KI-gestützte Tarifierung und Pricing mit Machine Learning (ML) in der Versicherung

KI-gestützte Tarifierung und Pricing mit Machine Learning (ML) in der Versicherung.

MODUL 01: VOM GLM ZUM MACHINE LEARNING

• Klassische Tarifierung verstehen: das GLM als solider Ausgangspunkt
• Was Gradient Boosting und neuronale Netze zusätzlich herausholen
• Hybride Ansätze: die Struktur des GLM mit der Genauigkeit von ML verbinden
• Wo ML den größten Mehrwert bringt – und wo es überzogen ist
• Ihre Standortbestimmung: Wie modern ist Ihr Pricing heute?

MODUL 02: DATEN FÜR DAS PRICING

• Tarifmerkmale, externe Daten und Telematik sinnvoll zusammenführen
• Die tückischen Leakage-Fallen in Pricing-Datensätzen erkennen
• Datenqualität als unterschätzter Erfolgsfaktor
• Übung: Sie analysieren einen Pricing-Datensatz explorativ
• Aus Daten Hypothesen machen, bevor das Modell rechnet

MODUL 03: MODELLE BAUEN UND VERGLEICHEN

• Frequenz- und Schadenmodelle mit ML (Poisson/Gamma-Boosting)
• Modellgüte richtig messen: Lift, Gini, Lorenz-Kurven
• Übung: Sie vergleichen GLM und Gradient Boosting am selben Datensatz
• Overfitting vermeiden: robust statt nur genau
• Der Aha-Moment: wo ML Risiken sichtbar macht, die das GLM übersieht

MODUL 04: MARKTPREIS, NACHFRAGE UND FAIRNESS

• Elastizitätsmodelle: Wie Kunden wirklich auf Preise reagieren
• Preisoptimierung zwischen Technik, Markt und Fairness austarieren
• Storno- und Conversion-Modelle in den Pricing-Prozess einbauen
• Diskriminierungsverbote und erklärbare Tarife (XAI) sicherstellen
• Übung: Sie simulieren eine Preisänderung und ihre Wirkung

MODUL 05: VON DER ANALYSE IN DIE PRODUKTION

• Aktuarielle Verantwortung und Modell-Governance zusammendenken
• Deployment von Pricing-Modellen ohne Reibungsverluste
• Monitoring: Wenn sich der Markt dreht, muss das Modell mitziehen
• Zusammenspiel von Aktuariat, Pricing und Data Science
• Ihr Fahrplan für das nächste Tarifprojekt