Jahrelang ruhte das Underwriting auf Erfahrung, Tariftabellen und Tabellenblättern, die nur ihr Urheber wirklich verstand. Heute fällt die Entscheidung, ein Risiko anzunehmen und zu bepreisen, schneller, auf weit mehr Daten und unter wachsendem regulatorischem Druck, der fragt, warum eine Police diesen Preis bekommen hat. Für eine Leitung Underwriting, Risiko oder Aktuariat heißt das eines: Risikoprüfung wird zum digitalen Produkt, und ihre Qualität hängt ebenso an der Software wie an der Expertise der Menschen.
Aus unserer Erfahrung liegt das Schwierige nicht darin, ein Scoring-Modell zu erfinden, sondern darin, es in den Entscheidungsprozess, die Daten und die Menschen einzubinden, die entscheiden. Wir haben in diesem Feld keine Referenz, die wir hier ausstellen könnten, also sagen wir es klar: Was wir zuerst liefern, sind Kompetenzen und Menschen, die das bauen - als Team-Verstärkung oder dediziertes Team, gestützt auf echte Daten- und ML-Fähigkeiten innerhalb der RITS Group.
Warum braucht ein Versicherer digitales Underwriting?
Weil die Zahl der Entscheidungen steigt, während die Zeit für jede einzelne schrumpft. Ein Underwriter hat nicht mehr den Luxus, einen Fall tagelang zu wälzen, muss aber weiterhin jede Entscheidung verteidigen können - gegenüber einer Revision und gegenüber der Aufsicht. Digitales Underwriting verlagert die Routine ins System und lässt dem Experten das, was wirklich Urteilskraft verlangt.
In der Praxis zielen wir auf drei Ergebnisse: eine schnellere, wiederholbare Entscheidung, einen konsistenten Risikopreis, der nicht davon abhängt, wer den Fall gerade bearbeitet, und eine vollständige Prüfspur, die zeigt, welche Daten und Regeln zum Ergebnis geführt haben. Es geht nicht darum, den Underwriter zu ersetzen, sondern ihm ein Werkzeug zu geben, das schneller rechnet und nichts vergisst.
Wie bauen Sie Modelle für Risiko-Scoring und Bepreisung?
Ein Scoring-Modell ist kein einzelner Algorithmus, sondern eine Kette: von den Eingangsdaten über die Merkmale bis zu einem Ergebnis, das in den Prozess einfließt. Wir bauen es so, dass es gepflegt und erklärt werden kann, nicht nur einmal vorgeführt.
- Training auf historischen Daten aus dem Bestand, der Schadenerfahrung und externen Quellen, mit Qualitätskontrolle und Datenversionierung,
- Bereitstellung des Modells über eine API, damit das Scoring aus dem Policensystem, dem Vermittlerportal oder der Kaufstrecke in Echtzeit aufgerufen wird,
- Erklärbarkeit des Ergebnisses (Feature Importance, Reason Codes), denn die Entscheidung muss für Underwriter, Kunde und Prüfer nachvollziehbar sein,
- Drift-Monitoring und eine klare Regel für die Ausmusterung, bevor das Modell neue Daten falsch bewertet.
Unsere Daten- und ML-Arbeit stützt sich auf die Fähigkeiten der RITS Group, darunter unsere AI-, LLM- und Datenteams, in denen wir LLM-, RAG- und Machine-Learning-Projekte geliefert haben. Das ist echte Datenerfahrung, auch wenn wir nicht so tun, als stamme sie aus einem Rollout bei einem konkreten Versicherer.
Wie entwerfen Sie den Arbeitsplatz des Underwriters?
Am Arbeitsplatz verbringt der Underwriter den ganzen Tag, also zählt jeder Klick. Ein guter Arbeitsplatz holt die Daten in eine Ansicht, statt die Menschen zwischen Systemen springen zu lassen, und führt die Entscheidung, statt sie nur zu protokollieren.
- Aggregation der Daten zum Risiko aus dem Policensystem, externen Quellen und dem Modellergebnis auf einem Bildschirm,
- Annahme- und Ausnahmeregeln, die einfache Fälle automatisch durchlassen und schwierige an einen Menschen leiten,
- eine Entscheidungswarteschlange mit Prioritäten, Service-Levels und klarem Status für jeden Fall,
- eine Entscheidungsspur, automatisch erfasst, mit dem Kommentar des Underwriters und den Werten, auf denen das Ergebnis beruhte.
Wir entwerfen den Arbeitsplatz entlang des echten Arbeitsrhythmus des Teams, nicht entlang eines Diagramms von einer Folie. Den größten Nutzen bringt hier meist die Automatisierung der einfachen Entscheidungen, weil sie Expertenzeit für die Fälle freimacht, die wirklich Urteilskraft brauchen.
Wie erkennen Sie Betrug im Versicherungsprozess?
Betrugserkennung funktioniert am besten, wenn sie zwei Ansätze verbindet. Regeln fangen, was wir bereits kennen, Anomaliemodelle fangen, was wir noch nicht in eine Regel gefasst haben.
- eine Regelschicht auf Basis bekannter Betrugsmuster und Warnsignale, lesbar für das Anti-Fraud-Team,
- Modelle zur Anomalieerkennung, die ungewöhnliche Muster in Anträgen, Schäden und Verbindungen zwischen Beteiligten sichtbar machen,
- ein Betrugsrisiko-Score am Fall, damit der Underwriter das Signal vorab sieht und nicht nach einer Auszahlung,
- eine Rückkopplung aus bestätigten Fällen, damit das Nachtrainieren auf den echten Entscheidungen des Teams aufsetzt.
Ziel ist nicht, Kunden zu blockieren, sondern Aufmerksamkeit dorthin zu lenken, wo die Betrugswahrscheinlichkeit real ist - mit möglichst wenigen Fehlalarmen.
Wie berichten Sie die Exponierung des Bestands?
Eine einzelne Entscheidung ist das eine, die Risikoleitung schaut auf das Ganze. Das Exponierungsreporting bindet Underwriting-Entscheidungen zu einem Bestandsbild zusammen: Verteilung der Risiken, Kumule, Limite und deren Auslastung. Wir bauen die Reporting-Schicht so, dass sie die Fragen von Vorstand und Aufsicht beantwortet, ohne Daten aus mehreren Systemen von Hand zusammenzunähen. Entscheidend ist, dass die Zahlen aus derselben Quelle kommen wie die Entscheidungen, damit Reporting und Betrieb auf einem konsistenten Datenmodell ruhen und nicht auf zwei konkurrierenden Wahrheiten.
Wie tauschen Sie Daten mit der Rückversicherung aus?
Die Rückversicherung lebt von den Daten, die sie vom Zedenten bekommt, also muss der Austausch strukturiert und wiederholbar sein. Wir automatisieren die Aufbereitung von Bordereaux, Exponierungsberichten und Schadendaten in den mit dem Rückversicherer vereinbarten Formaten, binden sie an den Reporting-Kalender und prüfen die Vollständigkeit, bevor etwas das Haus verlässt. Ein gut entworfener Austausch verkürzt den Periodenabschluss und reduziert Streit über nicht zusammenpassende Zahlen.
Wie halten Sie den Menschen in der Entscheidungsschleife?
Das Modell rät, aber ein Mensch trägt die Verantwortung für das Risiko - und das soll so bleiben. Wir gestalten den Prozess so, dass der Underwriter die Empfehlung des Modells annehmen, ablehnen oder überstimmen kann, immer mit einer Begründung, die im System bleibt. Diese Überstimmungen werden später wertvolles Material: Sie zeigen, wo das Modell irrt und was sich zu korrigieren lohnt. Der Mensch in der Schleife ist keine Compliance-Formalie, sondern der Mechanismus, der vor blindem Vertrauen in die Automatisierung schützt und das System zugleich lehrt.
Welche Kompetenzen stellen wir für Underwriting-Projekte?
Wir besetzen Rollen für die konkrete Projektphase, nicht „für alle Fälle”. Je nach Bedarf kann ein Team abdecken:
- Data und ML Engineers, die Scoring- und Anomaliemodelle bauen und pflegen,
- Backend- und Integrationsentwickler, die Modelle, Policensysteme und APIs verbinden,
- Frontend- und UX-Spezialisten, die den Underwriter-Arbeitsplatz entwerfen,
- Architekten und DevOps, verantwortlich für Skalierung, Datensicherheit und Deployments.
Unsere Daten- und ML-Kompetenzen sind real (die RITS Group, darunter unsere AI-, LLM- und Datenteams, mit GenAI-, RAG- und Machine-Learning-Projekten), und unsere Erfahrung aus anspruchsvollen Industrieprojekten überträgt sich als die Ingenieursdisziplin, die ein reguliertes Umfeld verlangt.
Wie machen wir das bei RITS?
Wir arbeiten als Nearshore-Partner aus Polen, der das Team des Versicherers mit Kompetenzen verstärkt, statt eine fertige Kiste zu verkaufen. Wir starten bei Ihrem Prozess und Ihren Daten, schneiden das Team auf die Besonderheiten des Projekts zu und prüfen die Kompetenzen vor dem Start. Wir arbeiten in einer nahen Zeitzone, deshalb steigen unsere Leute ohne lange Anlaufzeit in Code Reviews, Meetings und den Arbeitsrhythmus ein. Meistens machen wir das als Individualsoftware, gebaut von unserem Team, oder als Team-Verstärkung, wenn fehlende Daten-, ML- oder Engineering-Kompetenzen schnell aufzufüllen sind.
Wo beginnen Sie mit der Unterstützung des Underwritings?
Beginnen Sie bei der einen Entscheidung, die am meisten schmerzt: der, die am längsten dauert, am häufigsten danebengeht oder am schwersten zu begründen ist. Kartieren Sie Daten, Regeln und Rollen um sie herum und entscheiden Sie dann, ob Sie ein Modell, einen besseren Arbeitsplatz oder beides zugleich brauchen. Dieser erste Schnitt liefert ein messbares Ergebnis und setzt die Architektur für den Rest. Die Unterschiede zwischen den Kooperationsmodellen haben wir in unserem Artikel zu IT-Kooperationsmodellen beschrieben.
Sie wollen Underwriting und Risikoprüfung unterstützen? Sprechen wir darüber - wir stellen Team und Kompetenzen passend zu Ihrem Prozess zusammen.