Datenqualität über Policen- und Schadensysteme hinweg bewerten

# Datenqualität über Policen- und Schadensysteme hinweg bewerten

Ein Schadenregulierer bei einem mittelgroßen US-Versicherer öffnet eine Kfz-Schadenakte, um eine Zahlung von 14.000 $ freizugeben. Das Feld für die Fahrzeugidentifikationsnummer (VIN) ist leer, das Schadendatum liegt drei Wochen nach dem 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 →ündigungsdatum der Police, und die Adresse des Anspruchstellers hat in zwei Systemen zwei verschiedene Postleitzahlen. Dieses Szenario ist nicht erfunden: Es ist ein völlig normaler Dienstag im Schadenbetrieb. Bevor Aktuare dieser Akte für Pricing oder Reservierung vertrauen 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, muss jemand sie bewerten.

Diese Lektion zeigt, wie Versicherer diese Bewertung tatsächlich durchführen.

Warum Datenqualität ein versicherungsspezifisches Problem ist

Versicherung läuft auf Daten, die aus vielen Händen stammen: Vermittler, Third-Party-Administratoren (TPAs, externe Firmen, die Schäden im Auftrag eines Versicherers bearbeiten), Telematikgeräte, Werkstätten, medizinische Leistungserbringer und Versicherungsnehmer selbst, die Formulare ausfüllen. Jede Übergabe bringt Fehlerrisiko mit sich.

Anders als ein Einzelhändler mit einem einzigen Kassensystem verknüpft ein Versicherer typischerweise:

• Policenverwaltungssysteme (PAS): hier liegen Deckung, Prämie und Nachträge.
• Schadenmanagementsysteme: hier liegen Schadendetails, Reserven und Zahlungen.
• Underwriting- und Rating-Engines: hier liegen Risikoscores und Pricing-Inputs.
• Externe Datenfeeds: kreditbasierte Versicherungsscores, Fahrzeugregisterauszüge (MVRs), Gebäudedaten (z. B. von CoreLogic), Wetter- und Katastrophendaten (z. B. NOAA-Feeds).

Aktuare, die ein Portfolio bepreisen oder Reserven festlegen, hängen davon ab, dass all das zusammenpasst. Ein „Datenqualitätsscore" ist die Antwort der Datenabteilung des Versicherers auf eine Frage vor der Freigabe: Ist dieser Datensatz geeignet für die Entscheidung, die jemand damit gleich treffen wird?

Die vier Kernmetriken

Die meisten Data-Governance-Frameworks von Versicherern (oft locker angelehnt an DAMA Internationals Data Management Body of Knowledge) laufen auf vier Dimensionen zusammen. Die Definitionen sind hier wichtig, weil nicht-technische Stakeholder sie oft vermischen.

1. Vollständigkeit: Sind erforderliche Felder gefüllt?

Beispiel: ein Schadenfeed mit 10.000 Zeilen, bei dem in 400 die VIN fehlt, und die VIN ist für Subrogation erforderlich (Rückforderung von Kosten beim Versicherer eines schuldigen Dritten). Das ist eine Vollständigkeitslücke.

2. Genauigkeit: Entspricht der Wert der Realität?

Beispiel: Ein Policendatensatz weist das Dachalter eines Hauses mit 5 Jahren aus, während ein Inspektionsfoto sichtbare Abnutzung zeigt, die zu 20 Jahren passt. Das Feld ist gefüllt (vollständig), aber falsch (ungenau).

3. Aktualität: Sind die Daten verfügbar, wenn sie gebraucht werden, und aktuell?

Beispiel: Die Reserveschätzung eines Schadens (der Rückstellungsbetrag des Versicherers für die erwartete Zahlung) wurde seit 90 Tagen nicht aktualisiert, obwohl neue Arztrechnungen eingegangen sind. Veraltete Daten verzerren die Reserveangemessenheit.

4. Konsistenz: Stimmen Werte über Systeme hinweg und über die Zeit überein?

Beispiel: Das Geburtsdatum des Anspruchstellers ist im Policensystem 14.03.1980 und im Schadensystem 13.04.1980. Dieselbe Person, zwei Systeme, zwei Wahrheiten.

Manche Frameworks ergänzen Validität (entspricht der Wert einem erlaubten Format oder Bereich, etwa ein Bundesstaatscode, der eine von 50 US-Postabkürzungen sein muss) und Eindeutigkeit (keine doppelten Policen- oder Schaden-IDs). In dieser Lektion bleiben wir bei den vier, die in Scorecards von Versicherern am häufigsten gewichtet werden.

Ein durchgerechnetes Beispiel: Bewertung eines Schadenfeed-Samples

Angenommen, die Datenabteilung zieht eine Stichprobe von 1.000 Kfz-Schadendatensätzen, bevor sie diese an das aktuarielle Reservierungsteam freigibt. Sie prüft vier Regeln, eine pro Dimension:

| Metrik | Geprüfte Regel | Fehlgeschlagene Datensätze | Bestehensquote |

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

| Vollständigkeit | VIN-Feld gefüllt | 40 | 96,0 % |

| Genauigkeit | Schadendatum liegt innerhalb der Policenlaufzeit | 25 | 97,5 % |

| Aktualität | Reserve innerhalb von 30 Tagen nach letzter Schadenaktivität aktualisiert | 80 | 92,0 % |

| Konsistenz | Geburtsdatum des Anspruchstellers stimmt in Policen- und Schadensystem überein | 15 | 98,5 % |

Ein einfacher zusammengesetzter Datenqualitätsscore ist der Mittelwert der vier Bestehensquoten:

Composite score = (96.0 + 97.5 + 92.0 + 98.5) / 4 = 96.0%

Viele Versicherer nutzen stattdessen einen gewichteten Score, weil Aktualitätsfehler bei Reserven finanziell schwerer wiegen als eine veraltete Postleitzahl. Ein plausibles Gewichtungsschema:

Weights: Completeness 20%, Accuracy 35%, Timeliness 30%, Consistency 15%

Weighted score = (96.0×0.20) + (97.5×0.35) + (92.0×0.30) + (98.5×0.15)
             = 19.2 + 34.1 + 27.6 + 14.8
             = 95.7%

Versicherer setzen typischerweise einen Freigabeschwellenwert (häufig genannte interne Benchmarks liegen je nach nachgelagerter Verwendung des Datensatzes zwischen 95 % und 98 %; das sind Beispielwerte, keine allgemeingültigen Standards). Unterhalb des Schwellenwerts geht die Datei zur Nachbesserung an die Eigentümer der Quellsysteme zurück, bevor Aktuare sie anfassen.

Das ist konzeptionell ähnlich wie eine Data Quality Firewall: ein automatisiertes Gate, das Batches mit niedrigem Score am Weiterfließen hindert, in verschiedenen Formen genutzt von großen Versicherern und Rückversicherern, die Schadenfeeds mit hohem Volumen verwalten.

Eine einfache Python-Prüfung für eine Regel

So sieht eine Genauigkeitsprüfung (Schadendatum innerhalb der Policenlaufzeit) als Regel ungefähr aus, die Art von Logik, die in der Datenqualitäts-PipelinePipelineAll active sales opportunities across the stages of the sales process, together with their combined potential value and probability of closing.Vollständige Definition ansehen → eines Versicherers steckt:

import pandas as pd

def check_loss_date_accuracy(df):
    # df hat die Spalten: loss_date, policy_effective_date, policy_expiry_date
    valid = (df['loss_date'] >= df['policy_effective_date']) & \
            (df['loss_date'] <= df['policy_expiry_date'])
    pass_rate = valid.mean() * 100
    return round(pass_rate, 1)

# check_loss_date_accuracy(claims_df) -> 97.5

Produktionsversionen laufen in viel größerem MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßstab und protokollieren jeden fehlgeschlagenen Datensatz für eine Nachbesserungs-Queue, aber die Logik ist genau so direkt.

Wo das mit Regulierung und Governance zusammenhängt

Datenqualität ist nicht nur eine interne Effizienzfrage. Sie hat regulatorische Zähne:

• In der EU verlangt Solvency II (der aufsichtsrechtliche Rahmen für Versicherer, beaufsichtigt von EIOPA, der Europäischen Aufsichtsbehörde für das Versicherungswesen und die betriebliche Altersversorgung) ausdrücklich, dass Versicherer nachweisen, dass die für versicherungstechnische Rückstellungen (Reserveberechnungen) verwendeten Daten die Anforderungen an Genauigkeit, Vollständigkeit und Angemessenheit erfüllen. Aufsichtsbehörden 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 Reserveberechnungen auf Basis schlechter Datenqualität in Frage stellen und tun das auch.
• In den USA nehmen die NAIC (National Association of Insurance Commissioners) Model Audit Rule und Marktverhaltensprüfungen auf Bundesstaatsebene Schadenbearbeitungsdaten unter die Lupe, besonders hinsichtlich Zahlungsfristen und konsistenter Behandlung ähnlicher Schäden.
• DSGVO (Datenschutz-Grundverordnung, EU) und verschiedene US-Datenschutzgesetze auf Bundesstaatsebene (z. B. Kaliforniens CCPA) ergänzen eine Konsistenz- und Genauigkeitspflicht von der Seite der betroffenen Person: Versicherungsnehmer 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 Korrektur unzutreffender personenbezogener Daten verlangen, die Versicherer über sie halten.

Der praktische Effekt: Ein „Datenqualitätsscore" ist kein Nice-to-have-Dashboard, ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → ist ein Nachweis, den ein Versicherer einem Prüfer vorlegen muss.

Benchmarks und wie „gut" aussieht

Es gibt keinen einzigen universellen Branchenbenchmark (seien Sie skeptisch bei jedem, der eine präzise Zahl als Evangelium zitiert), aber nützliche Referenzpunkte, gekennzeichnet als Schätzungen:

• Data-Governance-Teams von Versicherern zielen üblicherweise auf 95 %+ Vollständigkeit bei Feldern, die als „Critical Data Elements" (CDEs) gelten, eine formale Einordnung in der 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 →, die jene Teilmenge von Feldern markiert (wie VIN, Policennummer, Schadendatum), die nachgelagerte Entscheidungen wesentlich beeinflussen.
• Benchmarks für Schadenaktualität beziehen sich oft auf staatliche Prompt-Payment-Gesetze (viele US-Bundesstaaten verlangen Schadenentscheidungen oder Zahlungen innerhalb von 15 bis 45 Tagen, je nach Sparte und Bundesstaat), was indirekt Druck auf die Aktualitätsdatenqualität weiter vorn in der Kette erzeugt.
• Rückversicherer und Katastrophenmodellierungsfirmen (z. B. Verisk, Moody's RMS) veröffentlichen allgemeine Hinweise, dass Exposuredaten (Gebäudemerkmale, die in Katastrophenmodelle einfließen) unterhalb von etwa 90 % Vollständigkeit bei Schlüsselfeldern die Modellunsicherheit deutlich erhöhen; das ist eine Richtungsschätzung, kein fixer Schwellenwert.

Die ehrliche Erkenntnis: Benchmarks sind kontextabhängig. Ein Marketing-Datensatz verträgt mehr Rauschen als ein Reservierungsdatensatz, der aktuarielle Freigaben speist.

Kernaussagen

• Bewerten Sie Datenqualität anhand von vier Kerndimensionen: Vollständigkeit (ist sie da), Genauigkeit (ist sie richtig), Aktualität (ist sie aktuell), Konsistenz (stimmt sie über Systeme hinweg überein).
• Ein zusammengesetzter Score kann ein einfacher Mittelwert sein oder ein gewichteter Score, der abbildet, welche Fehler am meisten kosten (Reserveaktualität wiegt meist schwerer als eine veraltete Postleitzahl).
• Versicherer setzen Freigabeschwellenwerte (üblicherweise 95 bis 98 %, als Schätzung), bevor Aktuare oder Underwriter einen Datensatz für Pricing- oder Reservierungsentscheidungen nutzen dürfen.
• Die Regulierung gibt dem Zähne: Solvency II in der EU und NAIC-Marktverhaltensstandards in den USA machen Versicherer beide für die Datenqualität verantwortlich, die Reserven und Schadenbearbeitung zugrunde liegt.
• Critical Data Elements (CDEs) wie VIN, Schadendatum und Policendaten verdienen strengere Schwellenwerte als kosmetische Felder, weil sich ihre Fehler direkt in finanzielle und regulatorische Ergebnisse fortpflanzen.