 verwendet, bei dem sich Wissenschaftler trafen, um zu diskutieren, wie Maschinen intelligentes Verhalten zeigen könnten. Seitdem können wir drei Hauptphasen in der Entwicklung der KI im Versicherungssektor unterscheiden:

Regelbasierte Systeme (1960-1990) In den frühen Jahren der KI nutzten diese Systeme nur manuell eingegebene Regeln, um einfache Entscheidungen auf der Grundlage spezifischer Eingaben zu treffen. Zum Beispiel die Annahme basierend auf einfachen vordefinierten Regeln. Diese Systeme waren noch zu begrenzt, um komplexe Entscheidungen zu treffen.

Statistische Modellierung und Datenanalyse (1990-2010) Mit der Verbesserung der Computer und der Intelligenz von Analysesoftware wurden Machine-Learning-Modelle eingesetzt, um Muster und Trends in großen Mengen von Versicherungsdaten zu entdecken. Dies war besonders hilfreich bei der Risikobewertung und Betrugserkennung.

Maschinelles Lernen und prädiktive Analytik (2010-heute) Mit dem Aufkommen fortschrittlicherer Machine-Learning-Techniken, wie neuronale Netze und Deep Learning, wurde es möglich, noch komplexere Analysen durchzuführen. Dazu gehört die Vorhersage des Kundenverhaltens, die Festlegung von Tarifen basierend auf individuellen Merkmalen und die Erkennung von betrügerischen Aktivitäten mit höherer Genauigkeit. KI wird auch eingesetzt, um den Kundenservice mit Chatbots, virtuellen Assistenten und automatisierten Interaktionen zu verbessern.

Und jetzt, seit November 2022, gibt es Chat-GPT, in das Microsoft 10 Milliarden Euro investieren möchte. Dies ist ein großes Sprachmodell (LLM), das das nächste Wort in einem Text vorhersagt und menschliche Sprache nachahmt. Unter erfahrenen Datenexperten, die seit Jahren an der Verfeinerung von Algorithmen und dem Verständnis von Big Data arbeiten, hat der jüngste KI-Hype, ausgelöst durch ChatGPT, eine Mischung aus Aufregung und Besorgnis hervorgerufen. Zwei Tweets prominenter KI-Figuren fassen den Kontrast zwischen den positiven und negativen Aspekten gut zusammen.

Die positive Seite: „Es wird glorreich werden“ Tweet 1 stammt von dem bekannten Risikokapitalgeber Marc Andreessen im Januar 2023: „Wir treten gerade in ein KI-gesteuertes goldenes Zeitalter des Schreibens, der Kunst, der Musik, der Software und der Wissenschaft ein. Es wird glorreich werden. Weltgeschichtlich.“ Die Aufregung um KI ist sicherlich gerechtfertigt im Versicherungssektor, da sie neue Möglichkeiten eröffnet hat, die einst unvorstellbar schienen. KI verspricht Effizienz und Genauigkeit auf einem neuen Niveau. KI kann sehr große Datenmengen analysieren und Einblicke in die Risikobewertung, Schadensbearbeitung oder den Kundenservice geben, die menschliche Prüfer niemals erreichen könnten. Die Vorteile der KI sind einfach zu attraktiv, um sie zu ignorieren, weshalb immer mehr Entscheidungsträger KI auf die Agenda setzen. Sie ermöglicht es Versicherungsunternehmen, Wettbewerbsvorteile zu erlangen, das Kundenerlebnis zu verbessern und gleichzeitig die Kosten zu senken. Kurz gesagt, eine einzigartige Gelegenheit, als „Data Master“ in einer traditionellen Branche, die Veränderungen unterliegt, führend zu sein.

Die negative Seite: „Ein irreführender Eindruck von Großartigkeit“ Der Kontrast zu Tweet 2 ist krass: „ChatGPT ist unglaublich begrenzt, aber in einigen Dingen gut genug, um einen irreführenden Eindruck von Großartigkeit zu erzeugen. Es ist ein Fehler, sich jetzt auf irgendetwas Wichtiges zu verlassen. (…)“ Der Autor dieses Tweets ist Sam Altman, der Gründer und CEO von OpenAI’s ChatGPT selbst. Haben Sie schon einmal einen CEO gehört, der über sein eigenes Produkt sagt, dass es gut darin ist, einen falschen Eindruck von Großartigkeit zu erzeugen? Die Besorgnis ist gerechtfertigt, denn Überzeugungskraft ist in der Tat der Hauptfaktor, der es falschen Informationen ermöglicht, ihre verheerende Wirkung zu entfalten. Die Überzeugungskraft von ChatGPT wird in dieser Hinsicht überschätzt. Das bedeutet, dass jeder, der beruflich mit der Wahrheit zu tun hat, wachsam sein muss, denn die richtigen Fragen zu stellen, kann sehr glaubwürdigen und überzeugenden Unsinn produzieren. Laut Professor Terrence Sejnowski, Autor von The Deep Learning Revolution, spiegeln Sprachmodelle auch die Intelligenz und Vielfalt ihres Interviewers wider. Sejnowski fragte beispielsweise ChatGPT-3: „Was ist der Weltrekord für das Gehen über den Ärmelkanal?“ worauf GPT-3 antwortete: „Der Weltrekord für das Gehen über den Ärmelkanal beträgt 18 Stunden und 33 Minuten.“ Die Wahrheit, dass man den Ärmelkanal nicht zu Fuß überqueren kann, wurde von GPT-3 leicht gebogen, um Sejnowskis Frage zu entsprechen. Die Kohärenz von GPT-3s Antwort hängt vollständig von der Kohärenz der Frage ab, die es erhält. Plötzlich ist es für GPT-3 möglich, auf Wasser zu gehen, nur weil der Interviewer das Verb „gehen“ anstelle von „schwimmen“ verwendet hat.

Es gibt eine auffällige Analogie, die die Nachteile der KI veranschaulicht: den stochastischen Papagei. Stochastisch bedeutet „zufällig oder auf Zufall basierend“ und bezieht sich auf Prozesse, bei denen die Ergebnisse nicht vollständig vorhersehbar sind. KI, insbesondere in Form von generativer KI wie Chat-GPT, funktioniert im Wesentlichen als Wiederholungsmechanismus ohne vollständiges Verständnis. Genau wie ein Papagei Wörter wiederholen kann, ohne ihre Bedeutung zu kennen, kann KI (Text-)Muster reproduzieren, ohne die zugrunde liegende Logik zu verstehen. Dies ist besorgniserregend, insbesondere wenn wir an Entscheidungen mit erheblichen Konsequenzen denken, wie die Annahme von Risiken oder die Bewertung von Versicherungsschäden. Wenn KI verwendet wird, um diese Entscheidungen zu treffen, ohne das Umfeld gründlich zu verstehen und ohne menschliches Eingreifen, den sogenannten „Menschen in der Schleife“, können unbeabsichtigte Fehler auftreten. Diese inhärente Unvorhersehbarkeit kann zu Kundenzufriedenheit, ethischen Problemen und letztendlich zum Vertrauensverlust in die Versicherungsbranche führen. Hinzu kommt die Komplexität der KI-Implementierung und Bedenken hinsichtlich der Privatsphäre und Sicherheit, und es ist verständlich, dass einige Entscheidungsträger in Versicherungsunternehmen zögern, voll in KI zu investieren.

Die wichtige Rolle der spezifischen KI Die intensive Debatte über KI scheint sich hauptsächlich auf generative KI zu konzentrieren, von der ChatGPT das bekannteste Beispiel ist. Generative KI bezieht sich auf einen Teilbereich der künstlichen Intelligenz, der Algorithmen verwendet, um neue, originale und kreative Ergebnisse zu erzeugen. Die Unterscheidung zwischen generativer KI und spezifischer KI wird im Versicherungssektor immer relevanter. Spezifische KI konzentriert sich auf die Lösung spezifischer Probleme oder die Ausführung spezifischer Aufgaben. Die Hauptanwendung der spezifischen KI in der Versicherungsbranche war jahrelang die prädiktive Analytik. Mit historischen Daten können sehr genaue Vorhersagen zuverlässig und mathematisch getroffen werden, zum Beispiel für die Risikobewertung, die Entwicklung der Combined Ratio, Schadensbeträge oder den effektivsten Kundenservice. Zuverlässigkeit und Genauigkeit sind typischerweise Eigenschaften, die in der Versicherungsbranche verlangt werden. Spezifische KI ist auch kein „Hype“ und wurde in den letzten 10 Jahren zunehmend erfolgreich angewendet, insbesondere von den „Data Masters“ auf dem Markt. Data Masters sind Unternehmen, die ihre Ressourcendaten optimal nutzen, unter anderem durch den Einsatz von Data Science und KI.

Für Versicherer ist die Daten der Schlüssel zum Erfolg [Cap Gemini] Laut einer kürzlich durchgeführten Cap Gemini-Studie unter 204 Versicherern weltweit können sich nur 18% der Versicherer als „Data Masters“ bezeichnen. Mehr als 70% der Versicherer gehören immer noch zu den „Data Laggards“. Die Unterschiede sind auffällig: Der Umsatz pro FTE ist bei einem Data Master um 175% höher, und sie sind 63% profitabler als Data Laggards. Initiativen von Data Masters im Bereich Data Science und KI führen in mehr als 95% der Fälle zu einem höheren NPS, einer verbesserten Combined Ratio und einem gesteigerten Prämieneinkommen. Neben Zuverlässigkeit und Genauigkeit ist ein bedeutender Vorteil spezifischer KI-Systeme, dass Entwickler die Transparenz und Fairness der Algorithmen genau steuern und anpassen können. Auf diese Weise können Anwendungen entworfen und kalibriert werden, um die ethischen Datenstandards des niederländischen Versicherungsverbands zu erfüllen. Derzeit ist dies laut dem CEO von ChatGPT selbst für generative KI-Anwendungen sehr herausfordernd.

Das Gleichgewicht finden: entscheidend für den Versicherungssektor Die Frage ist letztlich: Können wir KI vertrauen oder nicht (noch nicht)? Eine bekannte Definition von Vertrauen lautet: „Der Glaube an einen guten Ruf und Ehrlichkeit.“ Der niederländische Versicherungsverband hat ethische Datenrahmen etabliert, um sicherzustellen, dass datengetriebene Versicherungsanwendungen fair und respektvoll sind. Die Einhaltung dieser Rahmenbedingungen sollte sicherstellen, dass der Einsatz von KI nicht zu Diskriminierung führt, zum Beispiel. Niemand will einen zweiten „Leistungen-Skandal“, der den guten Ruf des Versicherungsunternehmens schwer beschädigen könnte. Dies stellt eine zusätzliche Herausforderung dar, insbesondere weil KI komplexe Muster entdecken kann, die für das menschliche Auge unsichtbar sind. Die Fähigkeit, diese Muster zu erklären und ethische Standards aufrechtzuerhalten, ist entscheidend, um das Vertrauen in den Sektor zu erhalten. Hier liegt eine wichtige Aufgabe und Verantwortung für erfahrene Datenexperten und KI-Strategen in unserer Branche. Mit relevantem Wissen und Erfahrung in KI und einem gründlichen Verständnis des Versicherungskontexts können sie das Gleichgewicht zwischen technologischer Innovation und ethischen Überlegungen aufrechterhalten. Wir müssen nicht nur darauf achten, was KI für uns tun kann, sondern auch darauf, was menschliche Experten zu einer nachhaltigen und ausgewogenen Zukunft beitragen können. KI geht nicht nur um Innovation und mehr Effizienz, sondern auch darum, den menschlichen Faktor und das Vertrauen zu bewahren, die in unserer Branche so entscheidend sind. Dieses Gleichgewicht zu finden, ist eine Herausforderung, aber auch eine Verpflichtung, die wir ernst nehmen müssen.

Starten Sie mit der KOAT-Checkliste von SIVI KOAT steht für Qualitätsunbemannte Beratungs- und Transaktionsanwendungen. „Unbemannte Anwendungen“ ist ein schöner Begriff für intelligente Technologie, die Aufgaben, nicht Menschen, ersetzen kann. Der zunehmende Einsatz solcher automatisierten Anwendungen im Finanzsektor, kombiniert mit neuen (europäischen) Vorschriften, macht die Qualitätskontrolle unbemannter Anwendungen immer wichtiger. SIVI hat mit der Plattform Unmanned Applications ein Tool entwickelt, das eine Wissensbasis und eine Checkliste enthält, für alle Parteien, die unbemannte Anwendungen entwickeln und nutzen. Mit einer breiten Vertretung im Quality Unmanned Applications Advisory Committee zeigt der Sektor sein Engagement für diese Plattform. Besuchen Sie www.sivi.org.

In der Innovations-Spezialausgabe von VVP, der führenden Plattform für Finanzberater in den Niederlanden, wurde diesen Monat dieser Artikel von meinem Kollegen Dennie van den Biggelaar veröffentlicht. Der Artikel hebt deutlich den Unterschied zwischen den beiden Formen der KI hervor, nämlich generative KI (wie die gehypte Chat-GPT) und spezifische KI.

Spezifische KI bietet Vermittlern bereits jetzt konkrete Werkzeuge, um die knappe Zeit der Berater viel effektiver zu nutzen. Aus seinen 10 Jahren Erfahrung in Data Science und KI beschreibt Dennie auch, wie man mit minimalem Risiko mit KI im Unternehmen starten kann.

Mit dem rasanten Aufstieg der KI steht der Versicherungssektor am Rande einer Revolution. Diese Revolution betrifft nicht nur die Versicherer, sondern hat auch erhebliche Auswirkungen auf Vermittler. Wird KI Vermittler ersetzen, und wie können Vermittler in dieser sich schnell verändernden Umgebung relevant bleiben?

Mathematik ist eine exakte Wissenschaft, die seit ihrer Entstehung in der Versicherungsbranche zur Berechnung von Prämien und Risiken eingesetzt wird. Traditionell wurden diese Berechnungen von Aktuaren durchgeführt. Das Aufkommen von maschinellem Lernen (ML) und künstlicher Intelligenz (KI) ermöglicht jedoch die Analyse großer Datenmengen mithilfe ausgeklügelter mathematischer Formeln (Algorithmen), um Muster und Trends zu entdecken. Dies hat bereits zu genaueren Prämienberechnungen geführt (z.B. das VPI-Box-Beispiel). Die Kombination aus KI und den enormen Datenmengen, die Versicherer besitzen, kann auch genutzt werden, um die Effizienz von Annahme- und Schadensbearbeitungsprozessen erheblich zu steigern und Möglichkeiten für personalisierten Kundenservice im großen Maßstab zu bieten. Folglich werden die Gewinner-Versicherer von morgen ihre Kostenlast drastisch reduzieren, während sie den Kundenservice erheblich verbessern.

Dieser Fortschritt setzt jedoch das Geschäftsmodell des Vermittlers weiter unter Druck. Der Vermittler wird zu einem relativ teuren Vertriebskanal, wenn das Informieren, Beraten und Verwalten größtenteils durch Algorithmen automatisiert werden kann, und das zu einem Bruchteil der aktuellen Provision.

Darüber hinaus können Verbraucher jetzt leicht die Informationen finden, die sie im Internet suchen. Zum Beispiel können sie einfach chatGPT nach den 20 wichtigsten Punkten fragen, die bei der Versicherung eines Wohnmobils zu beachten sind. KI-gesteuerte Finanzberatungs-Apps wie Parthean oder Mint sind bereits auf dem Markt, allerdings derzeit noch nicht geeignet, um mit niederländischen Bankkonten verknüpft zu werden.

In dieser sich schnell verändernden Umgebung, in der KI einen erheblichen Einfluss auf den Versicherungssektor hat, ist es für Vermittler entscheidend, die richtigen strategischen Entscheidungen zu treffen. Einerseits sollten sie sich noch stärker auf die Nutzung menschlicher Qualitäten konzentrieren, andererseits sollten sie lernen, die Macht der KI zu nutzen, um ihre Arbeit zu unterstützen.

Die Macht des Beraters

Menschliche Qualitäten wie Freundlichkeit, Empathie, Verständnis, Vertrauen und Respekt sind schwer durch KI zu replizieren. Wie bereits erwähnt, sind und bleiben diese Qualitäten essenziell für den Aufbau starker Beziehungen zu Kunden. „Kunde“ stammt vom französischen Wort „chalant“, was „Aufmerksamkeit“ bedeutet. Durch persönliche Aufmerksamkeit können Berater einen Loyalitätsfaktor schaffen, der über die rein transaktionale Beziehung zwischen dem Kunden und den KI-Systemen hinausgeht. Dies gilt insbesondere dann, wenn Berater proaktive Unterstützung bieten und Kunden sich wertgeschätzt und gut betreut fühlen.

Berater können sich auch spezialisieren und tiefgehendes Wissen in bestimmten Nischen oder Produktbereichen aufbauen. Indem sie über die neuesten Entwicklungen auf dem Laufenden bleiben, können Berater wertvolle Einblicke basierend auf ihrer Intuition bieten, die über das hinausgehen, was KI derzeit leisten kann.

Wie können Vermittler mit zehntausenden von Kunden jedoch allen persönliche Aufmerksamkeit schenken? Mehr Berater einzustellen ist nicht skalierbar und zu teuer. Die Herausforderung besteht darin, sicherzustellen, dass die knappe Zeit des Beraters effektiv genutzt und in den richtigen Kunden zur richtigen Zeit investiert wird. Smarte KI-Tools können dabei helfen, was wir weiter unten erkunden werden.

Die Macht der KI

KI ist eine Systemtechnologie, ähnlich wie Elektrizität und der Verbrennungsmotor. Systemtechnologien haben immer erhebliche Auswirkungen auf die Gesellschaft, die im Voraus nicht vorhersehbar sind. Für Vermittler bedeutet dies, dass sie diese neue Technologie annehmen müssen, um ihre Arbeit effektiver und effizienter zu gestalten. Es gibt zwei Haupttypen von KI-Tools: generative KI und spezifische KI.

GENERATIVE KI

Generative KI bezieht sich auf den Einsatz von Algorithmen, die in der Lage sind, autonom neue Inhalte wie Texte, Bilder oder Töne basierend auf vorhandenen Daten zu erzeugen. Das bekannteste Beispiel ist chatGPT-3, verfügbar unter https://openai.com/. GPT steht für „Generative Pre-trained Transformer“, eine Art von neuronaler Netzwerkarchitektur, die zur Generierung natürlicher Sprache verwendet wird. Berater können GPT bereits effektiv nutzen, um kraftvolle Antworten auf häufig gestellte Fragen zu generieren, relevante Website-Inhalte zu erstellen oder schnell Zusammenfassungen langer juristischer Texte zu erhalten. Insurtech-Unternehmen wie Wegroup experimentieren mit der Nutzung von GPT im Kundenservice. In den USA hat Sixfold.ai ein GPT-Modell entwickelt, das automatisch Risiken für versicherte Objekte bewerten und geeignete Deckungsratschläge innerhalb der Annahmerichtlinien geben kann.

Generative KI hat derzeit einige wichtige Nachteile. Manuelle Korrekturen und Qualitätskontrollen sind notwendig, insbesondere wenn hochwertige und genaue Daten erforderlich sind. Darüber hinaus müssen Inhalte, die von generativer KI erzeugt werden, validiert werden, da sie als „Black Box“ arbeitet, was es schwierig macht, das genaue Denken hinter den erzeugten Inhalten zu verstehen. Schließlich benötigt generative KI große Mengen an Trainingsdaten, um effektiv zu lernen und neue Informationen zu generieren. Während im Internet enorme Mengen an Daten verfügbar sind, stehen sie selten ausschließlich für den firmeneigenen Gebrauch zur Verfügung. Es gibt auch rechtliche Risiken im Zusammenhang mit generativer KI, wie auf https://www.arag.nl/nieuws/chatgpt-juridisch-risico diskutiert wird.

SPEZIFISCHE KI

Neben der generativen KI gibt es spezifische KI, auch als enge KI bekannt. Sie ist darauf ausgelegt, eine bestimmte Aufgabe effizient mit hoher Fachkenntnis und Genauigkeit auszuführen. Dies ist besonders wichtig in der Versicherungsbranche, wo spezifische KI zunehmend angewendet wird. Enge KI wird auch in Anwendungen wie Bild- und Spracherkennung, Empfehlungssystemen und autonomen Fahrzeugen eingesetzt.

Spezifische KI erfordert Trainingsdaten, die spezifisch für die Aufgabe sind, für die sie entwickelt wurde. Wenn Sie beispielsweise KI zur Vorhersage der Annahmewahrscheinlichkeit eines bestimmten Kraftfahrzeugs verwenden möchten, benötigen Sie nur historische Daten akzeptierter und abgelehnter Kraftfahrzeuganträge. Die Relevanz und Repräsentativität der Trainingsdaten sind entscheidend für die Leistung dieser KI-Modelle. Hier sind einige erfolgreiche Anwendungen spezifischer KI, die bereits von niederländischen Vermittlern und Underwriting-Unternehmen genutzt werden:

• Kündigungsvorhersage: Machine-Learning-Modelle können basierend auf historischen Kunden- und Vertragsdaten trainiert werden, um die Wahrscheinlichkeit vorherzusagen, dass Kunden ihre Policen innerhalb eines bestimmten Zeitraums kündigen (Churn). Algorithmen wie logistische Regression, Entscheidungsbäume oder neuronale Netzwerke werden zu diesem Zweck verwendet. Berater können diese Informationen effektiv nutzen. Kunden mit hoher Kündigungswahrscheinlichkeit erfordern sofortige Aufmerksamkeit und proaktive Ansätze, wie Wartungsgespräche oder Anreize (Verteidigungsstrategie). Andererseits sind Kunden mit niedriger Kündigungswahrscheinlichkeit loyal, und ihre Beziehung kann durch konsistente Pflege gestärkt werden (Pflegestrategie). Sofortiges Handeln ist nicht notwendig. Zusätzlich liefert das Modell Einblicke, warum die Kündigungswahrscheinlichkeit hoch oder niedrig ist, sodass strategische Maßnahmen ergriffen werden können.

• Kundenlebensdauerwert (CLV) Vorhersage: CLV ist ein entscheidendes Maß für Vermittler, die systematische und nachhaltige Rentabilität im Kundenservice anstreben. Technisch kann CLV mithilfe eines Machine-Learning-Modells berechnet werden, das historische Kunden- und Vertragsdaten analysiert. Durch die Kombination mit fortschrittlichen Algorithmen wie Regressionsanalyse oder Überlebensanalyse kann das Modell den zukünftigen Wert in Euro für jeden Kunden vorhersagen, unter Berücksichtigung der Kundenlebensdauer und des Cross-Selling-Potenzials. Mit diesen Informationen können Vermittler die richtigen strategischen Entscheidungen treffen und gezielt in Kunden mit hohem vorhergesagten CLV investieren.

• Nächste beste Policen-Empfehlungen: Durch die Analyse von Kundenprofilen, Vertragsdaten und externen Datenquellen können Machine-Learning-Modelle vorhersagen, welche zusätzlichen Policen oder Deckungsoptionen für jeden einzelnen Kunden am relevantesten und attraktivsten sind. Techniken wie kollaboratives Filtern werden verwendet, um Muster und Ähnlichkeiten zwischen Kunden zu entdecken und personalisierte Empfehlungen zu geben. Auf diese Weise können Vermittler alle Kunden kontinuierlich über relevante Deckungen informieren. Zeigt ein Kunde Interesse, können Berater personalisierte Ratschläge geben (Vergrößerungsstrategie), um die Policendichte zu erhöhen. Kunden mit mehreren Policen sind zudem tendenziell loyaler.

• Robotic Process Automation (RPA): RPA ist eine Technik zur Automatisierung repetitiver und zeitaufwendiger Aufgaben. Während dies mithilfe von intelligenten Geschäftsregeln erreicht werden kann, wird es noch effektiver, wenn es mit Machine-Learning-Modellen (ML) kombiniert wird. Bei Underwriting-Agenturen oder großen Vermittlern kann RPA in der Straight-Through-Processing (STP) für die Annahme verwendet werden. Annahmeprüfer müssen die eingereichten Daten überprüfen und gegen Annahmerichtlinien abgleichen. RPA kann diese Überprüfungsprozesse automatisch durchführen und so die manuelle Arbeit für „Bulkprodukte“ eliminieren. RPA kann auch so konfiguriert werden, dass es Diskrepanzen an die Annahmeprüfer meldet, diese im Prozess einbindet und ihre Arbeit interessanter macht.

• Natural Language Processing (NLP): NLP-Algorithmen können natürliche Sprache verstehen und verarbeiten und werden in Kommunikationskanälen eingesetzt, um schnelle und personalisierte Antworten auf Kundenanfragen und -anforderungen zu geben. Techniken wie Textklassifikation, Entitätsextraktion und Sentimentanalyse werden verwendet, um die Struktur und Bedeutung von Textdaten zu verstehen.

Einige relevante Anwendungen für Vermittler und Underwriting-Unternehmen umfassen:

• Automatische Schadensbearbeitung: NLP-Algorithmen können Schadensformulare analysieren, um relevante Informationen wie die Art des Schadens, die beteiligten Parteien und Vorfallsdetails zu extrahieren. Schäden können auch gegen Vertragsbedingungen überprüft werden. Dies ermöglicht Schadensbearbeitern, Schäden schneller und genauer zu bearbeiten, was zu einer verbesserten Kundenzufriedenheit führt.
• Sentimentanalyse: Mithilfe von NLP-Algorithmen können Vermittler kontinuierlich Einblicke in die Kundenstimmung in Bezug auf Dienstleistungen oder Produkte gewinnen. Dies hilft, Echtzeitmuster im Kundenfeedback und potenzielle Gründe für einen Rückgang der Kundenzufriedenheit zu identifizieren. Die Microsoft-Plattform bietet bereits Sentimentanalyse für geschriebene Texte (z.B. E-Mails über Outlook) und gesprochene Texte (z.B. Anrufe über Teams).
• Chatbots: Durch die Nutzung von Techniken wie Intent-Erkennung oder Named-Entity-Recognition können Chatbots Kundenabsichten verstehen und relevante Antworten geben. Dies reduziert die Arbeitsbelastung und verbessert den Kundenservice. Jeder kennt schlecht gestaltete Chatbots; der Erfolg hängt von der Einrichtung ab. Der gut trainierte Chatbot von Inshared kann beispielsweise über 95% der Fragen automatisch beantworten.

Erstellung einer KI-Roadmap

Die gute Nachricht ist, dass KI Vermittlern bereits verschiedene Möglichkeiten bietet, den Kundenservice zu verbessern. Jedes Büro hat jedoch seine eigene Ausrichtung und Kundengruppe, sodass es keine Einheitslösung gibt. Daher ist es ratsam, eine KI-Roadmap zu entwickeln, um KI effektiv zu nutzen, um die Ziele des Unternehmens zu erreichen (KPIs).

Beginnen Sie mit einer gemeinsamen Erkundung potenzieller Anwendungsfälle im Einklang mit den Zielen und der Strategie des Büros mit dem Managementteam (MT). Priorisieren Sie dann diese Anwendungsfälle gemeinsam in einem Business-Value-gegen-Aufwand-Quadranten. Anwendungsfälle mit hohem erwartetem Geschäftswert, die relativ leicht mit Hilfe von KI umgesetzt werden können, gelten als „Quick Wins“ und sollten priorisiert werden. Schwierigere Anwendungsfälle oder „große Projekte“ kommen als nächstes.

Für Vermittler und Underwriting-Unternehmen können folgende Anwendungsfälle bereits erfolgreich mithilfe von KI-Technologie umgesetzt werden:

• Erhöhung der Policendichte
• Vermeidung von Vertragskündigungen
• Implementierung von aktivem Kundenmanagement im großen Maßstab
• Steigerung der Berater-Effizienz
• Optimierung der Annahme- oder Schadensbearbeitungsprozesse
• Verbesserung der kombinierten Verhältnisse
• Identifizierung von Chancen und Risiken im Kundenportfolio
• Überwachung von Auto-Portfolios
• Verbesserung des (digitalen) Kundenservice

Wählen Sie ein oder zwei Anwendungsfälle aus und richten Sie einen Pilotversuch in einer operativen Umgebung mit begrenztem Umfang ein. Es ist wichtig, den Business Case aus dem Pilotprojekt zu berechnen – zu evaluieren, ob die Investition in KI den erwarteten Geschäftswert im Einklang mit den Unternehmenszielen übersteigt. Die Ziele sollten SMART formuliert werden.

Es ist entscheidend, die Mitarbeiter einzubeziehen und sich auf Change Management zu konzentrieren. Bewerten Sie die Implementierung regelmäßig und passen Sie sie an sich ändernde Bedürfnisse und technologische Fortschritte an. Berücksichtigen Sie auch ethische Überlegungen, Datensicherheit und die Einhaltung von Gesetzen und Vorschriften bei der Implementierung von KI-Lösungen.

Die Verantwortung liegt bei den Vermittlern, die Möglichkeiten der KI schnell zu erkunden. Es ist nicht nötig, das Rad neu zu erfinden, da KI-Lösungen bereits verfügbar sind und sofort eingesetzt werden können. Konsultieren Sie Softwareanbieter oder suchen Sie Rat bei KI-Experten. Durch den Einsatz von KI-Tools können Vermittler ihre Berater weiter stärken, ihre Wettbewerbsposition verbessern, den Kundenservice verbessern und den Weg für ein zukunftsorientiertes und erfolgreiches Versicherungsunternehmen ebnen.

Dennie van den Biggelaar (Mitbegründer von OneSurance) hat über 10 Jahre Erfahrung als KI-Stratege und hat Organisationen wie Johnson & Johnson, CZ, BasicFit, Corendon, Sligro und Samsung bei der Implementierung von Big-Data- & KI-Anwendungen unterstützt.

Während des VIP-Kongresses, der am 4. Juli im AFAS Theater in Leusden, Niederlande, stattfand und von 600 Versicherungsfachleuten besucht wurde, hielt unser KI-Stratege Dennie van den Biggelaar eine Keynote über Aktives Kundenmanagement 2.0 und die praktische Anwendung von KI.

Zwei unserer führenden Kunden teilten ihre positiven Erfahrungen. Besonderer Dank gilt Odette Bakker von Dazure und Ellis de Haan von SUREbusiness. „Viele reden über KI, aber nur wenige tun tatsächlich etwas damit.“

Beim Einsatz von Künstlicher Intelligenz spielt die Datenethik eine große Rolle, wie wir in diesem Artikel erklären. Deshalb arbeiten wir eng mit unserer Schwesterfirma Brush-AI zusammen, dem ersten Unternehmen in den Niederlanden, das sich speziell der verantwortungsvollen KI widmet.

Diese Zusammenarbeit stellt sicher, dass die von uns entwickelten Algorithmen von vornherein den ethischen Rahmenbedingungen für Datenanwendungen entsprechen, die vom niederländischen Versicherungsverband festgelegt wurden.

Wir sehen es jeden Tag im Büro: Moderne Computertechnologie lässt den Berg an ‚Big Data‘ exponentiell wachsen. Aber was können wir mit diesen derzeit bedeutungslosen Daten anfangen? Wie verwandeln wir sie in nutzbare Informationen, die uns bildlich gesprochen in Formation bringen, sodass wir bessere Entscheidungen treffen und den Kundenservice verbessern können? Und wie können wir sicherstellen, dass diese datengetriebenen Entscheidungen ethisch und verantwortungsvoll getroffen werden?

Autoren: Jack Vos (Onesurance.nl) und Max Roeters (Brush-ai.nl)

Das DIKW-Modell

Weisheit ist die Kunst, in allen Umständen die richtigen Urteile zu fällen und korrekt zu handeln. Eines ist klar: Zyklen immer neuer Technologien mit immer mehr verfügbaren Informationen verwirren uns mehr, als dass sie zu Wissen und Weisheit beitragen. Dies stellte bereits der Schriftsteller T.S. Eliot im Jahr 1934 fest. In einem inspirierenden Gedicht schreibt er: „Where is the Life we have lost in living? Where is the wisdom we have lost in knowledge? Where is the knowledge we have lost in information? The cycles of heaven in twenty centuries Bring us further from God and nearer to the Dust.“

Eliots Text wird von vielen als Grundlage des bekannten DIKW-Modells in der ICT-Welt betrachtet. Das Modell beantwortet die Frage, warum wir Daten und Informationen nutzen wollen: um Menschen zu besseren Entscheidungen zu verhelfen.

Wir unterscheiden vier Ebenen:

• Daten: Einfache Fakten und Zahlen. Dies ist der riesige Berg an Big Data, wie alle gespeicherten Vertragsänderungen. Ohne Analyse können wir nichts damit anfangen.
• Information: Daten, die gebündelt, organisiert und vorzugsweise visualisiert werden. Dies ermöglicht es uns zu sehen, was passiert ist und es beispielsweise als Benchmark zu nutzen. Wie viele Policen wurden 2022 im Vergleich zu 2021 gekündigt?
• Wissen: Informationen, aus denen unter Berücksichtigung des Kontexts zugrunde liegende Muster abgeleitet werden können. Dies beantwortet die Frage, warum etwas passiert ist. Warum haben Kunden ihre Policen gekündigt? Warum waren sie unzufrieden? Lag es an Prämienerhöhungen? Schlechter Schadensbearbeitung?
• Weisheit: Idealerweise nutzen wir das gesammelte Wissen, um jetzt und in Zukunft bessere Entscheidungen zu treffen, die allen zugutekommen. Vielleicht können wir vorhersagen, wer eine Police kündigen wird, basierend auf vergangenen Mustern? Und noch wichtiger: Können wir vorhersagen, wie wir Unzufriedenheit bei den Kunden verhindern können?

Die vier Ebenen im DIKW-Modell korrelieren mit den vier Reifegraden der Datenreife, in denen sich eine Organisation befinden kann, nämlich:

• Deskriptives Niveau (Daten in Informationen organisieren)
• Diagnostisches Niveau (Wissen durch Extraktion von Mustern aus Informationen gewinnen)
• Prädiktives Niveau (Wissen nutzen, um vorherzusagen, was passieren wird)
• Verschreibendes Niveau (vorschreiben, wie es geschehen oder verhindert werden kann)

Datenreife gibt an, inwieweit ein Unternehmen seine Datenquellen effektiv nutzt, um die Produktivität zu steigern. Auf den höchsten Ebenen kommt man um den Einsatz von Künstlicher Intelligenz (KI) nicht herum. Wenn wir nach Weisheit streben, wollen wir diese Technologie richtig einsetzen, und dabei spielt die Ethik eine wichtige Rolle.

Wie Berater KI nutzen können

Viele Versicherer, Underwriter und Vermittler stehen vor der Frage, wie sie Zehntausende von Kunden weiterhin optimal betreuen können. Dies kann nur skalierbar durch den intelligenten Einsatz von Daten und KI-Technologie geschehen, da der Einsatz von mehr Beratern einfach zu teuer ist. KI verwendet selbstlernende Algorithmen – im Wesentlichen mathematische Formeln –, die Millionen von Datenpunkten auf Korrelationen analysieren können. Komplexe Software leitet dann prädiktive Muster ab, die anzeigen, ob etwas gut funktioniert oder nicht. Für jeden Kunden kann beispielsweise eine fundierte Vorhersage getroffen werden, welche Maßnahmen in der Customer Journey zur höchsten Kundenzufriedenheit und zum höchsten Ertrag für das Büro führen. Dieses Wissen ermöglicht es Beratern, effektiver zu arbeiten und ihre wertvolle Zeit so effizient wie möglich zu nutzen.

Einige Menschen misstrauen der KI-Technologie, weil sie glauben, dass sie in einer „Black Box“ arbeitet. Das bedeutet, dass zwar die eingehenden und ausgehenden Informationsströme des Algorithmus sichtbar sind, die Mechanismen, die diese beiden Ströme verbinden, jedoch nicht. Aus dem Bestreben nach Weisheit wollen wir die Eigenschaften dieser Mechanismen kennen, um die Interpretierbarkeit der KI sicherzustellen. Dies ist besonders wichtig beim Umgang mit personenbezogenen Daten.

Verantwortungsvolle KI und der ethische Rahmen

Die Idee hinter der Methodik namens „verantwortungsvolle KI“ besteht darin, den Algorithmus von Grund auf so zu entwickeln und einzurichten, dass der Nutzer immer eine fundierte Entscheidung darüber treffen kann, ob sein Einsatz im jeweiligen Kontext ethisch vertretbar ist. Der ethische Rahmen für datengetriebene Entscheidungsfindung, der vom niederländischen Versicherungsverband aufgestellt wurde, stimmt gut damit überein. Dieser Rahmen legt fest, dass sieben Anforderungen für den ethischen Einsatz von KI beachtet werden müssen. Die genauen Standards finden sich im ethischen Rahmen, und hier ist eine kurze Erklärung:

• Menschliche Autonomie und Kontrolle: KI sollte ein Mittel zu einer bestimmten Lösung sein, nicht das Ziel selbst. Das bedeutet, dass weniger komplizierte Technologien bevorzugt werden sollten, wenn sie dasselbe Ergebnis erzielen können. Auch Risiken und potenzielle Interessenkonflikte müssen ausreichend berücksichtigt werden.
• Technische Robustheit und Sicherheit: Kundendaten müssen logischerweise geschützt und die Qualität der Daten sichergestellt werden. Veraltete Kundendaten können unbeabsichtigt zu falschen Erkenntnissen führen.
• Privatsphäre und Datenverwaltung: Die Wahrung der Privatsphäre hat bei der Arbeit mit Daten oberste Priorität. Menschliche Aufsicht ist entscheidend, da bestimmte Verzerrungen (Vorurteile) unvermeidlich in das Modell einfließen können. Die aufmerksame und präventive Auseinandersetzung damit hilft, unnötige Fehler zu vermeiden.
• Transparenz: Besonders bei Entscheidungen, die das Leben einer Person erheblich beeinflussen können – wie die Ablehnung eines Anspruchs –, ist es wichtig, das KI-Modell so zu strukturieren, dass es immer möglich ist, den Kunden zu erklären, wie eine Entscheidung getroffen wurde.
• Diversität, Nichtdiskriminierung und Fairness: Es ist wichtig anzuerkennen, dass es fast unmöglich ist, ein völlig vorurteilsfreies KI-Modell zu erstellen. Durch besondere Aufmerksamkeit für unterrepräsentierte oder verletzliche Gruppen können wir verhindern, dass das Modell sie bewusst oder unbewusst diskriminiert.
• Gesellschaftliches Wohlergehen: KI sollte dazu beitragen, dass möglichst viele Kunden versicherbar bleiben, und diejenigen, die schwer zu versichern sind oder das Risiko haben, unversicherbar zu werden, sollten über Möglichkeiten zur Risikominderung oder -deckung informiert werden. Interpretierbare und transparente Modelle können Kunden präziser informieren, indem sie beispielsweise die Kundenattribute angeben, auf denen eine Entscheidung basiert.
• Verantwortlichkeit: Sichere und aufnahmefähige Interaktion über die potenziellen Risiken der KI zwischen dem Versicherer, seinen Mitarbeitern und seinen Kunden ist unerlässlich. Daher sollten Mechanismen, die eine kontinuierliche Bewertung der Technologie ermöglichen, bei der Entwicklung berücksichtigt werden.

Technologie und Ethik: Der Mensch in der Schleife

Was ein Mensch nicht kann, kann die KI-Technologie: enorme Datenmengen in nutzbare Informationen umwandeln und darin prädiktive Muster erkennen. Dies ermöglicht es Versicherungsunternehmen, Berater effektiver einzusetzen, insbesondere wenn sie zehntausende oder gar hunderttausende Kunden skalierbar betreuen wollen. Im Streben nach Weisheit wollen wir den „Menschen in der Schleife“ behalten. Der ethische Rahmen bietet Richtlinien, die helfen, die Qualität eines KI-Modells sicherzustellen. Dies ist keine Bedrohung für die KI, im Gegenteil, sie wird viel eher genutzt und akzeptiert, insbesondere wenn die verantwortungsvolle KI-Methode angewendet wird. Der Berater spielt immer eine wichtige Rolle, solange er seine zwischenmenschlichen Qualitäten wie Empathie, Freundlichkeit und Vertrauen zum richtigen Zeitpunkt einbringt.

Interview mit Indra Frishert, Marketing & Sales Director / Miteigentümerin von Dazure

Für diejenigen, die Sie noch nicht kennen, was ist Dazure?
Dazure ist ein Underwriting-Agentur, die innovative Versicherungsprodukte erstellt, die in die heutige Welt passen: ehrliche Produkte, die wir auch unseren Lieben anbieten möchten.

Warum haben Sie mit KI begonnen?
Wir waren neugierig darauf, wie wir unseren Service für Kunden verbessern können, indem wir mehr von all den Daten nutzen, die wir in den letzten 14 Jahren gesammelt haben. Die Daten stellten sich als von guter Qualität heraus. In kurzer Zeit erhielten wir viele großartige Erkenntnisse und nutzbare Möglichkeiten. Dies hat uns positiv überrascht!

Welche Vorteile sehen Sie in der KI?
Der große Vorteil ist der selbstlernende Effekt der KI. Dadurch können wir in der Customer Journey große Fortschritte machen, während wir den „Menschen in der Schleife“ behalten, um sicherzustellen, dass diese Fortschritte sorgfältig gemacht werden. Auf diese Weise können wir unsere Prozesse für den Kunden verbessern, beschleunigen und vereinfachen. Beispielsweise wird beim Akzeptanzprozess für Lebensversicherungen stark auf medizinische Fachkräfte (wie Hausärzte) zurückgegriffen. Dies entspricht nicht den Wünschen der Kunden, die eine Police sofort haben möchten, und es belastet auch die medizinische Welt, die Besseres zu tun hat, als Versicherungsrisiken zu bewerten. Mit KI können wir vorhersagen, welche kleinen medizinischen Untersuchungen (SMEs) unnötig sind. KI ist ein effektives Werkzeug, vorausgesetzt, es wird richtig eingesetzt.

Warum ist verantwortungsvolle KI so wichtig?
Verantwortungsvolle KI ist für uns wichtig, weil Big Data an sich nicht die Gefahr ist, sondern wie wir als Menschen (Unternehmer) mit Daten umgehen. Wir wenden den „Familienmaßstab“ auf all unsere Produkte an. Dies ist der Standard, den wir in allen Bereichen umsetzen und den wir sehr wichtig finden. Wenn man etwas nicht seiner eigenen Familie anbieten würde, sollte man es einfach nicht tun. Wenn man diesen Maßstab auch auf den KI-Aspekt anwendet, glauben wir, dass man ein Unternehmen schafft, das wirklich an einer langfristigen Beziehung zu seinen Kunden arbeitet.

„Innovation ist ein deutlich wahrnehmbarer Sprung der Erneuerung. Das Bestehende wird dadurch aufgerüttelt. Dies ist auf dem niederländischen Versicherungsmarkt kaum der Fall,“ sagen Dennie van den Biggelaar und Jack Vos in diesem Artikel, der im bekanntesten Versicherungsfachmagazin der Niederlande veröffentlicht wurde.

In der niederländischen Versicherungsbranche scheint es ziemlich bequem, alles beim Alten zu belassen, während andere Sektoren, wie der Einzelhandel und die Reisebranche, aufgrund des starken Wettbewerbs erhebliche Veränderungen durchgemacht haben. Laut einer kürzlich durchgeführten Innovationsstudie in der Versicherungsbranche wird erwartet, dass ‚etwas‘ kommt, und dieses ‚etwas‘ wird eine bedeutende Störung für die Branche sein, insbesondere im Privatkundenmarkt. Es wird vergessen, dass diese innovativen Akteure bereits in anderen Ländern für Aufruhr sorgen. Zum Beispiel erobert Wefox, eine Online-Versicherungsplattform, Europa im Sturm. Oder die indische Insurtech Acko, in die Amazon investiert hat. Acko hatte in kurzer Zeit 70 Millionen Kunden. Sowohl Wefox als auch Acko werden von Munich Re unterstützt, und das ist kein Zufall.

Innovation folgt immer einer erkennbaren Abfolge. Vom Produkt über Dienstleistungen zu Lösungen, zu Erlebnissen, zur Transformation basierend auf strategischer Innovation. Bei der Transformation wird die Raupe zum Schmetterling. Daher ist es eine gute Idee, sich mit Ihrem Managementteam in einen Kokon zu setzen und zunächst eine klare, mutige Innovationsstrategie zu formulieren. Machen Sie dies vorzugsweise mit Menschen, die über ihre eigenen Grenzen hinausdenken können, sonst enden Sie nur mit einer Raupe mit Laufschuhen.

Zusammen mit Building Blocks haben wir eine energetische Keynote auf dem VIP-Kongress der Stichting Contactgroep Automatisering bei AFAS Software in Leusden gehalten. Es war eine erfolgreiche Veranstaltung mit über 600 Teilnehmern aus der Versicherungsbranche! Besonderer Dank gilt den Organisatoren Michael Mackaaij, Jeroen Oversteegen, Eric Boers, Willem Vreeswijk und allen anderen Beteiligten!

Eine Studie von TJIP The Platform Engineers zeigt, dass 72% der Verbraucher von Finanzdienstleistern erwarten, regelmäßig und mit einem personalisierten Angebot angesprochen zu werden. Dies steht im Einklang mit einer kürzlich durchgeführten Studie von McKinsey & Company (Next in Personalization 2021 Report), bei der 71% der Verbraucher angaben, dass sie personalisierte Interaktionen von einem Unternehmen erwarten. Wenn dies nicht geschieht, sind 76% sogar so frustriert, dass sie nach einem anderen Unternehmen suchen!

Nicht mit Personalisierung zu beginnen bedeutet, dass Sie unvermeidlich viele Kunden verlieren werden, da die Erwartungen nicht erfüllt werden. In diesem Artikel, der auf VVP veröffentlicht wurde, der führenden Plattform für Finanzberater, lesen Sie über das Wie und Was der Personalisierung, was zu einer höheren Kundenbindung führt.

Besonderer Dank geht an Wilbert Beelen, Digital Marketing Specialist bei Univé, und Mark Kruisman, Senior Marketing Specialist bei Centraal Beheer, für ihren Beitrag

Mein Beitrag konzentriert sich auf Generation Z und Millennials, die von Ihrem Unternehmen einen anderen Kundenservice fordern (und erwarten). Einige Schlussfolgerungen:

• 50% der Generation Z werden Ihr Unternehmen nach nur einer schlechten Erfahrung verlassen, und 92% nach zwei schlechten Erfahrungen in der Customer Journey.
• Generation Z bevorzugt Chatten gegenüber Telefonieren.
• 85% der Generation Z überprüfen soziale Medien auf positive Referenzen.
• Generation Z ist sensibel gegenüber Botschaften von authentischen Personen.
• Nur 16% der Generation Z nutzen Facebook, während 41% Instagram nutzen.
• 81% der Generation Z haben mit finanziellen Problemen zu kämpfen, insbesondere bei Lebensereignissen wie dem Zusammenziehen.
• Die vollständigen Studien finden Sie hier: Studie 1 Studie 2

Panelmitglieder: Robin van Beem, Astrid Duits, Richard Meinders, Edwin Bosma und ich.