Fairness und Compliance in Pricing-Modellen steuern

# Fairness und Compliance in Pricing-Modellen steuern

Eine staatliche Aufsichtsbehörde schickt Ihr Rate Filing für die Kfz-Versicherung zurück, mit einer einzigen Frage: „Erklären Sie, warum Ihr Modell Antragsteller in der ZIP-Code-Region 60636 höher bepreist als Antragsteller in 60614, und belegen Sie, dass dies kein Proxy für Ethnie ist.“

Ihr Modell hat Ethnie nie gesehen. Es hat ZIP-Code, kreditbasierten Insurance Score und Fahrzeugtyp gesehen. Aber die Behörde weiß, dass diese Variablen geschützte Merkmale stillschweigend mittragen kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen. Wenn Sie nicht antworten kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen, bleibt Ihr Filing liegen, und Sie kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen das Produkt nicht zum benötigten Preis verkaufen.

Diese Lektion zeigt, wie Sie ein Machine-Learning-Tarifmodell auditieren, Proxy-Diskriminierung erkennen, Disparate Impact messen und das Ganze so dokumentieren, dass es eine Prüfung übersteht.

Die zwei Probleme, die Aufsichtsbehörden interessieren

Proxy-Diskriminierung entsteht, wenn eine scheinbar neutrale Variable für eine geschützte Gruppe einsteht. Beispiel: Ein Modell schließt Ethnie aus, verwendet aber den ZIP-Code. Da US-Wohngebiete weiterhin ethnisch segregiert sind, kann der ZIP-Code Ethnie vorhersagen. Das Modell diskriminiert, ohne das geschützte Merkmal je zu benennen.

Disparate Impact ist das Ergebnis: eine formal neutrale Praxis, die für eine geschützte Gruppe schlechtere Resultate erzeugt, auch ohne Diskriminierungsabsicht. Ein Modell kann vollkommen „blind“ sein und eine Gruppe trotzdem systematisch höher bepreisen.

In der Versicherung kommt eine Besonderheit hinzu. Aktuarielle Fairness bedeutet, dass der Preis den erwarteten Schaden abbilden soll. Ein zwanzigjähriger Fahrer verunfallt tatsächlich häufiger als ein fünfzigjähriger, ihn höher zu bepreisen ist also legal und erwartet. Die Aufsicht verbietet keine Unterschiede. Sie verbietet Unterschiede, die geschützten Gruppen folgen, ohne legitime Risikobegründung.

Geschützte Gruppen in der Versicherung unterscheiden sich je Bundesstaat, umfassen aber üblicherweise Ethnie, Religion, nationale Herkunft und manchmal Geschlecht und Kreditwürdigkeit. Einige Staaten (etwa Kalifornien) beschränken oder verbieten bestimmte Tariffaktoren vollständig.

Das Audit aufsetzen: die fehlenden Daten beschaffen

Hier liegt der Haken. Sie kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen Disparate Impact nach Ethnie nicht messen, wenn Sie Ethnie nie erhoben haben. Die meisten Versicherer tun es nicht und dürfen oft nicht danach fragen.

Der üblich Ausweg ist Proxy-Schätzung. Die am häufigsten zitierte Methode ist Bayesian Improved Surname Geocoding (BISG), die anhand von Nachname und geografischer Lage die Wahrscheinlichkeit schätzt, dass ein Versicherungsnehmer einer ethnischen Gruppe angehört. Das CFPB hat seine BISG-Methodik veröffentlicht und damit eine öffentliche Referenz geschaffen.

BISG ist unvollkommen. Es liefert eine Wahrscheinlichkeit, keine Tatsache. Aber es erlaubt die Schätzung von Effekten auf Gruppenebene, und genau das braucht Fairness-Testing.

Schritt 1: Jede Variable auf Proxy-Verhalten testen

Beginnen Sie mit den Inputs. Fragen Sie für jede Tarifvariable: Wie stark sagt sie eine geschützte Gruppe vorher?

Ein einfacher, vertretbarer erster Durchgang ist, Ihre geschätzten Ethnie-Wahrscheinlichkeiten gegen jedes Feature zu regressieren und die Stärke des Zusammenhangs zu prüfen.

import pandas as pd
import statsmodels.api as sm

# df enthält: Feature-Spalten + 'race_prob_black' aus BISG
features = ['credit_score', 'zip_risk_tier', 'vehicle_age', 'annual_mileage']

for f in features:
    X = sm.add_constant(df[f])
    model = sm.OLS(df['race_prob_black'], X).fit()
    print(f, "R-squared:", round(model.rsquared, 3))

Ein hohes R-Quadrat bedeutet, dass die Variable viel Signal einer geschützten Gruppe trägt. Das macht sie nicht automatisch illegal, markiert sie aber als rechtfertigungsbedürftig. Kreditbasierte Insurance Scores und geografische Tiers sind die üblichen Verdächtigen.

Schritt 2: Disparate Impact am Output messen

Testen Sie nun den Preis, den das Modell erzeugt, nicht nur die Inputs.

Zwei verbreitete Metriken:

Disparate Impact Ratio. Vergleichen Sie die Rate, mit der jede Gruppe ein ungünstiges Ergebnis erhält (zum Beispiel Einordnung in die oberste Preisstufe). Ein Verhältnis weit von 1,0 signalisiert Ungleichgewicht. Aufsichtsbehörden und Gerichte verweisen manchmal auf eine „Four-Fifths-Rule“ (ein Verhältnis unter 0,80) aus dem Arbeitsrecht, die aber eine grobe Orientierung ist, kein rechtlicher Standard in der Versicherung.

Prämienvergleich zwischen Gruppen. Gewichten Sie Prämien mit BISG-Wahrscheinlichkeiten und vergleichen Sie die durchschnittlich prognostizierte Prämie über die geschätzten Gruppen. Zahlt Gruppe A deutlich mehr, müssen Sie zeigen, dass Gruppe A auch deutlich höhere erwartete Schäden hat.

Der entscheidende Test ist konditional: Bleibt die Preisdifferenz bestehen, nachdem Sie legitime Risikofaktoren kontrolliert haben? Wenn zwei Fahrer identische Schadenerwartungen haben, aber je nach geschätzter Ethnie-Gruppe unterschiedliche Preise zahlen, ist das der Beweis.

Schritt 3: Entscheiden, was mit einer markierten Variable passiert

Bei einer Variable mit Proxy-Verhalten haben Sie drei ehrliche Optionen:

1. Rechtfertigen und behalten. Zeigen Sie, dass die Variable aus einem echten, kausalen Grund Schäden vorhersagt und dass ihre Prognosekraft nicht zusammenbricht, sobald Sie Ethnie berücksichtigen. Dokumentieren Sie die aktuarielle Begründung.

2. Anpassen. Ersetzen Sie einen grobkörnigen Proxy durch ein direkteres MaMaEinsatz von Software, um wiederkehrende Marketingaufgaben und Kampagnen zu automatisieren und Personalisierung in großem Maßstab über Kanäle wie E-Mail, Web und Social zu ermöglichen.Vollständige Definition ansehen →ß. Beispiel: statt des rohen ZIP-Codes ein am Abstellort orientiertes Katastrophenrisiko (Hagel, Überschwemmung) mit physischer Ursache und geringerer ethnischer Korrelation.

3. Weglassen. Wenn eine Variable kaum Genauigkeit beiträgt, aber starkes Proxy-Signal trägt, ist Entfernen oft der saubersten Weg.

Achten Sie auf Proxy-Leakage über Interaktionen. Ethnie zu entfernen bringt nichts, wenn fünf andere Variablen sie gemeinsam rekonstruieren. Testen Sie Kombinationen, nicht nur einzelne Features.

Schritt 4: Fairness-aware Modellierung (mit Vorsicht einsetzen)

Sie kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen auch das Modell selbst anpassen. Zu den Techniken gehören die Neugewichtung von Trainingsdaten, Fairness-Constraints im Training oder Post-Processing der Scores, um Ergebnisse zwischen Gruppen auszugleichen.

GroßererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → Vorbehalt für die Versicherung: Preise bewusst nach geschützter Gruppe zu verändern, kann in manchen Staaten selbst illegal sein, auch wenn das Ziel Fairness ist. Den Preis eines schwarzen Antragstellers anzupassen, weil ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → schwarz ist, ist Disparate Treatment und in der Regel vollständig verboten. Das ist eine echte rechtliche Spannung. Ziehen Sie Rechtsberatung hinzu, bevor Sie eine Korrektur anwenden, die Schätzungen geschützter Merkmale im Pricing verwendet.

Für die meisten Filings ist Schritt 3 der sicherere Weg: die Inputs korrigieren, nicht den Output.

Schritt 5: So dokumentieren, dass das Rate Filing durchgeht

Ein Rate Filing ist die Einreichung eines Versicherers bei einer staatlichen Versicherungsaufsicht zur Genehmigung seiner Tarife. Die meisten Staaten verlangen unter anderem, dass Tarife „not unfairly discriminatory“ sind. Die NAIC (National Association of Insurance Commissioners) hat Model Bulletins zum KI-Einsatz veröffentlicht, die viele Staaten übernommen haben und die Versicherer zu dokumentierter Governance drängen.

Ihr Dokumentationspaket sollte enthalten:

• Variablen-Inventar. Jeder Input, seine Quelle und seine aktuarielle Begründung.
• Proxy-Analyse. Die Tests aus Schritt 1, mit Ergebnissen und Ihrer Begründung für Beibehalten oder Weglassen jeder markierten Variable.
• Disparate-Impact-Ergebnisse. Metriken aus Schritt 2, einschließlich des konditionalen Tests.
• Model Card. Eine Zusammenfassung in klarer Sprache: was das Modell tut, seine Daten, seine Grenzen, sein vorgesehener Einsatz.
• Governance-Nachweis. Wer hat wann geprüft und was wurde geändert. Aufsichtsbehörden wollen einen wiederholbaren Prozess sehen, keine Einmalaufräumaktion.

Schreiben Sie so, dass ein nicht-technischer Prüfer folgen kann. Klarheit ist ein Compliance-Asset.

Ein durchgerechnetes Mini-Beispiel

Angenommen, Ihr Modell ordnet 22 Prozent der geschätzt weißen und 41 Prozent der geschätzt schwarzen Antragsteller der obersten Prämienstufe zu. Verhältnis: 0,22 / 0,41 = 0,54. Das liegt deutlich unter 0,80 und wird Prüfung auslösen.

Sie untersuchen das. Nach Kontrolle für frühere Schäden, Jahresfahrleistung und Fahrzeugsicherheitsbewertung schrumpft die Lücke auf ein Verhältnis von 0,91. Der größte Teil der Differenz wurde durch legitime Schadenfaktoren erklärt.

Eine Restlücke bleibt jedoch, und Sie führen sie auf den kreditbasierten Insurance Score zurück, der in Ihren Daten starkes Proxy-Signal trägt. Sie testen, ihn weglassen. Die Genauigkeit fällt nur leicht, und das Verhältnis steigt auf 0,97.

Entscheidung: den Kreditfaktor für dieses Produkt weglassen oder ersetzen, den Tradeoff dokumentieren (kleiner Genauigkeitsverlust, großererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → Fairness-Gewinn) und mit der vollständigen Analyse im Anhang einreichen. Diese Geschichte ist vertretbar.

Wichtigste Erkenntnisse

• Blindheit ist nicht Fairness. Ein Modell, das Ethnie ausschließt, kann über Proxys wie ZIP-Code und Kreditscore trotzdem diskriminieren. Testen Sie Inputs und Outputs.
• Mit geschätzten Gruppen messen. Da Versicherer selten Ethnie-Daten halten, nutzen Sie dokumentierte Proxy-Methoden wie BISG, um Effekte auf Gruppenebene zu schätzen, und benennen Sie deren Grenzen.
• Den konditionalen Test durchführen. Die Frage ist, ob Preisdifferenzen bestehen bleiben, nachdem legitime Schadenfaktoren kontrolliert sind. Unerklärte Restlücken sind das eigentliche Risiko.
• Inputs korrigieren, nicht Outputs. Preise direkt nach geschützter Gruppe anzupassen, kann illegales Disparate Treatment sein. Rechtfertigen, anpassen oder weglassen Sie Proxy-Variablen lieber, und konsultieren Sie vor jeder Korrektur die Rechtsabteilung.
• Die Dokumentation ist das Ergebnis. Ein klares Variablen-Inventar, Proxy-Analyse, Impact-Metriken, Model Card und Governance-Nachweis sind das, was ein Filing tatsächlich genehmigt bekommt.