Einsatz von Big Data zur Prämiendifferenzierung in Versicherungsmärkten

• Antragsteller: Dr. Niklas Häusle
• Fachliche Zuordnung: Accounting und Finance ; Operations Management und BWL-spezifische Wirtschaftsinformatik
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 563955509

Die Nutzung von Big Data eröffnet neue Möglichkeiten, Risiken präziser einzuschätzen, adverse Selektion zu mindern und gesellschaftlich relevante Ziele wie effektiveres Risikomanagement zu fördern. Auf dieser Grundlage untersucht dieses Forschungsprojekt neuartige Ansätze zur Segmentierung und Prävention in Versicherungsmärkten. Neben der Verbesserung der Effizienz auf Versicherungsmärkten stehen auch politische Handlungsempfehlungen für eine wohlfahrtsfördernde Regulierung im Mittelpunkt. Dabei vereint die Forschung Ansätze aus der Versicherungswissenschaft, der Aktuarwissenschaft und der Big-Data-Analytik. Das erste Arbeitspaket untersucht, ob digitale Fußabdrücke, wie Verhaltensindikatoren (z. B. die Zeit, die zum Ausfüllen eines Antragsformulars benötigt wird) im Kontext der Kraftfahrzeugversicherung eine prognostische Aussagekraft haben. Dazu verknüpfe ich Fußabdrucksdaten mit Schadensdaten und vergleichen deren Aussagekraft mit traditionellen Risikovariablen wie Beruf und Alter. Das zweite Arbeitspaket konzentriert sich auf den Aspekt der Risikoprävention und deren Erkennung durch Big Data. Hochauflösende Luftbilder werden mit Machine-Learning-Algorithmen in zwei Schritten verarbeitet: Zunächst verwende ich Objekterkennung, um die Bilddaten in identifizierbare Objekte zu transformieren. Anschließend analysiere ich, wie diese identifizierten Objekte, insbesondere vermeidbare Risiken wie nahestehende Bäume oder fehlende Dachschindeln, das Hagelrisiko beeinflussen. Dieser präventive Ansatz ergänzt die Perspektive der Risikoklassifikation aus Arbeitspaket 1, indem er darauf abzielt, Risiken aktiv zu verringern. Das dritte Arbeitspaket behandelt die regulatorischen Herausforderungen der Big-Data-Risikoklassifikation. Ziel ist es, zu untersuchen, wie politische Entscheidungsträger die durch die Masse an Variablen aus Big Data entstehende Segmentierung regeln können, mit Fokus auf wohlfahrtsökonomische Aspekte verschiedener Regulierungsstrategien. Dieses Arbeitspaket legt Wert darauf, die Ergebnisse in verständliche Empfehlungen für Gesetzgeber und die Öffentlichkeit zu übersetzen. Es verbindet die Themen der ersten beiden Arbeitspakete und betrachtet deren Umsetzung in regulatorischen Kontexten um eine wohlfahrtsmaximierende Nutzung granularer Datenquellen zu ermöglichen. Somit trägt das erste Arbeitspaket direkt zur Verbesserung der Effizienz auf Versicherungsmärkten bei. Das zweite Arbeitspaket erweitert diese Perspektive um den Präventionsaspekt, der es Versicherern ermöglicht, Präventionsmaßnahmen mit finanziellen Anreizen zu honorieren und so ein System zu fördern, das Verluste reduziert und Prämien erschwinglich hält. Durch die weiterführende Betrachtung der in den ersten beiden Arbeitspaketen behandelten Themen und ihrer möglichen Umsetzung in einem geeigneten regulatorischen Rahmen können in Arbeitspaket drei schließlich politische Handlungsempfehlungen für eine wohlfahrtsfördernde Regulierung entwickelt werden.

• DFG-Verfahren: Sachbeihilfen