Häufig gestellte Fragen

Wir bieten eine explorative Datenanalyse (EDA) an. Diese EDA umfasst die Sammlung anonymisierter Daten, deren Verarbeitung und Bereinigung, die Durchführung einer deskriptiven Portfolioanalyse, die Merkmalsentwicklung, den Modellaufbau und die Modellevaluierung. Dies hilft uns, die besten KI-Lösungen für Ihr Unternehmen zu identifizieren.

Ja, wir stellen sicher, dass alle Daten sicher in isolierten Containern in der Azure Cloud gehostet werden und während des EDA-Prozesses nur anonymisierte Daten verwendet werden.

Wir benötigen einen begrenzten Satz anonymisierter Daten, die entweder über einen Datenexport oder durch unsere Partner bereitgestellt werden können.

Der EDA-Prozess dauert typischerweise eine Woche, abhängig von der Komplexität und dem Umfang der bereitgestellten Daten.

Die EDA ist für eine feste Gebühr von 3.000 € bis 8.000 € verfügbar, abhängig vom Umfang und den Anforderungen Ihrer Analyse.

Wir verwenden automatische Merkmalsauswahl, trainieren über 10 ML-Modelle und führen automatisierte Kreuzvalidierungen durch, um die Genauigkeit und Zuverlässigkeit unserer Vorhersagen sicherzustellen.

Die Vorteile umfassen reduzierte Kündigungen, erhöhte Policendichte, gesteigerte Effizienz der Berater, verbesserte Straight-Through-Processing-Raten, optimierte Betriebseffizienz und Einhaltung regulatorischer Standards.

Wir verwenden APIs, um nahtlos mit Ihren Backend-Datenquellen zu verbinden und Vorhersagen über interaktive Dashboards in Ihre Front-End-Anwendungen zu integrieren.

„Mensch in der Schleife“ bezieht sich auf unseren Ansatz, Ihre Mitarbeiter mit KI zu unterstützen, anstatt sie zu ersetzen. Es stellt sicher, dass die Automatisierung mit menschlicher Aufsicht und Interaktion dort ausgeglichen wird, wo sie notwendig ist.

Ja, unsere KI-Engine ist darauf ausgelegt, hohe Standards in der Kundenbetreuung und der Einhaltung von Vorschriften zu gewährleisten, indem skalierbare, informierte Kundeninteraktionen bereitgestellt werden.

Wir bieten umfassende Unterstützung während des Integrationsprozesses und fortlaufende Unterstützung, um die kontinuierliche Wirksamkeit unserer KI-Lösungen sicherzustellen.

Absolut, unsere KI-Engine ist modular aufgebaut und kann an die einzigartigen Anforderungen Ihres Unternehmens angepasst werden.

Wir halten uns strikt an Datenschutzvorschriften und stellen sicher, dass alle Daten während des gesamten Prozesses anonymisiert und sicher behandelt werden.

Unser exklusiver Fokus auf den Versicherungssektor, kombiniert mit unserem tiefen Branchenwissen und strategischen Partnerschaften, stellt sicher, dass unsere KI-Lösungen speziell auf die einzigartigen Herausforderungen und Chancen in der Versicherungsbranche zugeschnitten sind.

Ja, wir halten uns an die DSGVO und andere internationale Datenschutzvorschriften und stellen sicher, dass alle Datenverarbeitungspraktiken den höchsten Standards in Bezug auf Datenschutz und Sicherheit entsprechen.

Wir haben strenge Zugriffskontrollen und Protokolle zur Überwachung der Datennutzung. Nur autorisiertes Personal hat Zugriff auf Ihre Daten, und alle Aktivitäten werden protokolliert und überprüft, um Missbrauch zu verhindern.

Nach Abschluss des EDA-Prozesses stellen wir sicher, dass alle anonymisierten Daten entweder sicher archiviert oder gemäß Ihren Präferenzen und gesetzlichen Anforderungen gelöscht werden.

Basierend auf den Erkenntnissen aus der EDA arbeiten wir mit Ihnen zusammen, um spezifische Module auszuwählen, die am besten auf Ihre Geschäftsanforderungen zugeschnitten sind. Diese Module werden dann verwendet, um Vorhersagen als Service (PaaS) bereitzustellen und kontinuierliche und genaue Vorhersagen zu gewährleisten.

Predictions as a Service (PraaS) ist eine Lösung, bei der Onesurance kontinuierlich umsetzbare Vorhersagen auf Basis Ihrer Daten bereitstellt, ohne dass Sie die zugrunde liegende Infrastruktur oder Modelle verwalten müssen. Dieser vollständig verwaltete Service ermöglicht es Ihnen, sich auf die Nutzung der Vorhersagen zur Steuerung von Geschäftsentscheidungen zu konzentrieren.

• Predictions as a Service (PraaS) bezieht sich auf einen cloudbasierten Dienst, der Unternehmen Fähigkeiten zur prädiktiven Analytik bietet. Durch die Nutzung fortschrittlicher maschineller Lernmodelle und Algorithmen ermöglicht PraaS Unternehmen, datengestützte Vorhersagen zu treffen, ohne umfangreiche interne Datenwissenschaftliche Expertise oder Infrastruktur zu benötigen. Benutzer können ihre Daten in den Dienst eingeben, der dann die Daten verarbeitet und Vorhersagen, Einblicke und Empfehlungen generiert.
• Vorteile von PraaS für den Kunden sind:

Kosten-Effizienz:

• Reduzierte Infrastrukturkosten: Kunden müssen nicht in teure Hardware und Software für prädiktive Analytik investieren.
• Kein Bedarf an interner Expertise: Eliminierung der Notwendigkeit, ein Team von Datenwissenschaftlern einzustellen und zu unterhalten, was kostspielig und ressourcenintensiv sein kann.

Skalierbarkeit:

• On-Demand-Ressourcen: PraaS kann Ressourcen basierend auf den Bedürfnissen des Kunden skalieren, was Flexibilität bei der Bewältigung unterschiedlicher Datenvolumen und Rechenanforderungen bietet.
• Pay-as-You-Go: Kunden zahlen nur für die genutzten Ressourcen, was es zu einer kosteneffizienten Lösung für Unternehmen jeder Größe macht.

Geschwindigkeit und Effizienz:

• Schnelle Bereitstellung: PraaS-Lösungen können schnell implementiert werden, sodass Kunden in kurzer Zeit Vorhersagen und Einblicke generieren können.
• Echtzeit-Vorhersagen: Wir bieten Echtzeit- oder nahezu Echtzeit-Vorhersagen, sodass Kunden zeitnahe und fundierte Entscheidungen treffen können.

Erweiterte Analytik:

• Zugang zu modernster Technologie: Kunden profitieren von den neuesten maschinellen Lernmodellen und Algorithmen, die kontinuierlich von Onesurance aktualisiert und gewartet werden.
• Umfassende Einblicke: PraaS kann tiefe Einblicke bieten und verborgene Muster in Daten aufdecken, die mit traditionellen Analysemethoden möglicherweise übersehen werden.

Fokus auf das Kerngeschäft:

• Optimierte Abläufe: Durch das Outsourcing der prädiktiven Analytik können sich Kunden auf ihre Kernaktivitäten und strategischen Initiativen konzentrieren.
• Verbesserte Entscheidungsfindung: Mit genauen und zuverlässigen Vorhersagen können Kunden besser informierte Entscheidungen treffen, die das Unternehmenswachstum und die Effizienz fördern.

Sicherheit und Compliance:

• Sichere Umgebung: PraaS-Anbieter bieten typischerweise robuste Sicherheitsmaßnahmen zum Schutz sensibler Daten.
• Compliance: Wir stellen sicher, dass unsere Dienste den Branchenstandards und Vorschriften entsprechen, was besonders wichtig für Sektoren wie Finanzen und Versicherungen ist.

Vorhersagen werden über APIs direkt in Ihre bestehenden Front-End-Anwendungen geliefert, was eine nahtlose Integration und sofortige Nutzbarkeit ermöglicht.

Ja, im Rahmen unseres Service bieten wir eine Demo- oder Pilotphase an, in der Sie realistische Beispiele dafür sehen können, wie unsere Vorhersagen Ihrem Unternehmen zugutekommen können. Dies hilft Ihnen, eine fundierte Entscheidung über die vollständige Implementierung unserer PraaS-Lösung zu treffen.

• Unsere Strategie besteht darin, Partnerschaften mit Kunden und führenden Versicherungsunternehmen zu etablieren, um KI-Lösungen im Versicherungsbereich in großem Maßstab bereitzustellen. Dazu haben wir ein standardisiertes Datenmodell, bekannt als das "Onesurance-Datenmodell", entworfen und entwickelt, das die Grundlage für das Training unserer KI-Module in großem Maßstab bildet.
• Die minimalen Datenanforderungen des Onesurance-Datenmodells sind so konzipiert, dass nur grundlegende Policendaten verwendet werden, da diese Daten typischerweise von hoher Qualität sind und in einem ausgereiften Versicherungsunternehmen immer konsistent verfügbar sind. Wenn solche grundlegenden Policendaten ungenau wären, wäre es nahezu unmöglich für ein Versicherungsunternehmen, operativ zu funktionieren. Dies würde zu falschen Policen für Kunden oder falscher Abrechnung führen, was die Grundlage eines gut funktionierenden Versicherungsunternehmens darstellt. Die KI-Module sind so konzipiert, dass sie nur diese grundlegenden Daten benötigen, sodass wir sofort mit KI einen Mehrwert schaffen können, ohne vorher ein zeitaufwändiges Datenbereinigungsprojekt durchführen zu müssen.
• Zusätzlich zu den minimalen Datenanforderungen kann das Onesurance-Datenmodell viele zusätzliche Datenquellen verwalten, wie: Kundendaten, Schadensbearbeitungsdaten, detaillierte Produktdaten, Kundenkontaktdaten, Mitarbeiterdaten und externe Datenquellen. Generell bevorzugen wir es, so viele Daten wie möglich zu übernehmen, unter der wichtigen Voraussetzung, dass diese Daten von ausreichender Qualität sind.
• Darüber hinaus haben wir die Prozesse der Datenbereinigung, Datenüberprüfung und Datenumwandlung automatisiert, indem wir unser tiefes Verständnis von Versicherungsdatensätzen nutzen, um Genauigkeit und Effizienz zu gewährleisten.
• Beim Anschluss eines neuen Kunden oder Partners identifiziert unser „automatisierter Datenqualitätscheck“, welche Datenquellen und entsprechenden Spalten für die KI-Modul-Integration von ausreichender Qualität sind (d.h. grünes Signal) und welche nicht (d.h. gelbes/rotes Signal). Anschließend wenden wir unsere „standardisierten Datenbereinigungswerkzeuge“ an, um den berechtigten Datensatz mit den zu bereinigenden Daten zu erweitern. Optional können wir eine Gesamteinschätzung der Datenqualität geben und Ratschläge für zukünftige Verbesserungen der Datenqualität anbieten.
• In den Niederlanden haben wir eine erfolgreiche Partnerschaft mit InsuranceData realisiert, einem Unternehmen, das von der Wirtschaftsprüfungs- und Beratungsfirma SVC Groep (einem Mitglied der International PIA Group) gegründet wurde. SVC/InsuranceData bedient 70%-80% der großen Makler in den Niederlanden, was sie zu einem bedeutenden Akteur in der Branche macht. Siehe auch Onesurance und InsuranceData Partnerschaft.
• InsuranceData integriert und standardisiert Daten aus den am häufigsten verwendeten Backoffice-Systemen in ihre Business Intelligence (BI)-Plattform. Diese Integrationsfähigkeit macht sie zu einem logischen und bevorzugten Partner für die Datenintegration. Basierend auf unserer Erfahrung und Vision glauben wir, dass schnell wachsende Makler im M&A-Bereich immer eine BI-Plattform benötigen, um Echtzeitdaten verfügbar zu haben. Da sich InsuranceData auf deskriptive und diagnostische Analysen konzentriert, können wir eine synergetische Partnerschaft mit solchen BI-Plattformen erreichen, bei der wir prädiktive und präskriptive Analysen hinzufügen.
• Obwohl wir es bevorzugen, Daten im Onesurance-Datenmodell zu übernehmen, erkennen wir an, dass dies nicht immer möglich ist. Bis heute haben wir erfolgreich mehrere verschiedene Datensätze durch Datenumwandlungen, die vom Onesurance-Team in Zusammenarbeit mit dem (Datenlieferanten des) Kunden durchgeführt wurden, integriert. Obwohl die eigene Datenumwandlung die Durchlaufzeit erhöhen kann, sind wir natürlich voll in der Lage, verschiedene Datensätze zu nutzen, um unsere Modelle zu speisen.

• Wie durch unsere Zusammenarbeit mit InsuranceData gezeigt, sind wir gut ausgestattet, um Integrationen zu managen und zu überwachen. Tatsächlich ist die Integration von Algorithmen eine unserer Kernkompetenzen, zusätzlich zu deren Design, Aufbau und Betrieb.
• Die Machbarkeit jeder Integration hängt von der Größe des Marktes und den damit verbundenen Vorteilen und Nachteilen ab. Integrationen mit Agency-Management-Plattformen können sowohl für den Kunden als auch für die Plattform erhebliche Vorteile bieten und einen Wettbewerbsvorteil bieten, ohne dass die Plattform ihr eigenes Data-Science-Team aufbauen muss. Solche Integrationen können auch die Effektivität der Plattformdaten verbessern und dadurch deren Gesamtwert steigern.

• Unsere Präferenz ist es, Daten im Onesurance-Datenformat zu erhalten, das ein relativ einfaches Modell aus grundlegenden Policendaten besteht.
• Wir verstehen jedoch, dass dies nicht für alle Kunden machbar ist. Für gängige Datenformate haben wir standardisierte Datenkonnektoren entwickelt, die es uns ermöglichen, die Daten automatisch für unsere Kunden zu bereinigen und zu konvertieren. Diese Fähigkeit erstreckt sich auf gängige europäische oder amerikanische Datenformate, sodass die Kunden die Arbeit nicht selbst übernehmen müssen.
• Darüber hinaus verfügt unser Team von Datenexperten im Durchschnitt über mehr als 10 Jahre Erfahrung in den Bereichen Data Science, maschinelles Lernen und KI. Daher sind sie bemerkenswert vertraut und sicher im Umgang mit der Sammlung exotischer Datensätze und deren Umwandlung in einen nützlichen Datensatz für Trainingszwecke, falls erforderlich.

• Sichere und ethische Lösungen bereitzustellen, ist einer unserer Kernwerte, und dieses Engagement spiegelt sich in unseren umfassenden Informationssicherheitspolitiken wider. Diese Richtlinien gewährleisten die Einhaltung aller aktuellen EU-Vorschriften, die wir gesetzlich einhalten müssen.
• Wir sind Teil der Cronos Group, dem größten ICT-Unternehmen in Belgien mit über 11.000 Mitarbeitern. Dementsprechend halten wir uns an deren strenge Sicherheitsstandards.
• Compliance ist für uns nicht optional, und um die Sicherheit der Daten unserer Kunden zu gewährleisten, beschäftigt Onesurance derzeit einen Datenschutzbeauftragten (DPO). Wir planen, diese Person in naher Zukunft als Chief Information Security Officer (CISO) zu zertifizieren.
• In Bezug auf ethische Überlegungen haben wir bei der Entwicklung unserer prädiktiven Modelle mit Brush-AI zusammengearbeitet. Brush-AI, ebenfalls unter dem Dach von Cronos, konzentriert sich auf die ethische Implementierung von KI-Modellen. Sie haben uns beim Aufbau eines Rahmens unterstützt, um einen ethischen Ansatz sicherzustellen. Dieser ethische Rahmen umfasst eine Analyse der ethischen Risiken, die der Einsatz eines KI-Modells mit sich bringen könnte, und ist in die Entwurfsphase integriert.
• Der Gründer von Brush-AI wurde kürzlich zum Responsible AI Leader of the Year gewählt, und die Niederlande wurden kürzlich als das weltweit führende Land in Bezug auf Responsible AI ausgewählt.
• Unsere Kunden fühlen sich jedoch am wohlsten, wenn wir nur die notwendigen anonymisierten Daten abrufen und vermeiden, auf persönlich identifizierbare Informationen (PII) oder andere sensible Daten zuzugreifen, es sei denn, dies ist absolut notwendig.

• Derzeit nutzen wir keine generative KI, da dieser spezifische Zweig der KI für unsere aktuellen Anwendungsfälle nur wenig Nutzbarkeit bietet. Andere Zweige der KI sind besser für unsere aktuellen Anwendungen geeignet.
• Unsere KI-Lösungen sind hochinnovativ, da sie darauf ausgelegt sind, die einzigartigen Herausforderungen und Chancen in der Versicherungsbranche zu adressieren. Nicht als Einzelprojekt, sondern als skalierbares und erschwingliches Produkt mit einer beispiellos schnellen Time-to-Value. Unsere Lösungen nutzen die Verfügbarkeit von Basisdaten für mittelgroße Makler, nicht nur für große Versicherer, und bleiben dabei vollständig konform mit aktuellen und zukünftigen KI-Vorschriften.
• Unser Team erkundet weiterhin Anwendungen der generativen KI und wird diese einführen, wenn sie unseren Kunden zusätzlichen Nutzen bringen kann.
• Diese Perspektive wird von bekannten IT-Beratungsunternehmen wie Gartner unterstützt. Wir glauben, dass spezifische KI im Versicherungsbereich größeren Wert bietet, da sie Präzision, Zuverlässigkeit und Transparenz liefert – Qualitäten, die generative KI derzeit nicht bietet.

Was sagt Gartner:

• Der Hype um generative KI kann dazu führen, dass die Technologie dort eingesetzt wird, wo sie nicht geeignet ist, was das Risiko erhöht, dass Projekte komplexer und fehleranfälliger werden.
• Eine übermäßige Fokussierung auf generative KI kann dazu führen, dass die breitere Palette alternativer und etablierterer KI-Techniken ignoriert wird, die besser für die Mehrheit der potenziellen KI-Anwendungsfälle geeignet sind.
• • • Hoch nützlich: Inhaltserstellung, Konversationsschnittstellen Zuordnung Ihres Anwendungsfalls zur relevanten Anwendungsfallfamilie. Generative KI is, Wissensentdeckung.
    • Etwas nützlich: Segmentierung/Klassifikation, Empfehlungssystemen, Wahrnehmung, intelligente Automatisierung, Anomalieerkennung/Überwachung.
    • Kaum nützlich: Vorhersage/Prognose, Planung, Entscheidungsintelligenz, autonome Systeme.
    • Generative KI kann auch eine schlechte Passform für Ihren Anwendungsfall sein, wenn die damit verbundenen Risiken inakzeptabel sind und nicht effektiv gemindert werden können. Dazu gehören unzuverlässige Ergebnisse, Datenschutz, geistiges Eigentum, Haftung, Cybersicherheit und regulatorische Compliance, entweder allein oder in Kombination miteinander.

   

   

   

   

• Sie können mehr über unsere Vision zur KI auf unserer Website lesen: Im Kontext der Versicherungsbranche, in der Präzision, Zuverlässigkeit und Transparenz von größter Bedeutung sind, erweist sich spezifische KI als die überlegene Wahl. Hier ist der Grund:
  • Maßgeschneiderte Expertise: Spezifische KI zeichnet sich durch spezifische Aufgaben mit hoher Genauigkeit und Fachkenntnis aus. In der Versicherungsbranche, wo Aufgaben von Abwanderungsprognosen bis hin zu Kundensegmentierung reichen, stellt maßgeschneiderte Expertise optimale Leistung sicher.
  • Transparenz: Transparenz ist in der Versicherungsbranche von entscheidender Bedeutung, da Entscheidungen das Leben und das finanzielle Wohlergehen der Menschen direkt beeinflussen. Spezifische KI bietet Transparenz, indem sie den Benutzern ermöglicht zu verstehen, wie Entscheidungen getroffen werden, und Einblicke in die zugrunde liegenden Algorithmen gibt, wodurch Vertrauen bei den Stakeholdern aufgebaut wird.
  • Anpassungsfähigkeit: Im Gegensatz zu breiten KI-Ansätzen kann spezifische KI auf domänenspezifischen Daten trainiert werden, was sie hochgradig anpassungsfähig an die einzigartigen Bedürfnisse und Herausforderungen des Versicherungsgeschäfts macht. Durch die Nutzung branchenspezifischer Datensätze können Modelle feinabgestimmt werden, um präzise Ergebnisse zu liefern, was zu verbesserten Entscheidungen und Ergebnissen führt.
  • Zuverlässigkeit und Genauigkeit: Spezifische KI-Modelle werden mit einem engen Fokus entwickelt und trainiert, was zu höherer Zuverlässigkeit und Genauigkeit im Vergleich zu allgemeinen KI-Ansätzen führt. In der Versicherungsbranche, wo Entscheidungen erhebliche finanzielle Auswirkungen haben, ist die Fähigkeit, sich auf genaue Vorhersagen zu verlassen, entscheidend für den Geschäftserfolg und die Kundenzufriedenheit.
  • Skalierbarkeit und Effizienz: Spezifische KI-Lösungen sind auf Effizienz optimiert, sodass Versicherer ihre Abläufe rationalisieren und ihre Prozesse effektiv skalieren können. Durch die Automatisierung sich wiederholender Aufgaben und die Optimierung von Arbeitsabläufen können Versicherer die Produktivität steigern, Kosten senken und die Gesamtgeschäftsleistung verbessern.

• Um die Genauigkeit unserer Vorhersagen zu beweisen, setzen wir mehrere rigorose Methoden ein. Eine davon ist die Kreuzvalidierung, eine statistische Methode zur Bewertung der Leistung von maschinellen Lernmodellen. Dabei wird der Datensatz in Teilmengen aufgeteilt: das Modell wird mit einigen Teilmengen trainiert und mit den verbleibenden validiert. Beispielsweise verwenden wir einen Datensatz mit einer 5-jährigen Historie von Policendaten. Der Datensatz wird in zwei Teilmengen aufgeteilt: das Modell wird mit den Daten der ersten 4 Jahre trainiert und mit den Daten des letzten Jahres validiert.
• Dieser Ansatz ermöglicht es uns zu zeigen, dass wir, wenn wir rückblickend Abwanderungen in einem Datensatz vorhersagen können, den das Modell vorher nicht gesehen hat, auch zukünftige Vorhersagen genau treffen können. Wir stellen den Kunden die Vorhersagen als Beweis für die Genauigkeit jedes Modells zur Verfügung.
• Wir verwenden gebräuchliche Genauigkeitsmetriken, um die Leistung unserer maschinellen Lernmodelle zu bewerten. Dazu gehören Maße wie Präzision und Recall, um die Genauigkeit der von unseren Modellen generierten Vorhersagen zu quantifizieren.
• Diese Metriken ergänzen wir durch zusätzliche Metriken zur Messung des Geschäftswerts. Zum Beispiel simulieren wir, wie viel Abwanderung wir hätten verhindern können, wenn wir die Kunden mit dem höchsten Risiko angesprochen hätten, und prüfen, ob die vorhergesagten abwandernden Kunden tatsächlich abgewandert sind.
• Im Betrieb führen wir A/B-Tests durch, auch bekannt als Split-Testing oder Bucket-Testing. Wir vergleichen die Leistung anhand beider Metriken, indem wir die aktuelle Methode unserer Kunden simulieren und sehen, wie diese in Bezug auf beide Metriken abschneidet. So können wir den zusätzlichen Wert unserer maschinellen Lernmodelle messen. A/B-Tests sind eine mächtige Methode, um datengestützte Entscheidungen zu treffen und Benutzererfahrungen zu optimieren, indem verschiedene Versionen verglichen und diejenige ausgewählt wird, die bessere Ergebnisse liefert. Es ist wichtig, den Test über einen ausreichenden Zeitraum durchzuführen, um Variationen im Benutzerverhalten im Laufe der Zeit zu berücksichtigen und genügend Daten zu sammeln, um statistische Signifikanz zu erreichen.

• Wir können genaue Vorhersagen für Kunden mit nur 50.000 Beobachtungen treffen. Bei unseren Kunden sehen wir typischerweise durchschnittlich 200.000 bis 500.000 Beobachtungen, und wir erreichen generell bessere Genauigkeit bei Kunden, die mehr Daten haben. Aber auch schon ab 50.000 Beobachtungen können wir nützliche Ergebnisse erzielen.
• Wir kombinieren keine Daten aller unserer Kunden für Trainingszwecke, da jedes Kundenportfolio unterschiedliche Marktdynamiken und Kundentypen aufweist. Wir stellen fest, dass das Training mit spezifischen Daten aus jedem Kundenportfolio bessere Ergebnisse liefert als das Training mit aggregierten Daten aller Kunden.
• Zudem wollen unsere Kunden in der Regel nicht, dass ihre Daten zum Vorteil ihrer Konkurrenten verwendet werden. Daher halten wir eine strikte Datentrennung zwischen den Datensätzen der Kunden in der Azure-Cloud aufrecht.
• Dennoch testen wir neue Techniken wie föderiertes Lernen und die Verwendung synthetischer Daten, um kleinen und mittelgroßen Maklern zu helfen. Synthetische Daten sind künstlich generierte Daten, die realen Daten ähneln, aber nicht direkt aus tatsächlichen Ereignissen oder Transaktionen stammen. Sie werden mit Algorithmen und Simulationen erstellt und können für verschiedene Zwecke im maschinellen Lernen, in der Datenanalyse und im Softwaretest verwendet werden. Föderiertes Lernen ist eine Technik, die sich darauf konzentriert, aus mehreren dezentralen Datensätzen gemeinsam zu lernen, um ein globales (vortrainiertes) KI-Modell zu erstellen. Wir glauben, dass dies ein interessantes Thema für gemeinsame Innovationen in der Zusammenarbeit zwischen MarshBerry und Onesurance sein könnte.

• Wir haben robuste After-Sales-Prozesse etabliert, in denen wir kontinuierlich Feedback zu technischen und Benutzererfahrungsproblemen sammeln. Unsere Lösungen sind darauf ausgelegt, die Anzahl der Interaktionspunkte, die zu Problemen führen können, zu minimieren. Wenn Probleme auftreten, konnten wir bisher stets innerhalb von 24 Stunden reagieren und erwarten, dieses Serviceniveau auch in absehbarer Zukunft beizubehalten.
• Die meisten Vorhersagen, die wir bereitstellen, sind nicht kritisch für die operativen Versicherungsprozesse, mit Ausnahme des KI-Unterwriting-Agenten. Für solche kritischen Vorhersagen haben wir strengere Service-Level-Agreements (SLAs) mit unseren Kunden und sofortige Fallback-Methoden, um die Kontinuität dieser kritischen Prozesse zu gewährleisten.
• Sollte es zu einem signifikanten Anstieg der Endnutzer kommen, haben wir mehrere Strategien zur Bewältigung der zusätzlichen Arbeitslast. Dazu gehören die Erhöhung des Personals und gegebenenfalls das Outsourcing eines Teils des Kundenservices an einen zuverlässigen Implementierungspartner.
• Darüber hinaus freuen wir uns, bekannt zu geben, dass wir unser Team um eine erfahrene Customer-Success-Leiterin erweitert haben, um unsere Onboarding- und Partner- sowie Kundenerfolgsprozesse weiter zu skalieren. Anfang dieses Jahres hat sie einen SaaS-Award (saasawards.nl) für ihre Leistungen in ihrer aktuellen/letzten Position bei einem großen Fintech-Scale-up gewonnen.

• Unsere KI-Engine hat eine modulare Struktur, was bedeutet, dass unsere Software so gestaltet ist, dass Kernfunktionen von anpassbaren Komponenten getrennt sind. Diese modulare Architektur erleichtert die Aktualisierung und Wartung, ohne dass benutzerdefinierte Funktionen betroffen sind.
  • Kernmodule: Diese enthalten grundlegende Funktionen und Features, die für alle Benutzer gleich sind, wie Abwanderungsvorhersagen und Kundenlebensdauerwert.
  • Erweiterungsmodule: Dies sind separate Module für benutzerdefinierte Funktionen, die je nach Bedarf hinzugefügt oder entfernt werden können.
  • APIs und Schnittstellen: Gut definierte APIs und Schnittstellen ermöglichen die Integration und Anpassung, ohne das Kernsystem zu verändern.

• Derzeit wird die Anpassung hauptsächlich durch Konfiguration erreicht, die es den Benutzern ermöglicht, das Verhalten der Software über Einstellungen und Optionen zu ändern, anstatt den Code zu ändern. Wir können Konfigurationsdateien (z.B. YAML) verwenden, um anpassbare Einstellungen zu speichern, benutzerfreundliche Administrationspanels bereitstellen, in denen Benutzer Einstellungen und Präferenzen anpassen können, und Feature-Flags implementieren, um Funktionen basierend auf Konfigurationseinstellungen ein- oder auszuschalten.
• Dieser Ansatz stellt sicher, dass alle unsere Kunden dasselbe Produkt (die KI-Engine) verwenden, jedoch mit unterschiedlichen, auf ihre Bedürfnisse zugeschnittenen Einstellungen (z.B. welche Kostenkomponenten in die Berechnung des Kundenlebensdauerwerts einfließen). Indem wir die Anpassung auf Konfiguration beschränken, können wir problemlos Dutzende von Kunden pro Monat onboarden.
• Darüber hinaus haben wir einen Skalierungsplan, der bei Bedarf implementiert werden kann, und wir verwenden effektive Versionskontroll- und Verzweigungsstrategien in Systemen wie Git, um Anpassungen effizient zu verwalten.

• Unser Team besteht aus erfahrenen, universitätsgebildeten Ökonomen und Informatikern. Im Durchschnitt haben sie mehr als 10 Jahre Erfahrung im Entwerfen, Erstellen und Implementieren statistischer und mathematischer Algorithmen für wirtschaftliche Daten und deren Transformation in skalierbare und konfigurierbare Software. Die Kernmitglieder unseres aktuellen Teams haben dies in den vergangenen Jahren erfolgreich für Unternehmen wie Samsung (Hersteller), Coca-Cola (Europäische Partner), Basic-Fit (Abonnement), Carrefour (FMCG-Einzelhandel), Sligro (Groß-/Einzelhandel) oder Corendon (Reisen) demonstriert.
• Wir führen gründliche Validierungen und Tests durch, wie in Frage 6 (Genauigkeit) beschrieben. Wir testen die Ausgaben der Software rigoros gegen bekannte Benchmarks und realen Daten, um deren Genauigkeit zu überprüfen. Jede Komponente der Software wird sowohl isoliert (Unittests) als auch zusammen (Integrationstests) getestet, um die ordnungsgemäße Funktion sicherzustellen.
• Wir überwachen kontinuierlich die Leistung der Software in realen Szenarien, um Ungenauigkeiten zu erkennen und zu korrigieren. Robuste Feedback-Mechanismen, wie Daumen-hoch- oder Daumen-runter-Bewertungen zur Qualifizierung von Vorhersagen, unterstützen die Benutzer bei der Meldung von Problemen und der Vorschlag von Verbesserungen.
• Wir halten die Software mit den neuesten Daten und Algorithmen aktuell, um ihre Genauigkeit und Relevanz zu bewahren. Darüber hinaus überwachen wir Daten- und Modell-Drift, um qualitative Ergebnisse im Laufe der Zeit sicherzustellen. Dies beinhaltet die regelmäßige Kalibrierung der Parameter und Algorithmen der Software basierend auf neuen Daten und Branchentrends.
• Zu jeder Zeit können wir aktuelle Genauigkeitsmetriken teilen und verfügbar machen, um Vertrauen aufzubauen und jeden Zweifel an der tatsächlichen Leistung der Modelle auszuräumen.
• Wir bieten umfassende Schulungen für Kunden und Berater zur effektiven Nutzung der Software und können detaillierte Dokumentationen für MarshBerry erstellen, um Benutzern das Verständnis der Funktionen und Ausgaben der Software zu erleichtern.
• Natürlich müssen wir berücksichtigen, dass ein Werkzeug dazu gedacht ist, den Berater und Berater zu unterstützen. Wir automatisieren, wo möglich, aber behalten den menschlichen Touch dort bei, wo nötig – ein Konzept, das wir "Human in the Loop" nennen.