Zurich nutzt externe Lidar-Daten für transparentere Prämiengestaltung und fundiertes Underwriting

Wenn Sie schon einmal etwas versichern mussten, ist Ihnen wahrscheinlich auch die „Zurich Insurance Group“ ein Begriff. Zurich bietet Versicherungsprodukte für verschiedenste Unternehmen und öffentliche Einrichtungen, darunter Behörden, Schulen oder Krankenhäuser, und zählt heute zu den größten Versicherern der Welt.

Wie alle Versicherungsunternehmen nutzt auch Zurich Daten, um Risiken zu bewerten und entsprechende Produkte anzubieten. Obwohl Unmengen an Daten zu Personen und Vermögenswerten verfügbar sind, liegen sie oft in verschiedenen Formen vor – was ihre Nutzung für Risikobewertung und Preisbestimmung einschränkt.

Als langjähriger Snowflake-Kunde verwendete Zurich die AI Data Cloud, um ein Dataset von der britischen Regierung (mit insgesamt 300 Milliarden Datenpunkten) in ein nutzbares Format umzuwandeln. Mit diesen Daten wollte das Team Elemente des Underwriting-Prozesses automatisieren, Preise transparenter gestalten und neue Kund:innen für sich gewinnen.

Daten bilden schon seit Jahrzehnten das Fundament der Versicherungsbranche. Doch die verfügbaren Datasets haben sich in den letzten Jahren erheblich verändert – ebenso wie die Art und Weise, wie diese Daten verwendet werden. „Heute geht es darum, Daten optimal zu nutzen, anstatt sie einfach nur im System zu speichern“, erklärt Jonathan Davis, Data Science Lead bei Zurich. „Außerdem spielen externe Daten eine immer größere Rolle. Es gibt Unmengen davon, die frei verfügbar sind, doch sie lassen sich oft nur schwer nutzen.“

Für Zurichs Betrieb im Vereinigten Königreich waren insbesondere die nationalen LiDAR-Daten (Light Detection and Ranging) der britischen Regierung interessant. Denn diese Daten zeigen die Höhe und die Umgebung von Gebäuden in England. Mit diesen Daten lassen sich zahlreiche potenzielle Anwendungsfälle unterstützen: Denn Teams können nicht nur herausfinden, wie hoch Gebäude sind, sondern können auch die Höhe und Entfernung nahestehender Bäume sowie andere physische Risiken ermitteln, die Versicherungsentscheidungen beeinflussen könnten.

Doch angesichts der Milliarden von Datenpunkten, die verarbeitet werden wollten, reichte Zurichs alte Infrastruktur einfach nicht aus: Ihr fehlte es am nötigen Durchsatz, um die Daten in einem angemessenen Zeitrahmen zu nutzen. „An sich waren die ja Daten nutzbar“, erinnert sich Davis. „Aber als wir versucht haben, sie ganz klassisch in Python und auf einem allgemeinen SQL-Server zu laden, ist das Ganze schnell schiefgegangen. Selbst den Proof of Concept, der nur eine der 6.500 Dateien umfasste, konnten wir einfach nicht skalieren.“

Zurich war damals bereits langjähriger Snowflake-Kunde und nutzte die Lösung, um Versicherungsdaten zu erfassen und zu verarbeiten. Davis und sein Team stellten dann schnell fest, dass die AI Data Cloud die nötige Skalierbarkeit, den Durchsatz sowie andere erforderliche Funktionen bot, um den LiDAR-Anwendungsfall in die Tat umzusetzen.

„Die native Geodaten-Unterstützung war für uns entscheidend“, erklärt Davis. „Und auch die Python-Unterstützung in Snowpark hat uns sehr geholfen. Unser Team kennt sich mit Python aus und kann heute einfach in lokalen Entwicklungsumgebungen arbeiten und das Ganze dann zu Snowflake übertragen – alles funktioniert einfach nahtlos.“

Doch neben dem vertrauten Python bot Snowflake auch native Unterstützung für andere Sprachen. Hierdurch erhielt das Team von Zurich Zugang zu wichtigen vorkonfigurierten Bibliotheken, die den Anwendungsfall erst möglich machten: „Bei LiDAR-Daten kommen oft LAZ- und LAS-Dateien zum Einsatz und das Lesen dieser Dateien wird leider nicht oft unterstützt“, so Isaac Brocklesby, Data Scientist bei Zurich. „Doch es gibt bereits zwei wirklich gute Python-Pakete, mit denen sich diese Daten lesen lassen. Wenn wir die nicht gehabt hätten, hätte sich der gesamte Anwendungsfall deutlich schwieriger gestaltet.“

Während der Anwendungsfall für Zurich lange auf sich warten ließ, war die eigentliche Verarbeitung schnell, sobald das Team die AI Data Cloud mit der Aufgabe beauftragte. Nachdem es in Snowpark ein mittelgroßes Data Warehouse eingerichtet hatte, dauerte es nur 100 Stunden, bis alle Daten verarbeitet waren. Seit der Vorbereitung des Datasets konnte Zurich erhebliche Vorteile für seine Privat- und Unternehmensversicherungen erzielen.

„Alle Versicherungsarten profitieren davon, wenn wir Risiken besser verstehen“, so Anna Collins, AI Data Lead bei Zurich. „Jetzt können wir genau sehen, wie hoch Gebäude sind, und können so das Risiko von Überflutung oder Windschäden besser einschätzen.“

Mit exakten Höhendaten zu jedem Gebäude und zu jedem Bereich, der diese Gebäude umgibt, kann der Versicherer außerdem das Risiko berechnen, dass hohe Bäume auf ein Grundstück fallen. Und er kann ermitteln, welcher Bereich eines Grundstücks von einem Flachdach geschützt ist, das mit der Zeit marode werden könnte. „Wir haben einige komplexe Algorithmen entwickelt, um all diese Daten in eine effektive Risikoanalyse zu verwandeln“, erklärt Brocklesby. „Zwei Punkte räumlich in Beziehung zu setzen, kann viel Rechenleistung erfordern. Doch mit der H3-Funktion von Snowflake können wir räumliche Indizierung nutzen, um das Verhältnis der verschiedenen Höhen zu berechnen. Dieser Ansatz ist deutlich schneller und war für uns unheimlich wichtig, um den Wert dieses Datasets zu erschließen.“

Mit den zusätzlichen Einblicken kann sich Zurich vor Versicherungsrisiken schützen, die ansonsten erhebliche Verluste nach sich ziehen könnten. Außerdem kann das Team präzisere Preise für individuelle Fälle berechnen und so neue Kund:innen gewinnen, die von anderen Versicherern falsch kategorisiert werden und teurere Policen erhalten. 

Außerdem profitieren die Versicherten von Zurich von einer besseren Kundenerfahrung, weil ihr Versicherer ihre Situation besser versteht. „Der gesamte Service läuft heute schneller, weil wir bei Angebotserstellung und Onboarding nicht mehr so viele Fragen stellen müssen“, freut sich Davis. „Ich bin mir sicher, dass viele Kund:innen früher gedacht haben: ‚Das müsst ihr doch wissen!‘ Und heute ist das auch der Fall.“

Die präzisen LiDAR-Daten sorgen außerdem für effizientere Underwriting-Prozesse bei Zurich: „Das alles ist Teil unserer Automatisierungsreise“, erläutert Will Davis, Lead Machine Learning Engineer bei Zurich. „Früher mussten Underwriter:innen oft Google Street View nutzen, um die Höhe verschiedener Gebäude einzuschätzen. Das konnte pro Adresse mehrere Minuten dauern, doch heute geht das alles nahezu sofort. Und bei einem Portfolio, das Tausende von Immobilien enthält, spart uns das natürlich eine Menge Zeit.“

Zurich hat bereits viele Vorteile aus der Erfassung und Umwandlung des nationalen LiDAR-Datasets erzielt. Doch das Unternehmen steht erst am Anfang. „Das Ganze ist eine echte Schatztruhe voller Daten“, beschreibt Davis. „Wenn wir noch mehr Zeit investieren, finden wir am Ende auch mehr Gold. Und es gibt noch eine Menge für uns zu holen.“

Das Team plant außerdem, diese LiDAR-Daten über eine Self-Service-Plattform allen Beteiligten im Unternehmen bereitzustellen. Davis bewertet derzeit die Streamlit-Unterstützung von Snowflake als Möglichkeit, eine native Anwendung rund um das LiDAR-Dataset zu entwickeln. Und das Team sieht sich auch an, wie es künstliche Intelligenz und maschinelles Lernen in Snowflake bereitstellen kann, um eine verwaltete Umgebung aufzubauen, in der Nutzende verschiedene Modelle ausführen können.

Doch es sind nicht nur die Plattformfunktionen, die das Team gespannt in die Zukunft blicken lassen. Davis und der Rest des Data-Science-Teams freuen sich außerdem darüber, dass Snowflake die Unterstützung kontinuierlich ausbaut und so neue Anwendungsfälle ermöglicht: „Snowflake hat sogar Unterstützung für einige der Python-Bibliotheken hinzugefügt, die wir brauchten“, erinnert sich Davis. „Die Leistung der Plattform ist für sich genommen schon ein riesiger Vorteil. Aber für uns war es letztlich die breite Unterstützung, die unseren Erfolg ermöglicht hat.“