Der Weg zur telemetrischen Kfz-Versicherung?

Unser ehemaliger DH-Student Andrei hat seine Bachelorarbeit über die Evaluation von Clusteralgorithmen am Beispiel der Event-Erkennung im Rahmen einer telemetrischen Kfz-Versicherung im IT Lab verfasst. Was genau das ist und wie Andrei auf dieses Thema gekommen ist? Das erfahrt Ihr im Blogbeitrag.

21.12.2021 I Sandra May I Ehemaliger Mitarbeiterin im IT Lab

Themen: Zukunftstrends

Wie kam es zu diesem Thema?

Die Motivation der Arbeit, fand ihren Ursprung, wie so oft, in der stetig wachsenden Digitalisierung. So hat durch die zunehmende Digitalisierung der Wunsch nach Individualität bei den Verbrauchern zugenommen, auch im Versicherungswesen. Gerade die jüngeren Verbraucher wünschen sich daher telemetrische Versicherungstarife, besonders im Kfz-Bereich. Traditionelle Versicherungsanbieter von Kfz-Versicherungen berechnen ihre Tarife nicht individuell. Stattdessen teilen sie die Kunden anhand ihrer persönlichen Daten und der dazugehörigen Risikofaktoren in Gruppen ein. Im Idealfall sollen die eingeteilten Gruppen homogen sein, ist in der Realität aber nicht immer der Fall.

Das Problem bei vielen Versicherungen ist die Risikoselektion. Das Alter, das Geschlecht oder die Berufsgruppe können zu einer Diskriminierung bei der Berechnung der Police beitragen.

Das Problem dabei? Die sogenannte Risikoselektion. Dies ist eine häufig kritisierte, übliche Maßnahme der Krankenversicherung, die sich den Weg in den Kfz-Bereich gefunden hat. Mittels dieser Maßnahme soll die Profitabilität des Versicherungsunternehmens künstlich erhöht werden, indem die Kunden bestimmter Risikogruppen vom Versicherer unterschiedlich behandelt werden. Ein Beispiel für Kfz-Versicherungen stellt die Unterscheidung nach dem Alter des Versicherten dar.

Ein junger Fahrer zahlt bekanntlich deutlich mehr für seine Versicherung als ein Erfahrener und hat sogar ggf. eine höhere Selbstbeteiligung. Auch das Geschlecht oder die Berufsgruppe sind ausschlaggebende Merkmale, die zu einer solchen Diskriminierung bei der Berechnung der Police beitragen können.

Die Einteilung nach solchen Faktoren ist in der Realität oftmals aber nicht genau genug. Das heißt eigentlich müssten weitere Faktoren, also individuellere Daten der Versicherten herangezogen werden.

Was genau ist jetzt also das Problem bzw. Gegenstand der Arbeit?

Im Normalfall erfolgt die Bewertung des Risikos und die Berechnung der entsprechenden Prämien jährlich. Beim telemetrischen Ansatz wird diese jedoch durchgehend und automatisiert vorgenommen. Der Clou an der Sache ist allerdings, dass Verbraucher nach wie vor starke Bedenken haben, was den Umgang der Versicherer mit ihren persönlichen Daten angeht.

Andrei hat sich daher zunächst den theoretischen Teil angeschaut. Dieser sieht vor, dass versicherungsrelevante Ereignisse innerhalb einer mittels GPS aufgezeichneten Fahrt mithilfe der unsupervised Machine Learning (ML) Technologie erkannt werden sollen. Das Ziel seiner Arbeit war einerseits die Evaluation von verschiedenen ML Algorithmen und andererseits zu bewerten, inwiefern sich die Verwendung eines solchen Ansatzes für den gegebenen Anwendungsfall eignet.

Das Ergebnis

Tatsächlich konnte sein Experiment mit verschiedenen selbsterfassten Daten zeigen, dass die Analyse von nicht annotierten Fahrdaten mithilfe von unsupervised ML zu sinnvollen Ergebnissen führen kann. Allerdings stellen die Ergebnisse und das dahinterliegende Verfahren noch keine vollständige Lösung für die Berechnung eines telemetrischen Tarifs dar, sondern bloß den Anfang. In einem weiteren Schritt müsste ein sogenanntes supervised ML Verfahren mithilfe von annotierten Daten so trainiert werden, dass es versicherungsrelevante Ereignisse klassifizieren kann. Das Problem dabei ist, dass es hierfür keine öffentlich zugänglichen Datensätze für das Training gibt. Andreis Lösung stellt aber einen vielversprechenden Ansatz dar, um diese fehlenden Trainingsdaten selbst zu generieren.

Wie geht es weiter?

In der Zukunft könnte eine optimierte Umsetzung von Andreis System für diesen Zweck verwendet werden, um dadurch den Weg für den Einsatz der supervised ML Klassifizierung zu ebnen. Anhand der Klassifizierungen könnten zukünftig Fahrerprofile erstellt werden, die genauer und individueller sind, und somit zur Grundlage einer telemetrischen Beitragsberechnung dienen.

Fragen zu unseren Beiträgen?

Wir freuen uns über deine Kontaktaufnahme. Schreibe unserer Redaktion gerne eine E-Mail.

E-Mail schreiben

Bist du neugierig geworden?

Entdecke deine Jobmöglichkeiten bei uns - egal ob mit oder ohne Berufserfahrung.

Zu den Karrieremöglichkeiten

Dieser Beitrag hat dir gefallen?

Dann stöbere gerne durch unseren weiteren Blogartikel und erfahre mehr über die SV Informatik.

Zu der Themenübersicht