Den ROI sauberer Daten auf die Schadenquote messen

# Den ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen → sauberer Daten auf die Schadenquote messen

Eine einzige falsch getippte Ziffer in der Garagenadresse eines Versicherungsnehmers kann ein Fahrzeug aus einem Vorort mit geringer Diebstahlrate in eine Postleitzahl mit hoher Diebstahlrate verschieben und so eine Police über Jahre unbemerkt zu niedrig bepreisen. Multiplizieren Sie diesen Fehler über einen Bestand von 500.000 Policen und Sie haben ein messbares Problem in der Budgetzeile, keine IT-Lästigkeit. Diese Lektion baut die quantitative Argumentation dafür auf, Datenqualität als Hebel für die Schadenquote zu behandeln und nicht als Compliance-Pflichtübung.

Warum Datenqualität direkt auf die Schadenquote wirkt

Die Schadenquote (gezahlte Schäden geteilt durch verdiente Prämien) ist die Anzeigetafel, aber Datenqualität liegt auf zwei konkrete Weisen davor:

• Fehltarifierung: falsche Adresse, falscher Fahrzeugtyp oder falscher Nutzungscode bedeutet, dass die berechnete Prämie nicht zum tatsächlichen Risiko passt. Das zeigt sich als Adverse Selection, unterbepreistes Risiko zieht sich an und hält sich selbst im Bestand.
• Claims Leakage: falsche Policen-, Objekt- oder Anspruchstellerdaten führen zu Überzahlung, Doppelzahlungen oder verpasster Subrogation (Regress beim schuldigen Dritten).

Beides lässt sich mit Datenqualitätsmetriken messen, bevor es überhaupt in der Schadenquote auftaucht. Dieser Zeitvorlauf ist das ganze ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →-Argument: Daten korrigieren, die Quote Monate später bewegen sehen und die Kausalkette nachvollziehen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen.

Die Kerndatensätze, auf die es ankommt

Bevor Sie Qualität messen, kennen Sie die Quellen, die bewertet werden:

• Daten aus dem Policy Administration System (PAS): Adresse, Fahrzeugidentifikationsnummer (VIN), Deckungssummen, Wirksamkeitsdaten.
• Enrichment-Daten von Dritten: Inputs für Katastrophenmodellierung (z. B. Verisk Immobilien- und Fahrzeugrisikodaten), kreditbasierte Versicherungsscores, Fahrzeugregisterauskünfte (MVR).
• Schadensysteme: Details zur Schadenmeldung (FNOL), Notizen der Schadenregulierer, Reparaturkostenschätzungen.
• Geodaten: geokodierte Adresskoordinaten für Hochwasserzonen-, Waldbrand- oder Katastrophenmodellierung (CAT).
• Externe Register: Fahrzeugzulassungsdaten der DMV, Datensätze des National Insurance Crime Bureau (NICB) zu Betrug und Totalschadenhistorie.

Jede dieser Quellen hat ihre eigene Fehlerrate, und Fehler kumulieren, während Daten von der Erfassung über die Tarifierung bis in den Schaden wandern.

Datenqualitätsmetriken, die Bewegungen der Schadenquote vorhersagen

Versicherer sollten diese auf Feldebene verfolgen, nicht nur als „Datenqualität insgesamt“:

| Metrik | Definition | Typischer Zielwert (Schätzung, 2025-26) |

|---|---|---|

| Address Match Rate | % der Policenadressen, die auf eine verifizierte Post-/Geodatenreferenz geokodiert werden | 95 %+ |

| VIN-Decode-Genauigkeit | % der Fahrzeugdatensätze, bei denen die VIN zu gültiger Marke/Modell/Jahr/Ausstattung decodiert | 97 %+ |

| Feldvollständigkeit | % der pflichtigen Tarifierungsfelder, die beim Abschluss gefüllt sind | 98 %+ |

| Dubletten-Rate Police/Anspruchsteller | % der als Dubletten markierten Datensätze | unter 1 % |

| Datenlatenz | Zeit zwischen realer Änderung (z. B. Adresswechsel) und Systemaktualisierung | unter 30 Tage |

Das sind Frühindikatoren. Ein Rückgang der Address Match Rate heute sagt fehltarifierte Erneuerungen in 60 bis 90 Tagen voraus, lange bevor die Schadenquote es meldet.

Rechenbeispiel: die Verbesserung der Genauigkeit um 5 %

Hier ist die Rechnung, die die Führungsebene tatsächlich sehen will.

Annahmen (illustrativ, keine branchenspezifischen Behauptungen):

• Bestandsgröße: 500.000 Privat-Kfz-Policen
• Durchschnittliche Jahresprämie: 1.400 $
• Geschätzte aktuelle Fehlerrate bei Adress-/Fahrzeugdaten: 8 % der Policen haben mindestens ein materiell falsches Tarifierungsfeld (diese Spanne, 5-10 %, wird in Datenqualitätsaudits von Versicherern häufig als Schätzung genannt)
• Durchschnittliche Prämienunterdeckung bei einer fehltarifierten Police: 12 % (weil falsches Gebiet oder falsche Fahrzeugklasse typischerweise Tarifierungsfaktoren verschieben, nicht die gesamte Prämie)

Schritt 1: Heute betroffene Policen

500.000 × 8 % = 40.000 fehltarifierte Policen

Schritt 2: Prämienverlust heute

40.000 × 1.400 $ × 12 % = 6,72 Millionen $ an jährlich zu niedrig erhobener Prämie

Schritt 3: Eine Verbesserung der Genauigkeit um 5 Prozentpunkte anwenden (Fehlerrate sinkt von 8 % auf 3 %)

Neue Zahl fehltarifierter Policen: 500.000 × 3 % = 15.000

Reduktion: 25.000 fehltarifierte Policen weniger

Schritt 4: Zurückgewonnene Prämie

25.000 × 1.400 $ × 12 % = 4,2 Millionen $ pro Jahr an zurückgewonnener Tarifierungsgenauigkeit

Diese 4,2 Millionen $ erscheinen nicht als „Umsatz“. Sie erscheinen als niedrigere Schadenquote, weil die Schadenkosten dieser 25.000 Policen nicht länger gegen eine unterbepreiste Prämienbasis laufen. Wenn das Datenqualitätsprogramm (Matching-Software, Adressverifizierungs-APIs, VIN-Decode-Dienste) 600.000 bis 900.000 $ pro Jahr kostet, liegt die Amortisation deutlich unter einem Quartal, und das noch ohne Einsparungen bei Claims Leakage.

Claims Leakage: die zweite Hälfte der ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →-Argumentation

Adress- und Fahrzeugfehler blähen auch die Claims Leakage auf, definiert als Schadenzahlungen über dem, was ein korrekt bearbeiteter Schaden gekostet hätte. Brancheneinschätzungen, die von Beratungen wie McKinsey häufig genannt werden, beziffern vermeidbare Claims Leakage auf 5 % bis 10 % der eingetretenen Schäden bei P&C-Versicherern (Sach- und Haftpflicht), teilweise getrieben von schlechten Daten: falsche Fahrzeugbewertung, beim FNOL falsch gezogene Deckungssummen, übersehene Vorschadenhistorie.

Einfache Leakage-Rechnung:

Bei eingetretenen Schäden von 300 Millionen $ und konservativ 6 % Leakage sind das 18 Millionen $. Wenn ein Drittel der Leakage auf Datenfehler zurückgeht (eine plausible, häufig genannte Aufteilung für identifizierbare Grundursachen), adressiert die Verbesserung von VIN-Decode- und Anspruchsteller-Matching-Genauigkeit rund 6 Millionen $ jährlich. Diese Zahl gehört neben die obige Prämienrückgewinnung, wenn Sie einen Business Case für das Board bauen.

Governance-Metriken, die den Gewinn sichern

Eine einmalige Datenbereinigung verfällt. Governance-Metriken verhindern den Verfall:

• Data-Steward-Abdeckung: % der kritischen Datenelemente mit namentlich verantwortlichem Owner
• Source-of-Truth-Konfliktrate: % der Datensätze, bei denen zwei Systeme (PAS vs. Schaden vs. Abrechnung) beim gleichen Feld widersprechen
• Durchlaufzeit der Audit-Behebung: Tage von der Fehlererkennung bis zur Korrektur in Produktion
• Feststellungen aus Aufsichtsprüfungen: Anzahl datenbezogener Feststellungen in Market Conduct Exams der US-Bundesstaaten oder unter den Datenqualitätsanforderungen von Solvency II (EU/UK)

In den USA prüft die National Association of Insurance Commissioners (NAIC) Data GovernanceData GovernanceData governance is the set of policies, roles, and processes that ensure data is accurate, secure, well-defined, and used responsibly across an organization.Vollständige Definition ansehen → bei Market Conduct Exams zunehmend genau. In Europa verlangt Artikel 19 von Solvency II ausdrücklich, dass Versicherer „Angemessenheit, Vollständigkeit und Genauigkeit“ der Daten für Reservierungs- und Kapitalmodelle nachweisen, Nichteinhaltung kann Kapitalaufschläge auslösen, eine direkte finanzielle Folge schwacher Governance.

Das Benchmark-Dashboard aufbauen

Damit die ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →-Argumentation tragfähig bleibt, koppeln Sie Qualitätsmetriken mit Ergebnismetriken auf einem einzigen, monatlich geprüften Dashboard:

Leading indicators          Lagging indicators
------------------          -------------------
Address match rate      ->  Loss ratio by territory
VIN decode accuracy     ->  Vehicle-class loss ratio
Field completeness      ->  Renewal mis-rate rate
Duplicate claimant rate ->  Claims leakage %
Data latency             ->  Subrogation recovery rate

Es geht nicht um ein schickes Tool. Es geht um die kausale Kopplung: jede Qualitätsmetrik links sollte ein benanntes, nachverfolgbares Ergebnis rechts haben, damit die Führungsebene den Versatz zwischen Datenbereinigung und Reaktion der Schadenquote sieht.

Key Takeaways

• Datenqualität ist ein Frühindikator für die Entwicklung der Schadenquote: Adress- und VIN-Fehler bepreisen Risiko Monate falsch, bevor sich diese Fehlbepreisung im Schadenverlauf zeigt.
• Eine Verbesserung der Adress-/Fahrzeugdatengenauigkeit um 5 Prozentpunkte kann in einem Kfz-Bestand von 500.000 Policen mit häufig genannten Fehlerraten-Annahmen mehrere Millionen Dollar jährlich an fehltarifierter Prämie zurückgewinnen, oben illustriert mit rund 4,2 Millionen $.
• Claims Leakage durch schlechte Daten (falsche Bewertungen, übersehene Vorschadenhistorie) ist ein zweiter, eigener ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →-Strom, Brancheneinschätzungen legen nahe, dass 5-10 % der eingetretenen Schäden vermeidbar abfließen, mit Datenfehlern als häufiger Grundursache.
• Verfolgen Sie Frühindikatoren (Match Rate, Decode-Genauigkeit, Vollständigkeit, Latenz) gemeinsam mit Spätindikatoren (Schadenquote, Leakage-%, Subrogationsquote) auf demselben Dashboard, um der Führungsebene Kausalität zu belegen.
• Regulatorische Rahmen (NAIC Market Conduct Exams in den USA, Solvency II Artikel 19 in der EU) behandeln Data GovernanceData GovernanceData governance is the set of policies, roles, and processes that ensure data is accurate, secure, well-defined, and used responsibly across an organization.Vollständige Definition ansehen → zunehmend als prüfbare, kapitalrelevante Disziplin und nicht als Back-Office-Vorliebe.