Big Data für Versicherungen. Proceedings zum 21. Kölner Versicherungssymposium am 3.11.2016 in Köln

Forschung am ivwKöln Band 2/2017 Big Data für Versicherungen Proceedings zum 21. Kölner Versicherungssymposium am 3.11.2016 in Köln Maria Heep-Altiner, Horst Müller-Peters, Peter Schimikowski, Bernd Schnur (Hrsg.) Forschung am ivwKöln, Band 2/2017 Maria Heep-Altiner, Horst Müller-Peters, Peter Schimikowski, Bernd Schnur (Hrsg.) Big Data für Versicherungen. Proceedings zum 21. Kölner Versicherungssymposium am 3.11.2016 in Köln Zusammenfassung Aufgrund der schnellen technologischen Entwicklungen und den damit einhergehenden erweiterten Möglichkeiten hat für den Begriff „Big Data“ eine starke Begriffserweiterung stattgefunden – insbesondere im Dreiklang Digitalisierung / Big Data / Cloud Computing (DBC). „Big Data“ im weiteren Sinn umfasst inzwischen mindesten die Themenfelder IT & Prozesse, Methoden & Model lierung, Produktentwicklung & Kundenmanagement sowie Recht & Datenschutz. Wegen der hohen Bedeutung haben die Forschungsbereiche des ivwKöln für 2016 „Big Data“ als übergreifendes Forschungsthema gewählt. Im 21. Kölner Ver sicherungssymposium wurde daher das Themenfeld in seiner Vielschichtigkeit von Referenten a us mehreren Fachrichtungen skizziert. Abstract The Caused by the technological development and the corresponding extended possibilities, an extension of term “Big Data” has occurred – especially in the context of Digitalization / Big Data / Cloud Computing (DBC). In an extended definition, “Big Data” cove rs at least the aspects “IT & Processes”, “Methods & Modeling”, “Product Development & Client Management” as well as “Legal Aspects & Data Protection”. Because of the high relevance, the research centers of the Cologne Institute of Insurance (ivwKöln) have chosen “Big Data” as a common research topic. At the 21th Cologne Insurance Symposium, “Big Data” has been treated by speakers representing th e various aspects of this topic. Schlagwörter Big Data, Digitalis ierung, Versicherung Vorwort Aufgrund der schnellen technologischen Entwicklungen hat Big Data – insbesondere im Dreiklang Digitalisierung / Big Data / Cloud Computing (DBC) die Welt verändert und wird sie auch noch weiter verändern. Abbildung 1: Jeder Mensch ist einzigartig, besonders, unverwechselbar – berechenbar.1 Diese Veränderungen beeinflussen den Versicherungsbereich massiv – je nach Standpunkt als Horror, Hype oder Heilsbringer. Ausgehend von einer einfachen Definition als „große und komplexe Datenmengen“ hat mit den erweiterten Möglichkeiten bei „Big Data“ eine starke Begriffserweiterung stattgefunden. „Big Data“ im weiteren Sinn umfasst damit mehrere Themenfelder in unterschiedlichen Fachrichtungen. Wegen dieser Vielschichtigkeit haben sich die vier Forschungsbereiche des ivwKöln – finanzielles & aktuarielles Risikomanagement (FaRis) – Rückversicherung, – Versicherungsmarkt und – Versicherungsrecht 1 Quelle: Andreas Dormann, Trailer zum Symposium des IVW Köln, veröffentlicht am 31.10.2016, https://www.youtube.com/watch?v=HCcEIq90IZs&feature=youtu.be (Stand 08.12.2016). für 2016 zum Ziel gesetzt, das Thema „Big Data“ jeweils im Hinblick auf die eigene Schwerpunktsetzung zu erforschen – insbesondere im Hinblick auf die Themenfelder – IT & Prozesse, – Methoden & Modellierung, – Produktentwicklung & Kundenmanagement sowie – Recht & Datenschutz. „Big Data“ wurde dabei nicht nur in Vorträgen, Publikationen und Abschlussarbeiten behandelt, sondern war auch das Schwerpunktthema – des 10. FaRis & DAV Symposiums am 10.06.2016 sowie – des 21. Kölner Versicherungssymposiums am 03.11.2016. Das FaRis & DAV Symposium hat sich mit den eher quantitativen Facetten des Begriffs im Hinblick auf IT & Prozesse sowie Methoden & Modellierung auseinandergesetzt; das Kölner Versicherungssymposium hat das Thema breiter über alle Aspekte und Facetten behandelt – abgestimmt auf einen weniger spezialisierten Personenkreis. Für das übergreifende Forschungsprojekt sowie die Organisation des 21. Kölner Versicherungssymposiums wurde eine Projektgruppe mit - Prof. Dr. Maria Heep-Altiner (ivwKöln, FaRis) für das Themenfeld Modelle & Modellierung, - Prof. Horst Müller-Peters, (ivwKöln, Forschungsstelle Versicherungsmarkt) für das Themenfeld Produktentwicklung & Kundenmanagement, - Prof. Dr. Schimikowski, (ivwKöln, Forschungsstelle Versicherungsrecht) für das Themenfeld Recht & Datenschutz sowie - Prof. Dr. Schnur, (Schmalenbach Institut, korrespondierendes Mitglied in FaRis) für das Themenfeld IT & Prozesse etabliert, die auch die Herausgeber dieses Tagungsbandes mit den Vorträgen und Diskussionsbeiträgen zum 21. Kölner Versicherungssymposium sind. Beim Vortrag von Katja Würtz zur Sicht des Regulierers auf Big Data mit Fokus auf den Verbraucherschutz wurde in Abstimmung mit der Referentin auf einen eigenen schriftlichen Beitrag verzichtet und stattdessen nur seitens der Herausgeber über diesen Beitrag berichtet. Die (verkürzten) Vortragsfolien können auf der Webseite des ivwKöln im Bereich zum 21. Kölner Versicherungssymposium heruntergeladen werden.2 Köln, Januar 2017 Die Herausgeber 2 Siehe https://www.th-koeln.de/mam/downloads/deutsch/hochschule/fakultaeten/wirtschafts_und_rechtswissenschaften/pr__sentation_w__rtz.pdf (Stand 05.12.2016). Autorenverzeichnis 1. Einführung: Was ist Big Data? Maria Heep-Altiner Bernd Schnur TH Köln 2. Big Data als Schlüssel zur Digitalisierung Volker Reichenbach msg Systems 3. Die Big Data Herausforderung Daniel John HUK-Coburg 4. Cognitive Computing als Konsequenz auf geändertes Kundenverhalten und Big Data Stefan Riedel IBM 5. Kundenbeziehung im Wandel - durch Kundenprofilierung und Real-Time Werbung. Andreas Schütz SAP 6. Rechtliche Rahmenbedingungen von Big Data Michael Kamps CMS Hasche Sigle 7. Die Sicht des Regulierers auf Big Data mit Fokus auf den Verbraucherschutz Bericht zum Vortrag von Katja Würtz (EIOPA) Maria Heep-Altiner TH Köln 8. Fragen & Anmerkungen zu Big Data Maria Heep-Altiner Horst Müller-Peters TH Köln Kurzprofile der externen Referenten des Symposiums 3 Volker Reichenbach, msg Systems Volker Reichenbach, Jahrgang 1952, studierte Informatik und BWL an der Rheinischen Friedrich-Wilhelms-Universität in Bonn und schloss sein Studium 1981 als Diplom Informatiker ab. Er arbeitete zunächst als Systemprogrammierer bei der Ideal Standard GmbH Bonn und war danach als Bereichsleiter GMO für die Gesellschaft für Management und Organisation tätig. Von 1994 bis 2014 war Volker Reichenbach als Mitglied des Vorstands der mg systems ag verantwortlich für die Ressorts Service Consulting Insurance, Business Consulting Insurance, Recht, Personal und Betriebsorganisation. Seit 2014 ist er Mitglied des Aufsichtsrats der msg systems ag, Mitglied des Aufsichtsrats der objective partner ag und arbeitet darüber hinaus freiberuflich. Dr. Daniel John, HUK-Coburg Dr. Daniel John leitet das Aktuariat der Schaden-/Unfallversicherung der HUK-Coburg und hat dieses konsequent auf moderne Themen rund um Daten und Analytics ausgerichtet. Er hat intensiv am Aufbau des unternehmensweiten Data Warehouse mitgewirkt und ist Mitbegründer des Data Science Centers der HUK-COBURG. In den letzten 10 Jahren hat er viele Analytics-Projekte initiiert und erfolgreich begleitet. Dazu gehört auch der neue Telematik-Tarif – die erste richtige Big-Data-Anwendung der HUK-COBURG. 33 Bildmaterial und Kurzprofile nach Bereitstellung durch die Referenten. Stefan Riedel, IBM Stefan Riedel verantwortet seit Januar 2011 als Generalbevollmächtigter der IBM den Versicherungsbereich für Deutschland, Österreich und die Schweiz. Zuvor führte er das Strategische Outsourcing der IBM in Deutschland für alle Industrien. Die Rolle übernahm er, nachdem er acht Jahre lang den Beratungsarm der IBM für die Versicherungswirtschaft für Zentralund Osteuropa führte. Als Diplom-Wirtschaftsinformatiker (DH) startete Stefan Riedel 1991 seine Karriere in dem neu gegründeten Service-Bereich der IBM, wo er erfolgreich vielfältige Erfahrungen als Berater, Projektleiter und Vertriebsbeauftragter sammelte. Als Jahrgang 1967 ist der verheiratete Wahlkölner zwar kein Digital Native, aber aus Leidenschaft und mit viel Engagement immer am Puls der Zeit. https://twitter.com/StefanRiedelIBM Andreas Schütz, SAP Andreas Schütz verfügt über umfassende Kenntnisse und Erfahrungen in den Bereichen Digitalisierung sowie Customer Engagement und Commerce. Als gelernter Firmenkundenbetreuer war Herr Schütz von 1986 – 2002 bei der Dresdner Bank AG in Frankfurt tätig und zuletzt als Senior Project Manager für das Customer Relationship Management im Corporate Banking verantwortlich. Von 2002 bis 2016 hat Herr Schütz bei SAP verschiedene Rollen ausgefüllt: als Solution Architekt für CRMund Frontoffice-Themen, als Customer Engagement Manager für SAP Consulting und als Senior Presales Specialist für den Bereich Financial Services. Michael Kamps, CMS Hasche Sigle Michael Kamps ist Rechtsanwalt und Partner im Geschäftsbereich „Technology Media Communication“ bei CMS Hasche Sigle, einer der größten deutschen Wirtschaftskanzleien. Er berät nationale und internationale Mandanten zu allen Fragen der informationsrechtlichen Compliance mit einem Schwerpunkt auf datenschutzrechtlichen Fragestellungen und der Rechtsberatung im Bereich „Digital Business“. Michael Kamps studierte Rechtswissenschaften in Köln und absolvierte seinen juristischen Vorbereitungsdienst bei Gerichten und Behörden in Düsseldorf, Köln und Washington, D.C. Er ist Lehrbeauftragter für Informationsrecht an der Internationalen Filmschule Köln. Regelmäßige Vorträge und Veröffentlichungen zu Themen des Informationsrechts. Katja Würtz, EIOPA Katja Julie Würtz is Head of EIOPA's Cross-Sectoral and Consumer Protection Unit. She is responsible for EIOPA's activities and initiatives related to consumer protection, the Joint Committee along with the organisation of EIOPA's committee meetings and public events. Before joining EIOPA at the end of 2011, Ms Würtz had extensive working experience as Principal Legal Counsel and team leader in the area of financial law and legal oversight. In this respect she began her career first at the European Commission, followed by a few years at the Danish central bank (Danmarks Nationalbank), subsequent to which she worked for more than a decade at the European Central Bank (ECB). She has authored and co-authored a number of academic articles related to financial legislation, legal oversight and the ECB's advisory competence in its fields of competence. Ms Würtz has Danish nationality and studied EU law at the University of Copenhagen, from where she obtained her Master degree in law in 1995. - 7 - Prof. Professor RegTech Regulatory Technology S. Seite SAP Systeme / Anwendungen / Produkte Sog. sogenannt TH Technische Hochschule u. a. Unter Anderem UrhG Urheberrechtsgesetz v. Chr. Vor Christus Vgl. Vergleiche Vs. versus Xing Crossing z. B. Zum Beispiel - 8 - 1 Einführung: Was ist Big Data? Maria Heep-Altiner, Bernd Schnur (TH Köln) Der nachfolgende Beitrag wurde in größeren Teilen dem entsprechenden Einführungsbeitrag in den Proceedings zum 10. FaRis & DAV Symposium entnommen.4 1.1 Begriffsbestimmung von Big Data Der Begriff „Big Data“ besagt zunächst einmal nur, dass es sich um „große Datenmengen“ handelt. Aufgrund der schnellen technologischen Entwicklungen und den damit einhergehenden erweiterten Möglichkeiten hat hier aber eine starke Begriffserweiterung stattgefunden, insbesondere muss das Themenfeld „Big Data“ im Dreiklang Digitalisierung / Big Data / Cloud Computing (DBC) gesehen werden, wobei auch hier durch Begriffserweiterungen eine klare Abgrenzung nur sehr schwer möglich ist. Ad Hoc Definition Erweiterte Definition Digitalisierung Überführung analoger Größen in diskrete Größen. Gesamtheit der Technologien und Methoden zum Aufbereiten und Speichern analoger Informationen auf digitalen Medien. Big Data Große und komplexe Datenmengen. Gesamtheit der Technologien und Methoden zum Sammeln und Auswerten großer und komplexer Datenmengen. Cloud Computing Rechnen in einer „Wolke“. Gesamtheit der Technologien und Methoden zum dezentralen Speichern und Ausführen von Daten und Programmen. Die Ad Hoc Definitionen sind relativ trivial, die erweiterten Definitionen unscharf und nur schwer sauber abgrenzbar, d. h. man hat hier im Prinzip eine Bandbreite zwischen Alles und Nichts. Bedeutete Digitalisierung ursprünglich nur, dass eine diskrete Codierung vorgenommen wird, 5 so steht dieser Begriff inzwischen schon fast synonym für eine ganze technologische Revolution. 4 Heep-Altiner: Big Data für Versicherungen. In: Proceedings zum 10. FaRis & DAV Symposium am 10. Juli 2016 in Köln, Forschung am IVW Köln 10 / 2016, https://cos.bibl.th-koeln.de/frontdoor/index/index/docId/426 , S. 6 – 17. 5 Die wichtigste und bekannteste Form einer diskreten Codierung ist die 0/1 Codierung. - 9 - 1.2 Themenfelder zu Big Data Big Data im weiteren Sinn geht ebenfalls weit über die triviale Definition hinaus und umfasst inzwischen eine Vielfalt an Themenfeldern wie beispielsweise  IT & Prozesse,  Methoden & Modellierung,  Produktentwicklung & Kundenmanagement sowie  Recht & Datenschutz, die darüber hinaus auch noch untereinander vernetzt sind, siehe dazu auch die nachfolgende Abbildung mit den wichtigsten Verknüpfungen zwischen diesen Themenfeldern in der Versicherungsbranche. Abbildung 2: Themenfelder von Big Data für Versicherungen.6 Abgerundet wird der Dreiklang durch die enormen technischen Möglichkeiten, die sich durch eine vernetzte Datenhaltung mittels Cloud Computing ergeben.7 Hatte man früher eine klassische (Prozess) Abgrenzung Datenaufbereitung  Datenspeicherung  Datenanalyse, 6 Heep-Altiner (2016): Big Data für Versicherungen, S. 7. 7 Auch wenn unter Sicherheitsaspekten dies nicht in jeder Hinsicht als positiv zu bewerten ist. IT&Prozesse Recht& Datenschutz Methoden& Modellierung Produktentw. &Kunden‐ management Datenschutz, Persönlichkeitsrechte, Eigentumsrechte Bedingungswerke, Haftungsrecht, Produktgestaltung Datenorganisation, Auswertungs‐ möglichkeiten Tarifmerkmale, Produktkomponenten, Änderungsdynamik Etc. - 10 - so verwischen inzwischen die Grenzen dahingehend, dass im System Digitalisierung  Big Data  Cloud Computing einzelne Teile synonym für große Teile des Gesamtsystems stehen und somit kaum noch klar voneinander abgegrenzt werden können. Klassische Sichtweise Moderne Sichtweise • Technische Restriktionen • Geringe Datenvolumina (Small Data) • Nur strukturierte Daten • Stand Alone Verarbeitung • Technische Verbesserungen • Hohe & komplexe Datenvolumina (Big Data) • Auch unstrukturierte Daten • Vernetzte Verarbeitung • Klassische statistische Verfahren • Zusätzlich neue Verfahren für unstrukturierte Daten • Einfache Produktstrukturen (z. B. Tarife auf Basis einfach strukturierter Merkmale) • Komplexe Produktstrukturen (z. B. Telematiktarife in KH, Vitality Tarife in der KV) • Datenschutzproblematik als rechtliches Handlungsfeld • Zusätzlich neue rechtliche Handlungsfelder Konnte man früher aufgrund technischer Restriktionen nur geringe Datenvolumina „stand alone“ bearbeiten, so kann man heute vernetzt auch extrem große Datenmengen verarbeiten. Standen früher nur klassische statistische Verfahren für strukturierte Daten zur Verfügung, so kann man heute mit Mustererkennungen und Kontextanalysen auch unstrukturierte Daten modellieren. Waren auf Basis der klassischen Verfahren nur eher einfache Tarifund Produktstrukturen möglich, so kann man heute vernetzt und interaktiv auch komplexe Systematiken abbilden. In der Konsequenz haben sich dabei allerdings auch ergänzend zur schon bei strukturierten Daten vorliegenden Datenschutzproblematik weitere rechtliche Handlungsfelder ergeben – beispielsweise in Bezug auf Eigentumsrechte und allgemeines Haftungsrecht. 1.3 Hintergrundinformationen zu Big Data In der nachfolgenden Abbildung ist skizziert, wie in der sogenannten Datenpyramide ausgehend von den Zeichen als Basis einer Codierung von Informationen durch Syntax, Semantik, Kontext bis hin zur Pragmatik und Vernetzung eine Transformation zum Wissen erfolgt. - 11 - Abbildung 3: Datenpyramide.8 Big Data – im Unterschied zu Small Data – sind charakterisiert durch die verschiedenen Vs: • Volume: die Menge der produzierten Daten  siehe die nachfolgende Abbildung, • Velocity: die Geschwindigkeit, mit der Daten erzeugt werden  siehe die nachfolgende Abbildung, • Variety: die verschiedenen Dateninhalte und –formate, die aus unterschiedlichen Quellen stammen  eher technisches „Problem“ sowie • Veracity: die Richtigkeit und Verlässlichkeit der Daten  z.B. Aussagekraft von Daten aus sozialen Netzwerken, woraus sich in diesem Zusammenhang besondere Anforderungen und Herausforderungen ergeben. Gerade im Hinblick auf Volumen und Geschwindigkeit konnten in den letzten Jahren rasante Entwicklungen beobachtet werden, siehe dazu auch die nachfolgende Abbildung: 8 In Anlehnung an: Bodendorf, Freimut (2013): Datenund Wissensmanagement, Berlin, Heidelberg, Springer-Verlag, S.1 ff. Information Wissen Daten Zeichen Syntax Semantik/ Kontext Pragmatik/ Vernetzung M;a;i;e;r Maier Maierist weiblich. FrauMaier lebtinBerlin. - 12 - Abbildung 4: Entwicklung von Volume (in Exabyte). 9 Dabei sind bei der Nutzung fortgeschrittener Analysen Versicherer, Automobil & Medien durchaus Vorreiter innerhalb der gesamten Industrie, siehe dazu auch die nachfolgende Abbildung. 9 Quelle: Statista 2016, Studie „Digital Universe“, in: statista.com, http://de.statista.com/statistik/daten/studie/267974/umfrage/prognose-zum-weltweitgenerierten-datenvolumen/, Zugriff am 09.07.2016 - 13 - Abbildung 5: Nutzung fortgeschrittener Analysen. 10 Es ist aber aus der Abbildung auch ersichtlich, dass die Schwerpunkte einer Nutzung fortgeschrittener Technologie je nach Branche durchaus sehr unterschiedlich ausfallen. In den nachfolgenden Beiträgen werden die hier skizzierten Aspekte – insbesondere in Bezug auf die zuvor definierten Themenfelder – noch weiter vertieft. 1.4 (Zwischen) Fazit zu Big Data Die Frage, welche Aussichten durch Digitalisierung, Big Data und Cloud Computing speziell für den Bereich Versicherung zu erwarten sind, kann mit Sicherheit in diesem Symposiumsband nicht umfassend und abschließend beantwortet werden. Man kann aber zumindest schon zum jetzigen Zeitpunkt einige (potentielle) Vorund Nachteile skizzieren, die sich aus einer Anwendung von DBC bei Versicherungen ergeben (können): Vorteile von Big Data für Versicherungen Man bekommt eine verbesserte Einschätzung von objektiven Risiken durch Zusatzinformationen wie GPS Daten, Google Maps, Tanker Routen, Supply Chains, etc. 10 Quelle: https://www.bitkom.org/Presse/Anhaenge-an-PIs/2016/Juni/Bitkom-Research-KPMG-Mit-DatenWerte-schaffen-10-06-2016-final.pdf, S.11 - 14 - Eine Beeinflussung von subjektivem Risikoverhalten wird möglich beispielsweise durch pay as you drive oder pay as you live. Dadurch verringert sich ggf. die asymmetrische Informationssituation zwischen dem Versicherungsunternehmen und dem Versicherungsnehmer – bei Vertragsbeginn (Adverse Selektion) bzw. – während der Vertragslaufzeit (Moral Hazard). Nachteile von Big Data für Versicherungen Im Extremfall könnte eine absolute Individualisierung der Versicherungsprodukte die Folge sein, was nicht unbedingt immer im Sinne des Kunden ist. Insbesondere stellt sich in diesem Zusammenhang die Frage, ob noch alle Kunden in Zukunft ausreichend Versicherungsschutz für Ihre Risiken bekommen können. Dies könnte insgesamt den Versicherungsgedanken – nämlich eine „Ökonomisierung von Risiken durch Kollektivierung“ – ad Absurdum führen. Denn: Der risikoadäquateste Tarif besteht natürlich darin, dass jeder seine Schäden gefälligst selbst zahlt. Das spart dann auch die Verwaltungskosten eines Versicherungsunternehmens Trotz der Vorteile, die sich ohne jeden Zweifel aus Digitalisierung / Big Data / Cloud Computing für die Versicherungsbranche ergeben werden, sollte gerade die Versicherungsbranche daher im eigenen Interesse hier eine gesunde Balance finden, wenn sie im eigenen Interesse Verwerfungen vermeiden will. - 15 - 2 Big Data als Schlüssel zur Digitalisierung Volker Reichenbach (msg Systems) Das Tempo der digitalen Transformation nimmt deutlich zu und Big Data ist in diesem Zusammenhang ein Schlüsselelement. 2.1 Digitale Transformation – Einordnung 2.1.1 Big Data – Definition Der aus dem englischen Sprachraum stammende Begriff „Big Data“ bezeichnet Datenmengen, welche: zu groß, zu komplex, zu schnelllebig oder zu schwach strukturiert sind, um sie mit herkömmlichen Methoden der Datenverarbeitung auszuwerten. ... „Big Data“ wird häufig als Sammelbegriff für digitale Technologien verwendet, die in technischer Hinsicht für eine neue Ära digitaler Kommunikation und Verarbeitung in sozialer Hinsicht für einen gesellschaftlichen Umbruch verantwortlich gemacht werden. Er steht dabei grundsätzlich für große digitale Datenmengen aber auch für deren Analyse, Nutzung, Sammlung, Verwertung und Vermarktung.11 2.1.2 Digitale Transformation – Verständnis Mit der Digitalen Transformation verbinde ich zwei wesentliche Aspekte: 1. Die Service-dominierte Logik (Prof. Warg) und 2. Die Kundenzentrierung – Der Kunde im Fokus und der damit erforderliche Perspektivenwechsel. Die Digitale Transformation beschreibt einen durch die Service-dominierte Logik sowie durch Technologie ausgelösten grundlegenden Wandel von Unternehmen, siehe dazu auch die nachfolgende Abbildung. 11 Quelle: Wikipedia. - 16 - Abbildung 6: Digitale Transformation.12 Das Tempo der Digitalen Transformation nimmt deutlich zu, siehe dazu auch die nachfolgende Tabelle. Technologie verfügbar  Internet / Netzabdeckung  Technik / Mobility  Software / Cloud / Micro-Services / Apps Technologie vor Quantensprung  Mobility – die digitale Triebfeder (iPhone 2016: 7 / iPhone 2025: Leistungsfähigkeit des heutigen WATSON)  Geschwindigkeit – heute 40 Millisekunden 2020 mit 5G < 1 Millisekunde  Explosion der Endgeräte (> 250 Mrd. in 2020) Gesellschaft digital  Hohes Digitalisierungstempo  Digitale Konzerne als Treiber Digitalisierung der Wirtschaft läuft  Alle Märkte betroffen – Transformation / Disruption  Branchenübergreifende Technologie  Branchenspezifische Lösungen 12 In Anlehnung an eine Originalgrafik von Dr. Tanmay Vora, Unternehmensberater, Kolhapur, https://pbs.twimg.com/media/CUkoJr-U8AUQP5F.jpg:large (Stand 09.12.2016). Gewinnen Hierarchien Kontrolle Planen Privatsphäre Zielen Netzwerken Entscheidungs‐ befugnis Experimen‐ tieren Transparenz Von Zu - 23 - …und für potenzielle Kunden • das Netz von Freunden, Bekannten etc. bzw. • das Netz der Freunde der Freunde und Bekannten zu ermitteln. Next Best Action impliziert dabei • Facebook, Twitter, Xing, LinkedIn, ... , • „einfache“ Regelwerke wie - Geburtstagskarten, - Nachfassen nach einer Schadenregulierung oder - kontinuierliche Kommunikation, • Ermittlung von Cross Selling Potenzialen (im Sinne von „wer x gekauft hat, hat auch y gekauft“), • Erfassung von Änderungen der Lebenssituation wie - Heirat, Kind, Hobbies, neue Freunde und Bekannte sowie • Ermittlung von Hinweisen auf mögliche Services, um dadurch die Wertschöpfungskette anzureichern. 2.4 Wege zur digitalen Exzellenz Kunden-Fokussierung und Kundenzentrierung wird entscheiden Kunde im Mittelpunkt Produkte an seinen Bedürfnissen orientieren wie beispielsweise • Life • Health • Home • Mobility • Self • Company Kunden kennen und verstehen • Digitale Analysen • Predictive Analytics - 24 - Kunde will digital kommunizieren • Customer-Journey • Kundeninteraktion als positives Erlebnis • Omni-Channel • Bi-modale IT für Flexibilität • IoT Schnittstellen, Integration Kunde will Lösungen Versicherung wird zum Lösungsanbieter • Primärprodukt (direkt) • Sekundärprodukt (Kollaboration & Partner) Paradigmenwechsel • Heute: Güterdominanz • Morgen: Servicedominanz Im Zusammenhang mit einer Integration der digitalen Welt bzw. einer Versicherung als Lösungsanbieter bedeutet digital Excellence die Integration von Kunde und Digitalwirtschaft (inkl. IoT) in das Versicherungs-Geschäftsmodell. Typ von Digitalisierung … Sparten / Segmente Anticipators • entwickeln zukünftige Geschäftsmodelle • laufende Optimierung stark betroffen Kfz Rückversicherer Industrieversicherer Hausrat Kranken Fast Followers • erkennen die Leader und adaptieren ihr Geschäftsmodell betroffen Leben … Survivors • fokussieren auf kurzfristige Performance weniger betroffen Haftpflicht Rechtsschutz - 25 - 2.5 Zusammenfassung Everything is changing – alles ändert sich, von allgemeinen Marktänderungen bis hin zu konkreten Änderungen der Geschäftsmodelle. Market Changes 2/3 der Unternehmen der FORTUNE 500 Liste von 1970 sind nicht mehr gelistet. Speed Changes Geschwindigkeit der Vernetzung und digitalen Transformation steigert sich weiter. Business Changes Erfolgreiche Unternehmen erfinden sich neu bzw. verändern ihr Geschäftsmodell. Durch digitale Transformation werden Versicherer (von reinen Kostenerstattern für Schadenfälle der Vergangenheit) zu (vorausschauenden und Zukunftsorientierten) Lösungsanbietern. Digitale Transformation Versicherer werden zu Lösungsanbietern ProzessEffizienz Digitale Effizienz Digital Excellence Kunde im Fokus Kunde: digital, individuell, schnell, volatil, clever Agieren als Partner Lösen Probleme Handeln vorausschauend Kunde erlebt den Service unmittelbar - 26 - 3 Die Big Data Herausforderung Daniel John (HUK-Coburg) 21 3.1 Was ist Big Data? Der größte Baum der Welt heißt „General Sherman“, ist 84 m hoch, hat einen Durchmesser von 11 m an der Stammbasis, ein Volumen von 1.500 qm und wird auf gut 2.000 Jahre Alter geschätzt. So steht er da, groß und beeindruckend, im Sequoia Nationalpark in Kalifornien. Ein bisschen klein fühlt man sich schon, wenn man vor ihm steht. Es ist nicht der höchste Baum der Welt. Auch nicht der breiteste. Und nicht der Älteste. Er ist der mit dem größten Volumen. „Wir haben den Größten“, sagen die Amerikaner deshalb. Marketing ist eben alles. Nur: Ist „Big“ immer beautiful? Big Data bezeichnet Daten, die zu groß, zu schnelllebig, zu komplex oder schwach strukturiert sind, um sie mit einfachen Mitteln zu verarbeiten. In den letzten Jahren hat sich viel getan: Neue Technik liefert ganz andere Performance und damit auch neue Möglichkeiten. Diese Technologie ist beachtlich und faszinierend! Aber: Aus fachlicher Sicht gilt „Daten sind Daten“. Und Big Data ist nur ein anderes Wort für Massendaten. Ist das wirklich spannend? Selbst für den größten Baum der Welt gilt: Er ist auch nur aus Holz. Sehr beeindruckendes Holz zwar. Allerdings:  So viele große Bäume gibt es gar nicht. Und  man kann nicht einmal ein richtig großes Kanu daraus bauen. Denn wenn man den größten Baum der Welt fällen würde, dann würde er durch die Wucht des Aufpralls in viele kleine Teile zersplittern. 21 Quellen für das nachfolgende Bild-, Grafikund Cartoonmaterial: Selbsterstellt durch den Autor bzw. im Privatbesitz des Autors. - 27 - Warum also der Hype um Big Data? Weil Big Data der Traum davon ist, den ganz großen Fang an der Angel zu haben. „Big Data“ – der Begriff weckt Emotionen! Denn wir verknüpfen damit die wirklich großen Visionen. Zum Beispiel:  Digitale Revolution,  Neuerfindung der Unternehmen,  Disruptive Geschäftsmodelle,  Soziale Umwälzung sowie  eine ganz neue Gesellschaft. Nur – wenn man einmal aus Sicht der Praxis schaut: Wie geht eigentlich Revolution? Braucht man dafür wirklich die ganz großen Datenmengen? Kleine Fische tun es doch auch. Das weiß jeder. Und genau das ist das Problem des Begriffes „Big Data“. Mittlerweile versteht die Allgemeinheit unter Big Data einfach jede Form analytischer Datenverarbeitung. Der Begriff Big Data verwässert. Denn ein normaler Mensch kann nicht unterscheiden, ob die Technologie groß oder klein ist. In ein paar Jahren ist sie sowieso normal. Spätestens damit macht sich die Enttäuschung breit. Daher der Vorschlag: Bei der Definition des Begriffes Big Data sollten wir uns auf das Wesentliche zurückbesinnen, das wir damit verbinden. Und das ist die Vision von der Veränderung durch Analytics. Also: Big Data := Big Vision! Dabei sollte es egal sein, ob wir große oder kleine Datenmengen verwenden. Neue Technik sollte dort eingesetzt werden, wo sie Sinn macht. Alte geht aber auch. Entscheidend ist die Veränderung, die durch die Big Data Vision entsteht. Denn Versicherungen brauchen Veränderung. Das zeigt der Blick auf die Realität. - 28 - 3.2 Die Realität der Versicherer So sieht sie aus, die Realität der Versicherer: Wüste! Wohin das Auge auch schaut: Wüste, Wüste, Wüste. Da gibt es zwar jede Menge Salzklumpen – als Symbol für den Rohstoff Daten im Vordergrund des Bildes. Aber die Frage ist: Wo sind die Datennutzer? Schauen wir uns das genauer an: Welche Daten gibt es im Versicherungsunternehmen? - 29 - Dieses Bild zeigt exemplarisch die grundlegenden Teile des Datenhaushaltes einer Versicherung. Wenn man sich das anschaut, stellt man fest: „Big“ ist hier nur wenig. Das meiste sind ganz normale Daten. Aber: Auch von den ganz normalen Daten wird in der Praxis für „Analytics-Zwecke“ nur sehr wenig verwendet! Sicherlich gibt es in der Praxis die ein oder andere Analytics-Anwendung. Das sind dann jedoch meistens vereinzelte, isolierte „Inseln“. Daher die Aufforderung: Verwandeln wir die Daten in eine blühende Landschaft! Das ist die Vision, die Daten und Analytics-Methoden zu verwenden, um die Welt zu verändern. Die vielfältigen Möglichkeiten, die in unseren Datenhaushalten schlummern sollten wir nutzen! Jetzt! Und wenn zu den vorhandenen Daten irgendwann auch noch externe oder weitere Datenquellen hinzukommen, dann werden aus den Blumen vielleicht Bäume. - 30 - 3.3 Der Data Scientist Wenn wir Daten und eine Vision haben: Wer wertet die Daten dann aus? Wer ist der Data Scientist? Welche Kompetenzen braucht er? Die erste Idee ist üblicherweise: Wir brauchen einen „Datenforscher und Methodensachverständigen“. Vielleicht noch einen „Techniker“, der die moderne Technik aufbauen und betreiben kann. Damit sollte man dann doch allen Herausforderungen gewachsen sein? Allein dieses Qualifikationsprofil ist schon schwierig am Bewerbermarkt zu finden. Die Praxis zeigt leider, dass man noch weit mehr Kompetenzen braucht, um Big Data anzugehen. Ein Data Scientist muss sein: Warum das so ist? Analytics is all about change. Aber Change can not (only) be achieved by analytics. Das zeigt das folgende Beispiel: - 31 - Das Fazit daraus ist: Wer wirklich etwas verändern will braucht Emotionale Intelligenz. Wer die rationale Superwoman und den emotionalen Superman für die Umsetzung der Big Data Vision gefunden hat, der steht vor der nächsten Frage: Wo sollen sie arbeiten? Zunächst erscheint die Antwort einfach: Im Data Science Center natürlich. - 32 - Nur: Wo sollte man das Data Science Center ansiedeln? Abbildung 12: Ansiedlung des Data Science Center.22 Ein erster Gedankte könnte sein: Das Data Science Center kommt in die IT. Problem dann ist allerdings: Die IT ist sehr weit weg von den fachlichen Fragestellungen, die mit Big Data gelöst werden sollen. Und Analytics ist weit mehr als Technik. Die nächste Idee könnte sein, das Data Science Center in der Fachabteilung einzuordnen. Diese ist allerdings weit entfernt von mathematischen und statistischen Methoden sowie IT. Manchmal findet sich ein Data Science Center daher heutzutage auf der grünen Wiese. Das ist dann weit weg von allem. Insofern gilt: Die Ausgestaltung eines Data Science Center ist eine Frage, die man lange diskutieren kann und die auf jeden Fall unternehmensindividuell zu beantworten ist. Bei der HUK-COBURG ist das Data Science Center ein Zusammenschluss aus Aktuariat und Business Intelligence Competence Center. Das funktioniert sehr gut. 22 Quelle: HUK-Coburg, 2016. Fachabteilung IT Data Science Center grüne Wiese ? ? ? - 39 -  4 Terabyte Daten, d.h. 4.000.000.000.000 Byte  für einen Zeitraum von 3 Monaten,  200.000 Fahrten,  2,5 Mio. gefahrene Kilometer  in 54.000 Stunden sowie  viele Millionen Positions-, Geschwindigkeitsund Beschleunigungsdatenpunkte. Das verleitet zum Zwischenfazit: Bei Telematik geht es um Daten und Fakten!!! Aber: Ist das wirklich so? Die Antwort darauf lautet: Nein! Es geht um Emotionen. Zum Beispiel: Wut – oder um es einmal visuell auszudrücken: Und es geht um das daraus resultierende Verhalten: So wie diesen Unfall – den ersten in unserer Testflotte. Ein Totalschaden. - 40 - Abbildung 13: Beispiel Telematiktarife (1). 23 Wie sehen die Fahrdaten aus, die die Box aufzeichnet? Das folgende Bild zeigt das Geschwindigkeitsprofil einer Fahrt von Fulda nach Coburg. Abbildung 14: Beispiel Telematiktarife (2). 24 23 Quelle: HUK-Coburg, 2016. 24 Quelle: HUK-Coburg, 2016. - 41 - In diesen Daten kann man folgendes sehen:  Stadtverkehr in Fulda: Bremsen, anfahren, bremsen, anfahren, ...  Autobahnfahrt auf der A7 – zwischen 150 und 200 km/h. Einmal sogar bis 250 km/h. Das 100er Tempolimit wird dennoch eingehalten.  Aber auch: Ein ziemlich genervtes, starkes Beschleunigen nach einer langen Baustelle – deutlich bevor das Tempolimit aufgelöst wird.  Pause.  Eine lange Fahrt auf einer Bundesstraße mit Tempomat.  Dabei: Den ein oder anderen Überholvorgang. Was machen wir mit diesen Daten?  Es geht darum, Verhalten zu verstehen. Und Zusammenhänge zu Schäden.  Ist das reine Physik? Oder ist das nicht eher Psychologie?  Auf jeden Fall aber gilt: Big Data ist hier nur ein Werkzeug. Zusammenfassend lässt sich sagen: Telematiktarifierung ist neu. Die zukünftigen Herausforderungen sind vielfältig. Z.B. erkennen, ob jemand während der Fahrt auf dem Handy spielt. Oder andere „gefährliche Muster“ finden. Es gibt viel zu tun. - 42 - 3.7 Das große Fazit Und dann kann es losgehen mit der - 43 - 4 Cognitive Computing als Konsequenz auf geändertes Kundenverhalten & Big Data Stefan Riedel (IBM) Gelegentliche Blockaden, das Offensichtliche zu erkennen, hat es wohl schon zu allen Zeiten gegeben. Abbildung 15: Welcome to the cognitive era. 25 Die „traditionelle“ Versicherungswirtschaft sieht sich heute mit einer deutlichen Zunahme an neuen Marktteilnehmern konfrontiert. Viele dieser neuen Teilnehmer stehen an der Schnittstelle zum Kunden und setzen dort attraktive Kommunikationsmöglichkeiten ein. Cognitive Computing kann schon jetzt an dieser Stelle einem Paradigmenwechsel der Branche und Marktteilnehmer bewirken. Den Kunden dort abholen, wo er gerade steht, heißt hier die Devise. Unabhängig von seinem gewählten Kanal und mit einer individuellen und auf ihn zugeschnittenen Ansprache. 25 Quelle: IBM, 2016. - 44 - Abbildung 16: Paradigmenwechsel Branche & Marktteilnehmer. 26 Bisher nie dagewesene Veränderungen müssen von der Versicherungsbranche bewältigt werden. Sie werden mit einer Vielzahl von Herausforderungen und Veränderungen konfrontiert – von sich verändernden wirtschaftlichen Rahmenbedingungen, bis hin zu selbstbewussteren Kunden. Wir sehen eine Reihe von Faktoren, die Versicherungen von heute gestalten und verändern. Zahlreiche digitale Technologien wie z.B. Cloud tragen dazu bei, dass die Wertschöpfungskette in der Versicherungsbranche transparenter wird und sich einfacher zerlegen lässt. Gleichzeitig sorgt die mobile Technologie dafür, dass Inhalte und Daten jederzeit und überall zugänglich sind. Dies ermöglicht neue Geschäftsmodelle und generiert riesige Mengen von neuen Daten. Kunden erwarten, dass sie ihre Versicherung über alle Kanäle erreichen können und entsprechend ihres persönlichen Kontextes mit ihnen interagiert wird. In gesättigten Märkten mit einer Überalterung der Bevölkerung veraltet ebenso das Angebotsportfolio der Versicherungen – während in Wachstumsmärkten eine neue Mittelschicht heranwächst. Die „Millennials“ zeichnen sich durch unterschiedliche Verhaltensweisen, Wünsche und Erwartungen aus, die es für Versicherungen erforderlich machen, ihre Marketing-, Produktund Vertriebsstrategien zu überdenken, um auch weiterhin marktrelevant zu bleiben. Die Zinssätze sind aufgrund der allgemein gedrückten Marktlage nach der weltweiten Finanzkrise auf einem historisch niedrigen Niveau. Dies wiederum macht einen Ausgleich schlechter Betriebsergebnisse schwieriger. Gleichzeitig steigen die Umsätze langsamer oder stagnieren, während die Kosten weiterhin wachsen und Verluste durch Katastrophenfälle langfristig eher ansteigen. 26 Quelle: IBM, 2016. - 45 - Grundsätzlich stellen Betrugsfälle und Internetrisiken in heutigen vernetzten Umfeldern Versicherungen vor immer größere Herausforderungen. Angesichts der Tatsache, dass Kriminelle immer raffinierter vorgehen, müssen Versicherungsunternehmen in der Lage sein, Betrugsfälle besser zu erkennen. Sie benötigen neue, innovative Lösungen, um diese Risiken zu vermeiden. In Summe lassen sich die im Folgenden aufgelisteten fünf disruptive Kräfte • Ertragsdruck der Geschäftsmodelle, • steigende Regulierung, • höhere Sicherheitsrisiken, • neues Kundenverhalten und • disruptiver Wettbewerb herausstellen, die Finanzdienstleistungsindustrie zwingen, sich dabei auf ihre drei Kernkompetenzen • Work for me Einfachheit / Entscheidung • Understand me Individualisierung / Erkennung • Engage me Bequemlichkeit / Zusammenarbeit zu fokussieren. Zur Bewältigung der Brüche empfehlen wir Versicherern, sich auf die Verbesserung ihres Leistungsspektrums in Bezug auf Zusammenarbeit, Erkennung und Entscheidungen zu konzentrieren. Eine engere Zusammenarbeit zwischen Kunden, Vermittlern und Versicherungen wird die Kommunikation maßgeblich verbessern. Dies führt wiederum zu schnelleren und effektiveren Serviceleistungen. Neue Werkzeuge und Fertigkeiten helfen dabei, Erkenntnisse und Ideen zu Tage zu bringen, die in den riesigen Datenmengen von heute verborgen sind. Dadurch werden Kundenzentrierung und Innovationen vereinfacht. Bessere Fähigkeiten in der Entscheidungsfindung führen zu einer schnelleren Bearbeitung von Versicherungsansprüchen, besseren Risikoabschätzungen und einer besseren Planung des Angebotsportfolios. Dies wiederum sind die Grundlagen für bessere Geschäftsergebnisse. 4.1 Paradigmenwechsel bei Kunden & Daten Vor dem Hintergrund moderner Möglichkeiten ist die traditionelle Datenverarbeitung unwirtschaftlich und führt vor allem im Hinblick auf das Individuum nicht schnell genug zu den erwarteten Ergebnissen. Sobald Kunden beobachten, wie neue Technologien in anderen Branchen eingeführt werden, um individuelle Produkte, Services und Erlebnisse zu schaffen, neigen sie mehr als je zuvor dazu, diese auch von der Versicherungsbranche zu - 46 - erwarten und erhalten zu wollen. Das Vertrauen in die Branche hingegen bleibt eher gering. Versicherungsunternehmen müssen daher die Kunden als Individuen sehen, persönlich auf sie zugehen und enger einbinden. Abbildung 17: Traditionelle Datenverarbeitung. 27 Die verfügbaren Daten eines Versicherungsunternehmens können dabei wie folgt klassifiziert werden: Daten im direkten Zugriff  Kundendaten  Transaktionsdaten  Vorhersagemodelle  Branchen- & Fachkenntnisse  Daten aus Unternehmenssystemen Daten außerhalb der Firewall  News  Events  Geo-Daten  Wetter  Social Media Neue Daten der Zukunft  Internet of Things  Sensor Daten  Bilder & Videos  Stimmung & Emotionen Kognitive Systeme können die Art und Weise, wie Personen und Systeme zusammenarbeiten grundlegend verändern und das Leistungsspektrum von Personen spürbar erweitern, da sie deren Fähigkeit nutzen, um fachkundige Unterstützung zu bieten. Sie beraten und geben Empfehlungen, indem sie umfangreiches Fachwissen aufbauen und zum benötigten Zeitpunkt auf natürliche und verwendbare Art und Weise zur Verfügung stellen. 27 Quelle: IBM, 2016. - 47 - In diesem Fall nehmen kognitive Systeme die Rolle eines Assistenten ein, der jedoch keinen Schlaf benötigt, riesige Mengen an strukturierten und unstrukturierten Informationen verarbeiten kann und doppeldeutige und sogar widersprüchliche Daten aufeinander abstimmen und lernen kann. Da diese Systeme in der Lage sind, mit Menschen in den Dialog zu treten, können sie Kunden basierend auf Gesprächen und Verhaltensweisen aus der Vergangenheit verstehen und kontextund evidenzbasierte Rückschlüsse in Gespräche und Interaktionen einbringen. Mit diesen Arten von kognitiven Systemen können Versicherungsunternehmen ihren Kunden heute eine überzeugende und personalisierte Schnittstelle für Beratungsleistungen bieten. Kognitive Systeme helfen Anwendern beim Erlangen neuer Erkenntnisse, die möglicherweise selbst die besten Experten nicht entdeckt hätten. Hierfür müssen riesige Mengen an weltweit verfügbaren Informationen durchsucht, Zusammenhänge auf neue unerwartete Art und Weise hergestellt und die Ergebnisse in Erkenntnisse über Kunden, Märkte, Geschäftschancen und Risiken umgewandelt werden. Einige Funktionen für das Erkennen wurden bereits entwickelt und Finanzdienstleister setzen diese bereits ein. Hochentwickelte kognitive Funktionen konnten durch Reduzierung der Betriebskosten zu besseren Geschäftsergebnissen beitragen. Durch Einblicke in die Verhaltensweisen von Kunden, können Anbieter Kundenanforderungen besser verstehen und ihr Angebot verbessern. Abbildung 18: Moderne Datenverarbeitung (1). 28 Die Herausforderung besteht in Zukunft darin, dass auf Basis des aktuellen Kontextes Entscheidungen getroffen werden. Die Fähigkeit, effektive Entscheidungen zu treffen, ist da28 Quelle: IBM, 2016. - 48 - bei in jeder Branche wichtig. Nach den Ergebnissen einer aktuellen IBM Branchenumfrage 29 äußerten die Teilnehmer aus der Versicherungswirtschaft Bedenken im Hinblick auf die Fähigkeit zur Entscheidungsfindung in ihrem Unternehmen in vielen Bereichen. Zwei Drittel waren demnach nicht von Entscheidungen zur Kostenreduzierung überzeugt und fast die Hälfte nicht von Entscheidungen im Zusammenhang mit Ausgaben und Strategie. Die immer größer werdenden Datenmengen bieten zwar interessante Perspektiven für fundierte Entscheidungen – die im Unternehmen verfügbaren Daten haben aber häufig eine geringe Qualität und den Entscheidern fehlt das Fachwissen, um die Daten effektiv zu nutzen. 4.2 Kognitive Systeme Was verstehen wir als IBM unter Cognitive Computing? Cognitive Computing ist ein neuer Grundsatz in der Datenverarbeitung. Cognitive Computing-Lösungen bieten unterschiedliche Funktionen wie: 1. Evidenzbasiertes Lernen: um sich auf der Basis der Ergebnisse zu verbessern und so mit jeder Iteration und Interaktion intelligenter zu werden. Aneignen von Fachwissen aus unterschiedlichen strukturierten und unstrukturierten Informationsquellen. 2. Verarbeitung natürlicher Sprache: zur Interaktion mit dem Menschen auf natürliche Art und Weise. 3. Erzeugung und Bewertung von Hypothesen: zur Erweiterung der kognitiven Prozesse von Experten, um Entscheidungen zu begleiten und zu verbessern. Unterstützen bei Entscheidungen im Unternehmen durch Einheitlichkeit. Kognitive Systeme wie IBM Watson verstehen und lernen durch Interaktionen mit Menschen, bilden Hypothesen und liefern evidenzbasierte Antworten - daraus ergeben sich zahlreiche Einsatzgebiete für Versicherungsunternehmen. Watson für 360°-Sicht Kontextbezogenes Finden durch Daten-Exploration im Kundendialog z. B. Marketing, Vertrieb, Service Center 29 IBM Executive Report, Versicherungswirtschaft und Watson (https://www-01.ibm.com/common/ssi/cgi-bin/ssialias?htmlfid=GBE03710DEDE&) - 55 - Interne Faktoren sind beispielsweise Prozessbrüche, die typischerweise zwischen den Anwendungssilos und den zahlreichen neuen Kanälen auftreten. Neue Geschäftsmodelle Etablierte Versicherer werden durch innovative Versicherungsunternehmen sowie FinTechs bedroht, die ihr Geschäftsmodell durch Partnerschaften mit Anbietern von Waren und Dienstleistungen erweitern. Anbieter wie beispielsweise Amazon Payments, verschaffen den innovativen Versicherungsunternehmen einen Zusatznutzen und erhalten im Gegenzug neue Kunden. Diese Herausforderungen zeigen zweierlei ganz klar: Zum einen ist eine technologische Neuausrichtung unausweichlich, die bessere Kundenerfahrungen ermöglicht und eindeutig auf den Kunden ausgerichtet ist. Zum anderen ist es heute notwendig, das Kundenbild mehr oder weniger ausschließlich aus Daten zu gewinnen, da sich die persönliche Beziehung zwischen Vertreter und Kunde zunehmend auflöst. Nur Versicherer, die in der Lage sind, aus Daten ein detailliertes Kundenbild herzustellen, können in Echtzeit relevante und personalisierte Kundenerlebnisse erzeugen. Ob neue Technologien es schaffen werden, die persönliche Erfahrung zwischen Vertreter und Kunden nachzubilden, steht in den Sternen. Vielleicht kommt es darauf aber auf unserem wettbewerbsintensiven Markt auch gar nicht an. Wahrscheinlich geht es wie immer darum, einfach besser zu sein als die Mitbewerber. 5.3 Die neuen Wege der Kunden Welche Wege gehen Kunden heute, bevor sie sich für einen Kauf oder Vertragsabschluss entscheiden? Schauen wir uns als Beispiel Megan an, eine junge Frau aus der Generation der Millennials. Sie sucht eine Autoversicherung. Es war ein gutes Jahr für Meagan. Sie ist beruflich aufgestiegen, bekam eine Gehaltserhöhung und einen hohen Bonus. Sie ist gerade sehr mit ihrem Leben zufrieden und möchte sich etwas gönnen. Als Erstes will sie die alte Kiste, mit der sie seit Jahren unterwegs ist, durch ein Auto mit etwas mehr Fahrspaß ersetzen. Sie hat auf Facebook gesehen, was ihre Freunde aus Uni-Tagen fahren, und ihr gefallen die neuen deutschen Sportwagen. Nachdem sie im Internet gut recherchiert hat, entscheidet sie sich. Ihr neues Auto wird in zwei Wochen geliefert. Meagan weiß, dass ihre neue Autoversicherung teurer wird. Aber bevor sie sich darüber den Kopf zerbricht, postet sie die Nachricht über ihr neues Auto erst einmal auf Facebook. Und wo sie gerade dabei ist, fragt sie ihre Freunde auch um Rat in Sachen Versicherung. Selbstverständlich haben ihre Freunde dazu eine Meinung und Meagan nimmt sich vor, ihre Empfehlungen später genauer anzusehen. - 56 - Abbildung 22: Jeder Kunde geht bei seiner Entscheidung ganz eigene Wege. 34 Auf der Bahnfahrt zur Arbeit will Meagan herausfinden, welche Prämie sie bei ihrer derzeitigen Versicherung, der Alte Wege AG, für ihr neues Auto zahlen müsste. Sie greift zu ihrem Tablet und besucht deren Website. Die Navigation ist etwas unübersichtlich, aber schließlich findet Meagan die Seite, auf der sie die Informationen zum Einholen eines Angebots eingeben kann. Bevor sie damit fertig ist, muss sie allerdings aus dem Zug aussteigen. Als sie die Angebotseinholung später im Büro zu Ende bringen will, stellt sie fest, dass die Website der Alte Wege auf Ihrem Notebook ganz anders aussieht als auf dem Tablet und auch die Navigation komplett unterschiedlich ist. Nachdem sie die Seite schließlich wiedergefunden hat, muss sie alle Informationen nochmals eingeben. Das ärgert sie, aber sie macht sich die Mühe und holt das Angebot ein. Am nächsten Tag erhält sie das Angebot per E-Mail. Sie liest es auf ihrem Smartphone. Leider ist die Prämie viel höher als sie dachte. Sie will daher im Internet weitersuchen. Weil sich Smartphones dafür nicht besonders gut eignen, greift sie wieder zum Tablet. Sie googelt „Versicherungsvergleich“ und findet mehrere Websites. Sie wählt eine, bei der sie die Tarife mehrerer Versicherungen gleichzeitig überblicken kann. Meagan gefällt die Einfachheit dieser Website genauso wie der Umstand, dass sie dort keine persönlichen Daten preisgeben muss. 34 Quelle: SAP, 2016. - 57 - Sie gibt die erforderlichen Informationen ein und vergleicht die verschiedenen Prämien, die die Versicherungsunternehmen für ihr neues Auto verlangen. Sehr weit oben in der Preisskala findet sie Alte Wege. Jetzt stellt sich Meagan die Frage, ob sie nicht all die Jahre viel zu viel für ihre Kfz-Versicherung bezahlt hat. Die Loyalität, die Meagan einmal für ihren Versicherer empfand, schwindet rasch. Zurück auf der Website, übergeht sie das niedrigste Angebot wegen schlechter Kundenbewertungen. Sie möchte im Schadenfall keine Schwierigkeiten. Dann fallen Meagan einige Versicherungsunternehmen mit ziemlich ähnlichen Tarifen auf, darunter auch der Anbieter ihrer Gebäudeund Hausratversicherung: die Neue Zukunft. Sie musste noch nie einen Schadenfall von der Neuen Zukunft regulieren lassen, aber sie mochte das Unternehmen schon immer. Es versichert nämlich nicht nur ihr Haus, sondern gibt auf seiner Website neben Ratschlägen zum Thema Versicherung auch Tipps zu Reparaturen am und im Haus. Es empfiehlt sogar Handwerksbetriebe vor Ort und bietet Rabatte bei Baumärkten in der Nähe an. Auf der Vergleichswebsite klickt sie auf den Link zur Neuen Zukunft und findet eine einfache und klar strukturierte Seite vor, die sie eher an ihre Lieblings-Shopping-Website als an ein typisches Versicherungsunternehmen erinnert. Die Website erkennt, dass Meagan bereits Kundin ist. Sie wird gebeten, sich zur Bestätigung anzumelden. Danach wird sie persönlich begrüßt. Ihr wird gesagt, wie sehr man sie als Kundin für die Gebäudeund Hausratversicherung schätzt, und dass man sich freut, auch ihr neues Auto versichern zu dürfen. Meagan mag diese Ansprache und möchte die Informationen für das formelle Angebot eingeben. Erfreulicherweise ist ein Teil der nötigen Informationen bereits automatisch in die entsprechenden Felder eingetragen worden. Nachdem sie die noch fehlenden Informationen ergänzt hat, erhält sie sofort ein Angebot mit den Kosten für die Versicherung. Ganz erfreut stellt sie fest, dass das Angebot der Neuen Zukunft noch günstiger ist, als auf der Vergleichswebsite angegeben – jedenfalls solange auch ihre Hausversicherung weiterhin besteht. Sie ist zwar mit dem Angebot zufrieden, möchte später aber doch noch weiter nach einem besseren suchen. Darum verlässt sie die Website, ohne das Angebot zu akzeptieren. Die Neue Zukunft bemerkt sofort, dass Meagan das Angebot verlassen hat, und sendet ihr eine E-Mail, die erfragt, ob ihr noch Informationen fehlen oder sie anderweitig Hilfe wünscht. Aber Meagan nimmt diese E-Mail im Moment nicht zur Kenntnis. Sie ist mit anderen Angeboten beschäftigt und schaut sich die Versicherungen an, die ihre FacebookFreunde empfehlen. Mehrere legen ihr die Neue Zukunft nahe. Meagan unterbricht ihre Recherche und entdeckt dabei die E-Mail der Neuen Zukunft. Sie enthält neben dem Angebot weiterer Informationen auch ein Foto ihres neuen Autos zusammen mit Links zu Artikeln über Wartung und Pflege sowie Empfehlungen für nützliches Zubehör. Meagan schätzt diese persönliche Aufmerksamkeit. Bevor sie sich endgültig entscheidet, sucht sie im Internet nach Bewertungen und Berichten über die Kfz-Versicherung der - 58 - Neuen Zukunft. Die meisten Bewertungen sind positiv, doch Meagan findet auch eine kritische. Deren Verfasser beschwert sich über die zu langsame Bearbeitung eines Schadenfalls. Aber Meagan kann erkennen, dass die Neue Zukunft noch am Tag der Bewertung mit einem Lösungsvorschlag und einem Hilfsangebot reagiert hat. Das ist der Moment, in dem sie sich für die Neue Zukunft entscheidet. Sie wechselt zurück zu der E-Mail und beschließt, die Neue Zukunft anzurufen, damit die Police rechtzeitig am Liefertag des neuen Autos ausgestellt ist. Der Kundenbetreuer nimmt den Anruf entgegen und ruft das Angebot auf, für das Meagan zuvor die Daten eingegeben hatte. In kürzester Zeit ist die Versicherung abgeschlossen und die Neue Zukunft hat für ihre Kfz-Versicherung eine neue Kundin. Am nächsten Morgen erhält Meagan die Bestätigung für die neue Police und zusätzlich ein Willkommenspaket mit Gutscheinen für eine Autopflegefirma in ihrer Nähe. Meagan ist hocherfreut über ihre Erfahrung mit der Neuen Zukunft und das teilt sie all ihren Freunden auf Facebook mit. Meagan hat bei ihrem Einkauf einen ganz individuellen Weg eingeschlagen. Trotzdem hat die Versicherung Neue Zukunft diesen Weg verstanden und ihn mit einfachen, personalisierten und nahtlosen Erlebnissen angereichert, die Meagans Entscheidung vereinfacht haben. Im Gegenzug ist es der Neuen Zukunft gelungen, ihre Geschäftsbeziehung mit Meagan zu erweitern. Im Vergleich der beiden Versicherungen lässt sich festhalten, dass Meagans alte Versicherung ihr eher Steine in den Weg gelegt statt geholfen hat. Jedes Mal, wenn Meagan den Kanal wechselte, musste sie wiederholt Informationen angeben, die der Alte Wege AG eigentlich bereits vorlagen. Meagans Weg mag ihr ganz eigener, persönlicher gewesen sein. Aber die einzelnen Elemente, die ihn ermöglichen, sind es nicht. Diese Elemente betrachten wir heute als Best Practices in der Versicherungsbranche. 5.4 Best Practices aus der Versicherungsbranche – mit dem SAP-Lösungsportfolio für Versicherer Bisher lag der Fokus im Versicherungswesen meistens auf internen, strukturierten Daten (z. B. für Deckung, Risiko, Prämie). Auf dieser Basis allein lassen sich die Wünsche und Pläne von Kunden und ihre Beweggründe allerdings nicht verstehen. Moderne Versicherer beziehen zusätzliche, auch unstrukturierte Daten in ihre Analysen mit ein, wenn Sie Folgendes erfahren möchten:  Welche Online-Anzeigen und Webseiten wurden besucht und von wem?  Was hat sich der Kunde auf der Webseite des Versicherers angeschaut, bevor er sich gemeldet hat?  Welche Einstellung hat ein Kunde zu einem Versicherer? Wissen Versicherer, welcher Kunde ihr Unternehmen in den sozialen Medien lobt? - 59 -  Welches Profil hat der Kunde? Anhand von zehn „Likes“ auf Facebook können Versicherer ein Kundenprofil ermitteln, das genauso aussagekräftig ist, wie alle historischen Daten aus dem Versicherungskernsystem und der CRM-Anwendung zusammen.  Welche Interessen und welchen Lebensstil pflegt der Kunde? Für welche Dinge interessiert er sich? Kunden wechseln nach Belieben die Kanäle und verwenden dazu unterschiedliche Geräte. Die nachfolgende Architektur zeigt, wie man dem Kunden auf allen Kanälen folgen kann und ihm eine einheitliche und konsistente Botschaft vermittelt. Abbildung 23: Einheitliche und konsistente Erfahrungen, kanalübergreifend.35 Neue Technologien sind die treibende Kraft für den grundlegenden Wandel in der Versicherungsbranche. Geschäftsmodelle werden umgestaltet, Prozesse neu entwickelt und Mitarbeiter mit Echtzeit-Daten und mobilen Anwendungen ausgestattet. SAP-Lösungen für die Versicherungsbranche bieten umfassende Echtzeit-Funktionen für die gesamte kundenorientierte Wertschöpfungskette. Sie erfüllen die Anforderungen der gut vernetzten Kunden über alle Kanäle. Sie optimieren die Schadenabwicklung, vereinfachen die Policenverwaltung und übernehmen die aktive Risikoverwaltung. Versicherer sind damit in der Lage, neue Produkte in kurzer Zeit auf den Markt zu bringen und die Umsätze zu steigern. Die Digitalisierung verändert jeden Aspekt der Wertschöpfungskette in der Versicherungsbranche – von der ersten Kundeninteraktion über das Versicherungsgeschäft an sich bis 35 Quelle: SAP, 2016. - 60 - hin zum Schadenfallmanagement. Das digitale Zeitalter verlangt hochgradig automatisierte und standardisierte Geschäftsprozesse im gesamten Unternehmen, die hochindividuelle Kundenerfahrungen ermöglichen. 5.5 Die Kundenbeziehung wird digitalisiert Manche moderne Versicherungsunternehmen sind davon überrascht, dass Kunden in ihnen auch den vertrauenswürdigen Berater sehen wollen, obwohl sie doch nur Versicherungen verkaufen. Das zeigt, dass personalisierte Angebote sicherlich wichtig sind, aber eine Beratung nicht vollständig ersetzen können. So kann man es als Best Practice bezeichnen, nicht nur personalisierte Angebote zu machen, sondern auch personalisierte Informationen und Ratschläge anzubieten. Dadurch rückt der Kunde stärker in den Mittelpunkt und dem Versicherer eröffnet sich eine neue Qualität des Kundenkontaktes, die über Vertragsverlängerungen und Schadenfälle hinausgeht. Mögliche Beispiele sind Ratschläge zur Wintervorbereitung von Haus und Garten und sicherheitsrelevante Informationen wie Rückrufaktionen von Automobilherstellern. Die Kosten sind vergleichsweise gering, aber der Nutzen ist groß, wenn die Kunden beginnen, ihren Versicherer wieder als Berater wahrzunehmen. Das stärkt die Treue, fördert die Bereitschaft, den Versicherer weiterzuempfehlen und macht den Kunden empfänglicher für personalisierte Angebote. Persönliche Erfahrungen sind unmittelbar. Analysen für den Vorschlag des nächsten sinnvollen Schrittes, angereichert mit relevanten Inhalten, müssen daher in der digitalen Welt sofort erfolgen. Für bestmögliche Kundenerfahrungen ist Echtzeit entscheidend und Kontext essenziell. Die Daten und Erkenntnisse von letzter Woche oder auch von gestern reichen dafür nicht. - 61 - 5.6 Wie innovative Technologien Personalisierung ermöglichen Im Folgenden wird mit zwei Beispielen dargestellt, wie innovative Technologien Personalisierung in der Praxis ermöglichen. Personalisierte Bannerwerbung Nachfolgend werden zwei Beispiele der fiktiven „Shirby Bank“-Webseite zur Bewerbung eines Privatkredits angeführt. Abbildung 24: Personalisierte Bannerwerbung – Kredit für erstes eigenes Auto. 36 Es ist entscheidend, dass jeder Besucher der Webseite der Shirby Bank ein individuell auf ihn angepasstes Werbebanner angezeigt bekommt, passend zu seiner aktuellen Lebenssituation. Abbildung 25: Personalisierte Bannerwerbung – Vorsorge für die Rente. 37 Das bedeutet also, dass auf Basis des Kundenbzw. Besucherprofils der Inhalt der Webseite personalisiert werden kann – beispielsweise für die Bewerbung einer Kreditanfrage für einen Autokauf oder im Hinblick auf eine Rente. 36 Quelle: SAP, 2016. 37 Quelle: SAP, 2016. - 62 - Konkrete Umsetzung eines Kunden am Beispiel von Money Supermarket Money Supermarket (www.moneysupermarket.com) bietet Kunden in Großbritannien eine neue Art des Preisvergleichs für Finanzdienstleistungen an. Zielsetzung war es, die Prozesse so zu vereinfachen, dass der Kunde nur ein einziges Formular ausfüllen muss. Der Inhalt des Preisvergleichsportals ist ein breit gefächertes Angebot für Finanzdienstleistungen rund um folgende Bereiche:  Versicherungen  Reisen  Geldgeschäfte  Sparprodukte  Kredite  Kreditkarten  u.v.a.m. Siehe dazu auch die nachfolgende Abbildung mit der Startseite dieses Portals. Abbildung 26: Money Supermarket (1). 38 38 Quelle: http://www.moneysupermarket.com/ (Stand 08.12.2016). - 63 - In der nachfolgenden Abbildung ist eine typische Angebotsseite im Bereich „Home“ illustriert. Abbildung 27: Money Supermarket (2). 39 5.7 Zusammenfassung und Ausblick Der digitale Markt revolutioniert die Geschäftsprozesse, Wertschöpfungsketten und ganze Geschäftsmodelle und wirkt sich erheblich auf die Art und Weise aus, wie Versicherungsunternehmen und ihre Kunden heute miteinander umgehen. Mit der zunehmenden Digitalisierung sind Versicherungsvertreter nicht mehr die wichtigste Quelle für das Wissen über Kunden, geschweige denn deren erster Ansprechpartner. 39 Quelle: http://www.moneysupermarket.com/insurance/ (Temporärer Stand, regelmäßige Aktualisierung). - 64 - Wenn Kunden mit ihnen Kontakt aufnehmen, dann erst nachdem sie sich auf ihrem individuellen, oft unterbrochenen Weg in verschiedenen Kanälen und Quellen informiert haben. Versicherer begegnen demnach kompetenten Kunden und höheren Erwartungen – und einer Verschiebung des Kräfteverhältnisses zugunsten der Versicherungsnehmer. Für die Versicherer verschärft sich dadurch der Wettbewerb, den sie über den Preis allein nicht mehr gewinnen können, da dieser im Internet sofort sichtbar ist und von der Konkurrenz augenblicklich unterboten werden kann. Um das Verhältnis wieder ausgeglichen zu gestalten, können Versicherungsunternehmen verstärkt auf Daten setzen. Damit sind sie in der Lage, die unverwechselbare Kundenbeziehung bis zu einem gewissen Grad wieder zu erzeugen, die einst ihre Vertreter etabliert haben: persönliche und beratende Beziehungen, die sich am einzelnen Kunden orientieren. In der digitalen Welt ist es nicht einfach, Kunden zu überzeugen und zu begeistern. Dafür brauchen Versicherer nicht nur die nötige Technologie, der Wille zur Veränderung ist ebenso entscheidend. Natürlich lässt sich nicht alles auf einmal verändern, sondern schrittweise und ganz pragmatisch. Wichtig ist, dass zügig begonnen wird, um nicht den Anschluss an den Wettbewerb zu verlieren. Innovative Versicherungsunternehmen haben den Weg bereits vorgezeichnet und die weiter oben beschriebenen Best Practices realisiert. Sie haben erkannt, dass Stillstand den Anfang vom Ende bedeutet. Versicherer sehen klarer, wenn sie sich in die Kunden hineinversetzen und ihnen überzeugende Services bieten, wie etwa folgende:  Eine KFZ-Prämie, die sich dem tatsächlichen Fahrverhalten immer wieder neu anpasst – ganz nach Verbrauch, wie der Strom aus der Steckdose;  Hausratsoder Krankenversicherungsbeiträge, die sich nach dem jeweiligen Lebensstandard richten;  Eine Auslandsreiseversicherung, die den Kunden genau dann absichert, wenn er die Grenze überschreitet. In der digitalen, schnelllebigen Welt von heute können sich Versicherer nur behaupten, wenn sie in der Lage sind, ein umfassendes Kundenwissen aufzubauen und die Vorlieben und Wünsche des Kunden zu antizipieren. Kunden erwarten diesen Service sowie individuell auf sie zugeschnittene Angebote und Tarife. Gelingt es dem Versicherer, diese Ansprüche zu erfüllen, hat er eine gute Chance, das Vertrauen der Kunden zu gewinnen und das Kräfteverhältnis wieder ausgewogen zu gestalten. - 71 - Abbildung 32: Datenschutzrechtliches Grundprinzip.47 Ein praxisrelevantes Beispiel für einen gesetzlichen Erlaubnistatbestand ist die Befugnis, personenbezogene Daten für eigene Geschäftszwecke zu erheben, zu verarbeiten oder zu nutzen, wenn dies für die Begründung, Durchführung oder Beendigung eines Vertrages erforderlich ist. 48 Ein bekanntes Beispiel für Einwilligungen sind z.B. die bei Gewinnspielen bekannten "Ankreuztexte", bei denen sich ein Teilnehmer mit der Verwendung der von ihm angegebenen Daten für die werbliche Direktansprache (also z.B. dem Versand von EMail-Newslettern) einverstanden erklärt. Vor dem Hintergrund dieses – im Vergleich zu anderen Rechtsgebieten – durchaus strengen Grundsatzes sind für Big Data-Anwendungen einige datenschutzrechtliche Aspekte besonders relevant. 6.2.1 Personenbezug & Datenvolumen Die datenschutzrechtlichen Regelungen finden nur Anwendung auf den Umgang mit "personenbezogenen Daten". Dies sind nach der gesetzlichen Definition "Einzelangaben über die persönlichen oder sachlichen Verhältnisse einer bestimmten oder bestimmbaren natürlichen Person".49 47 Quelle: CMS Hasche Sigle. 48 § 28 Abs. 1 Nr. 1 BDSG; die vergleichbare Regelung findet sich in Art. 6 Abs. 1 b) EU-DSGVO. 49 § 3 Abs. 1 BDSG; die vergleichbare Definition findet sich in Art. 4 Ziff. 1 EU-DSGVO. Gesetzliche Vorschrift? Einwilligung?  Verantwortliche Stelle Betroffener z.B. Durchführung eines Vertrages z.B. werbliche Direktansprache - 72 - Gerade bei der rechtlichen Beurteilung von Big Data-Anwendungen kann die Frage des Personenbezuges relevant werden – denn nicht jede Big Data-Anwendung ist auf Informationen zu einer "bestimmten oder bestimmbaren" natürlichen Person angewiesen; bisweilen ist die Identität von Personen für den Analyseoder Anwendungszweck irrelevant. Abbildung 33: Pseudonymisierung / Anonymisierung.50 Aus datenschutzrechtlicher Sicht bedeutsam ist die Unterscheidung zwischen Anonmyisierung und Pseudonymisierung: Nur bei einer Anonymisierung (z.B. durch Zusammenfassung / Aggregierung von Angabe zu einer Personenmehrheit) entfällt der datenschutzrechtlich relevante Personenbezug völlig und kann auch nicht nachträglich wieder hergestellt werden. Demgegenüber wird bei der Pseudonymisierung die Identifizierung einer Person durch die Vergabe eines Pseudonyms (wie etwa einer Kennziffer) lediglich erschwert. Für diejenige Stelle, die über die Zuordnungstabelle – bestehend aus Pseudonym und Klarnamen – verfügt, ist auch ein pseudonymisierter Datensatz personenbezogen. Insoweit unterliegen auch pseudonymisierte Daten dem Datenschutzrecht – die Pseudonymisierung kann aber als probates Mittel zur datenschutzkonformen Gestaltung von Prozessen und Anwendungen eingesetzt werden. Umgekehrt kann aber auch bei vorgeblich identifizierenden Daten der Personenbezug entfallen: Verfügt ein Unternehmen über mehrere Datensätze mit der Namensangabe "Peter Müller", ist alleine aufgrund dieses Elements keine verlässliche Identifizierung einer bestimmten Person möglich. Dies erfordert die Hinzunahme weiterer Identifizierungskriterien wie etwa Geburtsdatum und / oder Anschrift. 50 Quelle: CMS Hasche Sigle. Anonymisierung / Aggregierung?   A 653412 XB - 73 - Enthält ein Datensatz hingegen nur die Namensangabe "Patricia Lena Freifrau von Gantersheim", so ist alleine aufgrund dieses Elements die Identifizierung der dahinterstehenden Person wahrscheinlicher. Ein weiterer wesentlicher Aspekt im Zusammenhang mit dem "Personenbezug" von Daten ist das sog. "Volumenrisiko". Dies beschreibt die steigende Wahrscheinlichkeit der Identifikation einer bestimmten Person, je größer die zur Verfügung stehende Datenmenge der verarbeitenden Stelle ist. Die nachfolgende Grafik macht dies anhand von Daten deutlich, die über ein "Wearable" zur Erfassung von Gesundheitsdaten erhoben werden könnten: Abbildung 34: Personenbezug & Datenvolumen.51 Für sich genommen wäre jede Einzelangabe (z.B. "Schrittzahl pro Tag", "Körpergewicht", "Alter" etc.) im Hinblick auf die eindeutige Zuordnung zu einer bestimmten Person unkritisch. Mit steigender Datenmenge ist es jedoch wahrscheinlicher, dass eine bestimmte Kombination von Einzelelementen nur einer bestimmten Person zuzuordnen und diese mithin zu identifizieren ist. Dieses Risiko ist bei vielen Big Data-Anwendungen evident, deren Mehrwert aus der Verarbeitung großer Datenmengen resultiert. 6.2.2 Zweckbindung & „Multiparty"-Strukturen Ein weiteres, für die rechtliche Beurteilung von Big Data-Anwendungen wesentliches Element ist die Zusammenführung von Daten aus unterschiedlichen Quellen, für die unterschiedliche Stellen datenschutzrechtlich verantwortlich sind. Eine Herausforderung stellt in diesem Zusammenhang das datenschutzrechtliche Prinzip der Zweckbindung dar. So legt die EU-DSGVO fest, dass personenbezogene Daten 51 Quelle: CMS Hasche Sigle. Schrittzahl + Kalorienkonsum = ? + Körpergewicht + Größe + Alter + Nikotinabusus - 74 - für festgelegte, eindeutige und legitime Zwecke erhoben werden und (…) nicht in einer mit diesen Zwecken nicht zu vereinbarenden Weise weiterverarbeitet werden" dürfen. 52 Dies bedeutet, dass grundsätzlich bereits bei der Datenerhebung feststehen muss, zu welchen Zwecken die Daten nach ihrer Erhebung verarbeitet werden. In der Regel muss der Betroffene hierüber auch (etwa in Datenschutzhinweisen) aufgeklärt und informiert werden. Die nachstehende Abbildung verdeutlicht, dass unterschiedliche Datenquellen oft von unterschiedlichen Stellen verantwortet werden und für jede Datenquelle regelmäßig eine definierte Zweckbestimmung besteht. Abbildung 35: Zweckbindung & Datenquellen. 53 Vor der Zusammenführung von personenbezogenen Daten aus unterschiedlichen Quellen in eine einheitliche Big Data-Anwendung muss deshalb geprüft werden, ob die für die jeweilige Datenquelle bestehende Zweckbestimmung auch die Analyse im Rahmen der Big Data-Anwendung umfasst. Ist dies nicht der Fall, liegt eine sog. "Zweckänderung" vor – diese ist zwar nicht ausgeschlossen bedarf aber ihrerseits einer erneuten datenschutzrechtlichen Rechtfertigung. Alleine die Existenz von personenbezogenen Daten (die zu einem bestimmten Zweck erhoben wurden) indiziert keineswegs die Befugnis zur späteren Verarbeitung auch zu anderen Zwecken! 52 Art. 5 Abs. 1 b) EU-DSGVO; vergleichbare Regelungen finden sich auch in den derzeit anwendbaren nationalen Gesetzen und der EU-Datenschutzrichtlinie. 53 Quelle: CMS Hasche Sigle. - 75 - Dies kann ggf. dazu führen, dass jeder Betroffene im Zusammenhang mit einer der Datenquellen vor einer rechtlich zulässigen Analyse um seine Einwilligung gebeten werden muss. 6.2.3 Vorsicht vor vermeintlich "freien Daten"! Soweit in einer Big Data-Anwendung auch Daten aus "öffentlichen" Quellen – insbesondere sozialen Medien – verwendet werden, sind nicht nur gesetzliche Vorschriften zu beachten, sondern ggf. auch die "Hausordnungen" der jeweiligen Plattform. Eine recht eindrückliche Erfahrung musste der britische Versicherer Admiral bei Einführung seines neuen KFZ-Versicherungstarifs "First Car Quote" für Fahranfänger machen. Dabei sollte die Tarifierung u.a. von der Auswertung bestimmter Facebook-Posts abhängig gemacht werden. Abbildung 36: Admiral First Car Quote.54 Nur wenige Stunden vor der Markteinführung wurde das neue Produkt gestoppt – und zwar nicht etwa durch Datenschutzbehörden oder Verbraucherschutzverbände, sondern durch Facebook. Die Betreiber des sozialen Netzwerks beriefen sich auf einen Verstoß gegen ihre Nutzungsbedingungen: 54 Quelle: The Guardian, www.guardian.co.uk. - 76 - Abbildung 37: Facebook Plattformrichtlinie.55 6.3 Big Data & Datenschutzrecht – Praktische Ansätze Die datenschutzkonforme Gestaltung von Big Data-Anwendungen ist möglich. 6.3.1 Relevante Fragen Allerdings ist hierzu eine detaillierte rechtliche Prüfung erforderlich, bei der insbesondere folgende Fragen geklärt (und rechtlich bewertet) werden müssen:  Werden personenbezogene Daten verarbeitet?  Woher kommen die Daten?  Wie, wofür und von wem sollen die Daten verarbeitet werden?  Was passiert nach der "Big Data-Analyse"?  Welche Auswirkungen ergeben sich für die Betroffenen? 6.3.2 Transparenz & Einwilligung In vielen Fällen wird die datenschutzrechtliche Zulässigkeit von einer Einwilligung des Betroffenen abhängen. Diese ist nur dann wirksam, wenn  der Betroffene infomiert handelt, also vor Erteilung seiner Einwilligung die Tragweite seiner Erklärung überblicken kann,  eine eindeutige Erklärung abgibt ("Unterschieben" in AGB oder durch vorausgefüllte Felder ist unwirksam!)  sie frei widerruflich ist. Im Rahmen der notwendigen Information muss der Betroffene insbesondere informiert werden  über Zweck, Art und Umfang der Datenverarbeitung bzw. 55 Quelle: Facebook, Inc., https://developers.facebook.com/policy/?locale=de_DE. - 77 -  bei "Vernetzung" (also etwa gemeinsamer Verarbeitung durch mehrere Unternehmen): Wer sind die Beteiligte an der Verarbeitung? An welche Empfänger werden Daten übermittelt. Die Information muss in "präziser, transparenter, verständlicher, leicht zugänglicher Form" und in "klarer und einfache Sprache" zur Verfügung gestellt werden. 6.3.3 "Dynamik der Zwecke" In vielen Fällen wird es nicht oder nur schwer möglich sein, bei Einholung einer ersten Einwilligung (etwa beim Abschluss eines Versicherungsvertrages) bereits alle zukünftigen Zwecke für die Verarbeitung von personenbezogenen Daten zu definieren. Vor diesem Hintergrund werden Konzepte für eine "dynamische Einwilligung" in Zukunft an Bedeutung gewinnen: In dem Maße, in dem sich die Zwecke für die Verarbeitung personenbezogener Daten dynamisch entwickeln, sollten auch Einwilligungen dynamisch eingeholt werden können. Aller Voraussicht nach werden dabei technische Konzepte erforderlich sein, die dem jeweiligen Kunden / Nutzer oder sonstigen Betroffenen ein "Selbst-Management" seiner Daten ermöglichen – etwa in Form von Freigaben für definierte Zwecke. Bereits jetzt bieten Apps auf Smartphones in zahlreichen Anwendungsfällen derartigen Mechanismen an, bei der ein Nutzer eine bestimmte Anwendung selbst aktivieren kann. Die "Zukunft der Einwilligung" könnte z.B. wie folgt aussehen: - 78 - Abbildung 38: Zukunft der Transparenz.56 56 Quelle: CMS Hasche Sigle. - 79 - 7 Die Sicht des Regulierers auf Big Data mit Fokus auf den Verbraucherschutz Bericht zum Vortrag von Katja Würtz (EIOPA) 57 von Maria Heep-Altiner Der nachfolgende Beitrag ist ein verkürzter Bericht zum Vortrag von Katja Würtz auf dem 21. Kölner Versicherungssymposium; er stellt keine offizielle Position von EIOPA dar. Fehler und Mängel in der Darstellung gehen allein zu Lasten der Berichterstatterin. Daten sind das Rohmaterial von Versicherungsunternehmen, wobei die Menge der verfügbaren Daten exponentiell ansteigt – ebenso wie die Fähigkeit, diese Daten zu speichern und zu verarbeiten, so dass man bereits von einer dritten industriellen Revolution getrieben von Automatisierung und Digitalisierung sprechen kann. In diesem Zusammenhang verweist der Begriff Big Data auf große Mengen von Daten produziert mit hoher Geschwindigkeit von einer großen Anzahl verschiedener Quellen und verarbeitet von leistungsstarken IT Werkzeugen, um auf dieser Basis Vorhersagen zu treffen. Das rechtlichen Rahmenwerk in diesem Zusammenhang umfasst sowohl den Bereich des Datenschutzes (Aspekte zu personenbezogenen Daten, das Recht auf Vergessen werden, Fragen zur Übertragbarkeit beispielsweise bei Telematikdaten wie auch ethische Fragestellungen) als auch (völlig losgelöst von technologische Aspekten) die Finanzgesetzgebung im Allgemeinen wie die generellen Solvency II Anforderungen im Hinblick auf ein vernünftiges Management oder speziell die Vermittlerrichtlinie mit den Anforderungen, den Kunden fair und im Einklang mit seinen Interessen zu behandeln auf der Basis klarer und nicht irreführender Informationen. Aus Digitalisierung und Big Data ergeben sich auf der anderen Seite aber bessere und innovativere Produkte und Dienstleistungen, insbesondere haben die Konsumenten einen besseren Einblick und damit eine bessere Kontrolle über ihre jeweilige finanzielle Situation. „Regtech“ Services sorgen in diesem Zusammenhang für eine verbesserte regulatorische Compliance; trotz alledem gibt es hohe Risiken durch Fehler bei den Funktionsmechanismen von Big Data Tools und Algorithmen. Big Data ermöglicht eine risikoorientiertere Tarifierung – beispielsweise durch Substitution grober Merkmalsstrukturen durch feinere Informationen. Weiterhin ermöglicht Big Data mehr personalisierte Produkte und Dienstleistungen angepasst an die Bedürfnisse der Kunden. Auf der anderen Seite resultiert daraus aber auch eine verringerte Vergleichbarkeit dieser stark individualisierten Produkte. 57 (Verkürzter) Originalvortrag unter https://www.th-koeln.de/mam/downloads/deutsch/hochschule/fakultaeten/wirtschafts_und_rechtswissenschaften/pr__sentation_w__rtz.pdf (Stand 05.12.2016). - 80 - Ein weiteres Problem aus der Konsumentenperspektive im Zusammenhang mit einer immer feineren Risikoeinschätzung durch Big Data ist die Gefahr, keinen Zugang mehr zu Versicherungsschutz zu bekommen – etwa zu einer Gebäudeversicherung in Hochwasserexponierten Regionen oder zu Krankenoder Lebensversicherungen bei entsprechenden Ergebnissen von Gentests. Hier sind die einzelnen Staaten gefordert, effiziente Gegensteuerungsmaßnahmen zu ergreifen. Aus Big Data resultieren Kosteneinsparungen aufgrund effizienterer Prozesse, was den Unternehmen bessere und häufigere Interaktionen mit ihren Kunden ermöglicht. Hier ergibt sich ein veränderter Wettbewerb durch „InsurTechs“ als neue Marktteilnehmer. Big Data hat nicht nur Auswirkungen im Hinblick auf eine verbesserte Betrugserkennung, sondern auch auf die Schadenregulierung oder das Beschwerdemanagement. Geeignete Algorithmen können in Zukunft das Konsumentenverhalten besser dahingehend vorhersagen, wie wahrscheinlich beispielsweise eine Beschwerde oder die Annahme eines Schadenregulierungsangebotes sein wird. Aus Big Data können sich Reputationsrisiken im Hinblick auf das Vertrauen der Kunden in einen angemessenen Umgang mit ihren persönlichen Daten ergeben. Big Data erhöht das Exposure für Cyber Risiken – beispielsweise beim Umgang mit sensiblen Gesundheitsdaten. Es ergeben sich Haftungsrisiken – insbesondere im Hinblick auf die unterschiedlichen Parteien, die an der Sammlung, Aggregation, Speicherung, Analyse und Nutzung der Daten beteiligt sind. Zusammengefasst ergeben sich je nach Sichtweise (Kunde oder Versicherungsunternehmen) ganz unterschiedliche Chancen und Risiken. Aus Sicht der Kunden bestehen die größten Chancen in individuell zugeschnittenen Produkten bei einem verbesserten Wettbewerb. Risiken ergeben sich vor allem bei Fragen des Datenschutzes, dem Risiko, von Versicherungsschutz ausgeschlossen zu werden, und einer Informationsüberflutung, die Entscheidungen erschwert. Der nicht-digitale Teil der Bevölkerung bleibt da zurück. Aus Sicht der Industrie bestehen die größten Chancen natürlich in einem effizienteren Risikomanagement – beispielsweise bei der Betrugsvermeidung, sowie einer höheren Kosteneffizienz. Das Unternehmen kennt seine Kunden besser und kann sie daher gezielter durch Werbemaßnahmen ansprechen. Innovationen werden so erleichtert. Auf der anderen Seite ergeben sich völlig neue Risiken wie etwa Cyberrisiken oder völlig veränderte Haftungsrisiken. Verbesserter Wettbewerb bedeutet auch ein höheres Risiko, vom Markt zu verschwinden, wenn man mit neuen Technologien nicht schnell genug mithalten kann. Ein zentrales Risiko für die Industrie besteht aber darin, dass eine totale Individualisierung bei der Produktstruktur das Modell der kollektiven Solidarität in Frage stellt – was aber letztendlich die wesentliche Geschäftsgrundlage von Versicherung ist.