Das bekannteste und meistdiskutierte Beispiel für ML-Software ist ChatGPT, das speziell dafür entwickelt wurde, sinnvolle Texte für den Benutzer zu generieren. Es gibt jedoch unzählige andere Probleme, bei denen uns maschinelles Lernen helfen kann. Allerdings gibt es (noch) nicht immer eine Lösung von der Stange, die Sie sofort verwenden können, wie ChatGPT.

Um eine solche umsetzbare KI-Lösung zu entwickeln, müssen Sie die richtigen Kompetenzen zur richtigen Zeit zusammenbringen. Die Aufgabe eines KI-Strategen besteht darin, mit einem multidisziplinären Team aus Geschäftsexperten, ML-Ingenieuren, Dateningenieuren und Datenwissenschaftlern zusammenzuarbeiten, um zu bestimmen, was Sie vorhersagen wollen, wie dies (genau) geschehen soll, welche Techniken eingesetzt werden sollen und schließlich, wie sie operationalisiert und gesichert werden können, damit sie tatsächlich zu den gewünschten Ergebnissen führen.

Vorhersage des Ruhestands

Als Unternehmen wollen Sie sicherstellen, dass die richtigen Kunden zum richtigen Zeitpunkt von Ihren Beratern betreut werden, damit die Zahl der Kündigungen möglichst gering ist. Ideal ist es, wenn Sie wissen, bei welchen Kunden die Wahrscheinlichkeit einer Kündigung hoch ist. Aber wie übertragen Sie dies auf Ihr Team?

Es kommt häufig vor, dass ein Kunde mit einer einzigen Police kündigt. In den meisten Fällen handelt es sich dabei einfach um eine Mutation, und Sie möchten Ihr ML-Modell nicht damit verunreinigen. Nehmen wir an, ein Kunde storniert alle Policen innerhalb des Haupthaftpflichtzweigs, aber er storniert den Rest (noch) nicht. Besteht dann die Gefahr, dass ein Kunde abwandert? Und was ist, wenn er auch alles in der Hauptsparte Feuer kündigt, aber noch Rechtsschutz und ORV hat? Sind irgendwelche Policen intern übertragen worden? Wie hoch ist die Stornoquote eigentlich? Alles Dinge, die Sie feststellen wollen, bevor Sie ein Team von ML-Ingenieuren an die Arbeit schicken.

Außerdem müssen Sie sich Gedanken über Ihren Prognosehorizont machen: Wie weit wollen Sie vorausplanen? Wollen Sie wissen, welche Kunden im nächsten Monat oder in den nächsten drei, sechs oder 12 Monaten kündigen werden? Auch dies scheint ein Detail zu sein, aber unter der Haube bedeutet es, dass Sie ein völlig anderes ML-Modell trainieren werden.

Zu wenig Aufmerksamkeit ist der Hauptgrund, warum Kunden kündigen".

Muster finden

Nachdem Sie klar definiert haben, was Sie vorhersagen wollen, ist es an der Zeit zu prüfen, ob Ihre Daten genau, verfügbar und konsistent genug sind (das "Daten-ABC"), um dies zu tun. Der Hauptgrund, warum Kunden kündigen, liegt in der Regel darin, dass sie nicht genügend Aufmerksamkeit erhalten haben. Die Frage ist natürlich, mit wem, wann und warum es "zu wenig Aufmerksamkeit" gab. Da Sie diese Informationen nicht in Ihrem Data Warehouse haben, müssen Sie sie durch Feature Engineering selbst konstruieren . Welche Merkmale (Features) haben einen signifikanten Einfluss auf die Ausschlusswahrscheinlichkeit? Dies ist ein ana lytischer und kreativer Prozess, der das Wissen und die Erfahrung von Versicherungsexperten und Datenwissenschaftlern zusammenführt.

Sobald eine solide erste Tabelle mit Merkmalen modelliert wurde, können Sie endlich mit dem maschinellen Lernen arbeiten . Die Erfahrung zeigt, dass sich die Vorhersage von Lizenzgebühren am besten mit Klassifizierungs- oder Überlebensanalysen modellieren lässt. Es gibt Hunderte von verschiedenen ML-Techniken, die theoretisch für diesen Zweck geeignet sind. Bei der Auswahl ist es wichtig zu berücksichtigen, inwieweit der Algorithmus erklärbar sein soll, wie komplex die Muster sein sollen oder wie viele Daten ABC sind.

Das beste ML-Modell wird u. a. auf der Grundlage von Precision, Recall und AUC-Scores ermittelt.

Muster validieren

Nachdem die "Maschine" an die Arbeit gegangen ist, um Muster zu finden, mit denen Vorhersagen gemacht werden können, kommt immer ein spannender Moment... Wie genau sind die verschiedenen Modelle? Hierfür verfügt der ML-Ingenieur über einen umfangreichen Werkzeugkasten. Zunächst einmal hält er einen Teil der Daten getrennt, um ein trainiertes Modell zu testen und zu validieren. Dies garantiert die Robustheit der gefundenen Muster und verhindert, dass ein Modell in der "echten Welt" ungenaue Vorhersagen macht. Anschließend werden die falsch-positiven und falsch-negativen Vorhersagen und die damit verbundenen Kosten untersucht.

Zum Beispiel ist eine falsche Vorhersage, dass jemand im nächsten Monat kündigen wird (falsch positiv), nicht so schlimm. Der Berater ruft den Kunden an und stellt fest, dass alles in Ordnung ist: Es kostet ihn nur 15 Minuten seiner Zeit. Wenn der Algorithmus fälschlicherweise vorhersagt, dass ein Kunde treu bleiben wird (falsch negativ), ist das viel kostspieliger: Sie verlieren einen Kunden.

Das beste ML-Modell wird u. a. auf der Grundlage der Werte für Präzision, Wiedererkennung und AUC ermittelt. Darüber hinaus ist es möglich, die Algorithmen mehr oder weniger streng abzustimmen, um sie besser an den beabsichtigten Geschäftsprozess anzupassen. Dies wird als Parameter-Tuning bezeichnet, und ein erfahrener ML-Ingenieur weiß, wie man dies verantwortungsvoll durchführt.

Wie macht man sie nutzbar?

Dann integrieren Sie den Algorithmus in die betrieblichen Abläufe. Wie können die Daten sicher und effizient hin- und hergeschickt werden, wie kann der Berater die Vorhersage einfach nutzen? Das ist die Arbeit von Daten- und Softwareingenieuren. Schließlich möchte man auch, dass der Berater in der Lage ist, Feedback zur Qualität des Algorithmus zu geben, so dass der Algorithmus vom Nutzer lernt. So wird der Algorithmus immer intelligenter und effizienter, je öfter er verwendet wird.

Das ist die eigentliche "KI"-Komponente, aber dazu mehr in der nächsten Ausgabe!

Der Originalartikel erschien in der VVP und ist hier online zu lesen.