Für private Krankenversicherungsunternehmen ist es wichtig, die Höhe der erwarteten künftigen Schadenzahlungen genau zu verstehen. Ob eine Beitragsanpassung notwendig ist, wird in der PKV durch den Auslösenden Faktor definiert. Das zugehörige Verfahren (lineare Extrapolation aus den vergangenen drei Beobachtungsjahren) ist in der Krankenversicherungsaufsichtsverordnung (KVAV) beschrieben und lässt wenig Handlungsspielraum.
Für die Höhe der Beitragsanpassung ist der Auslösende Faktor jedoch nicht maßgeblich. Vielmehr kann eine bessere Prognose von zukünftigen Schäden eines Krankenversicherers durch Anwendung innovativer Methoden erreicht werden. Davon profitiert die Güte der Planungsrechnung: zukünftige Verläufe von Beiträgen, Überschüssen und RfB können besser prognostiziert werden.
Bewährtes neu interpretiert – unter diesem Motto hat sich das Institut für Finanz- und Aktuarwissenschaften (ifa) in einer Case Study für einen Krankenversicherer die Verbesserung der Vorhersagegüte von Prognosen mit Hilfe von datenbasierten Prädiktionsmodellen vorgenommen.
Ausgangspunkt war ein Datensatz eines Vollversichertentarifs, wie man ihn bei jedem Versicherungsunternehmen vorfindet, das heißt pro Vertrag standen Merkmale wie die Erstattungen der letzten Jahre, aber auch die für die Kalkulation ohnehin vorhandenen Merkmale wie Alter, Selbstbehalt oder berufliche Stellung zur Verfügung. Weitere Merkmale wie die historische Entwicklung der Prämien sowie Risiko- und sonstige Zuschläge sowie das Geschlecht und der Vertriebsweg wurden zugespielt, um die Güte des Prognosemodells zu verbessern.
Dabei wurden Ansätze zur Risikomodellierung aus anderen Sparten auf die Krankenversicherung übertragen und insbesondere eine getrennte Modellierung von Schadenhöhen und Schadeneintrittswahrscheinlichkeiten vorgenommen. Wie bei Data Analytics üblich, wurden weitere Merkmale abgeleitet, indem beispielsweise der Quotient aufeinander folgender Jahresschäden gebildet wurde.
Zudem wurden verschiedene Modelle getestet und verglichen, um aus der Vielzahl der Merkmale die relevanten Merkmale zu ermitteln. Bei der abschließenden Bewertung der Modelle wurden dann modellierte Schäden mit den tatsächlich beobachteten Schäden verglichen. Durch die Verwendung der innovativen Methoden, die eine Berücksichtigung vielfältiger Merkmale ermöglichen, zeigte sich eine erhebliche Verbesserung der Prognosegüte.
Die Datenanalyse im Bereich der Schadenzahlungen ist ein zentraler Bereich für einen Krankenversicherer, um sein Geschäft zu verstehen und angemessen steuern zu können. Die Anwendung moderner statistischer Verfahren kann dabei wertvolle Erkenntnisse liefern, die mit bewährten Methoden bislang nur ansatzweise erkannt werden.