Die modernen Orakel unserer digitalen und vernetzten Zeit heißen Big Data, Datenanalysen und Predictive Analytics. Helfen uns diese Werkzeuge in einem Heuhaufen aus unstrukturierten Daten relevante Stecknadeln - etwa zukünftige Risiken - zu finden?
So basiert beispielsweise das Underwriting von Risiken in der Versicherungswirtschaft in erster Linie auf Erfahrungen. Doch insbesondere neuartige Risiken sind für einen Versicherer schwer einzuschätzen. Experten gehen davon aus, dass die Nutzung von neuen Analysetools im Underwriting nicht nur die Qualität und Effizienz der Risikoprüfung verbessert, sondern auch früher als bisher auf mögliche neue Risiken aufmerksam macht.
Datensammler wie Google und Amazon vermessen die Welt, erstellen Persönlichkeitsprofile und durchforsten blitzschnell riesige Datenmengen auf Muster und Korrelationen, um Voraussagen in Echtzeit zu ermöglichen. Die neuen Methoden zur Datenanalyse versprechen einen gezielten Blick in die Kristallkugel. Davon erhoffen sich Staaten, Forschungseinrichtungen und Wirtschaftsunternehmen exakte Prognosen zukünftiger Entwicklungen, um die Risiken des eigenen Tuns zu minimieren und Chancen des zukünftigen Handelns besser einschätzen zu können. Insgesamt surfen rund 3,2 Milliarden Menschen im Internet und hinterlassen permanent Daten über ihre Mobiltelefone, Fitnessbänder, smarte Uhren, vernetzte Navigationsgeräte und Autos. Provokant könnte man formulieren, dass Online-Versandhändler, Marketing- und Verkaufsstrategen sowie staatliche Stellen unsere geheimen Wünsche besser kennen als wir selbst.
So lassen sich aus Twitter-Nachrichten politische Einstellungen ableiten. Aus Daten und Algorithmen lassen sich potenzielle Straftaten antizipieren, bevor sie überhaupt geplant oder begangen wurden [vgl. Romeike 2017]. Mit Unterstützung von Predictive Analytics hat der Streaming-Dienst Netflix ziemlich treffsicher prognostiziert, wie die richtige Mischung aus Drama, Witz und Liebe in einer Geschichte aussehen muss, damit ein Film erfolgreich ist. Die Grundlage hierfür bildeten die Daten über das Zuschauerverhalten. Bereits seit einiger Zeit schätzen Kreditinstitute mit Hilfe eines Kredit-Scorings das Risiko ab, mit dem eine Person oder ein Unternehmen die zukünftigen Ratenzahlungen eines Kredits nicht leisten könnte. Und auch Erst- und Rückversicherungen prognostizieren über Data Mining und Predictive Analytics zukünftige Schäden. Und der Datentsunami nimmt weiter zu und damit auch die Möglichkeiten hieraus Muster abzuleiten. Möglicherweise werden wir schon bald erkennen, dass Milliarden von Informationen unterschiedlicher Qualität sinnvoller sind als wenige, dafür aber akkurate Daten.
Bessere Prognose von zukünftigen Haftungsrisiken
Allianz Global Corporate & Specialty SE (AGCS), der Industrieversicherer der Allianz SE, arbeitet mit dem amerikanischen Data-Analytics-Spezialisten Praedicat zusammen. Ziel der Partnerschaft ist es, künftige Haftungsrisiken mit Großschadenpotenzial besser vorhersagen zu können. Die beiden Partner kombinieren die vorausschauenden Modelle von Praedicat mit den bewährten AGCS-Methoden zu Risikobewertung und Portfoliosteuerung, um so die nächste Generation von Haftungsrisiken für Unternehmen künftig früher erkennen zu können, als dies bisher möglich ist. Praedicat scannt mit selbstlernenden Programmen riesige Textmengen von in Peer Reviews überprüften wissenschaftlichen Veröffentlichungen und bildet so die Wahrscheinlichkeit ab, mit der Chemikalien, Substanzen oder Produkte zu Schadenersatzforderungen und gerichtlichen Auseinandersetzungen führen könnten.
AGCS und Praedicat setzen auf die jeweiligen analytischen Stärken – traditionell erfahrungsbasiertes Underwriting einerseits, vorausschauende Modellierung andererseits –, um zukünftige Haftungsszenarien identifizieren und bewerten zu können. Die Haftpflicht-Underwriter der AGCS können fortan nicht nur auf historische Schadentabellen oder technische Expertengutachten zurückgreifen, sondern auch die zukunftsorientierten Datenmodelle von Praedicat nutzen. Damit können sie mögliche Haftungsrisiken für ganze Branchen oder einzelne Unternehmen genauer ermitteln und einschätzen. Ein Beispiel für einen Haftpflicht-Großschaden ist Asbest: Laut Swiss Re hat der Einsatz von Asbest bis zum Jahr 2011 weltweit zu versicherten Schäden in Höhe von 71 Mrd. USD geführt. Zunächst als "Wunderfaser" in vielen Branchen genutzt, ist Asbest heute in zahlreichen Staaten weltweit verboten. Womöglich hätte sich im Rückblick mit den Datenanalyse-Tools von Praedicat das Schadenpotenzial von Asbest früher erkennen lassen.
Selbstlernende Programme und Algorithmen
Das Modellierungstool von Praedicat verwendet selbstlernende Programme und Algorithmen zur Analyse großer Datenmengen aus in Peer Reviews überprüften wissenschaftlichen Veröffentlichungen und ermittelt die Wahrscheinlichkeit von Gerichtsprozessen rund um einzelne Produkte, Chemikalien oder Substanzen. Wenn Risikoauslöser identifiziert sind, werden diese über einen längeren Zeitraum systematisch beobachtet, um so die zunehmende wissenschaftliche Anerkennung eines Risikos bestimmen. Zudem hat Praedicat eine Datenbank entwickelt, die die Gefährdung einzelner Unternehmen oder Branchen durch bestimmte, als kritisch identifizierte Stoffe abbildet.
Gemeinsame Studie zu Risiken der Nanotechnologie
Viele Haftungsszenarien gehen auf neuartige Risiken zurück, deren künftige Folgewirkungen noch nicht genau absehbar sind. AGCS und Praedicat führen ihre Expertise aus Wissenschaft und Risikomanagement zusammen, um eine Vorreiterrolle bei der Identifikation von neuen Unternehmensrisiken einzunehmen. So ist heute eine gemeinsame Studie zum Einsatz von Nanotechnologie in der Lebensmittel- und Getränkeindustrie veröffentlicht worden: "Emerging risk: Nanotechnology in food". Die Studie ist der erste Beitrag in einer geplanten Serie über neue Haftungsrisiken.
Literatur:
Romeike, Frank (2017): Predictive Analytics im Risikomanagement - Daten als Rohstoff für den Erkenntnisprozess, in: CFO aktuell, März 2017.