Unser Angebot – Aktuarielle Beratung und Datenanalytik

AT Analytics steht für aktuarielle Beratung und Datenanalytik.

Unser Fachgebiet umfasst folgende Bereiche:

  • Versicherungsmathematische Beratung in den Bereichen Tarifierung, Reservierung, Solvabilität und Kapitalmodellierung, sowie interne Revision.
  • Nichtleben- und Krankenversicherung sowie Captive- und Rückversicherung.
  • Mandatierung als Verantwortlicher Aktuar gemäss Art. 23 VAG.
  • Modernste Datenanalytik – transparent von den Daten bis zur Entscheidung.

Anwendungsgebiete

Wir unterstützen Sie dabei, Ihre eigenen und externen Daten zu nutzen, um fundierte Prognosen zu erstellen, Massnahmen zu ergreifen und die Ergebnisse zu bewerten. Wir nutzen eine breite Auswahl von Werkzeugen, die von traditionellen aktuariellen Methoden bis hin zur modernsten Datenanalytik und Deep-Learning-Modellen reicht.

Anwendungsbeispiele sind:

  • Entwicklung und Implementierung von Preismodellen für Schaden- und Krankenversicherer.
  • Überprüfung der Rentabilität von Produkten und Validierung der Preisgestaltung zur Verfeinerung von Tarifierungskriterien und Zeichnungsrichtlinien.
  • Schadenanalyse zum Verständnis von Schadentrends, und zur Quantifizierung der Auswirkungen von Massnahmen und Veränderungen im Schadenmanagement auf die Reservierung.
  • Backtesting bestehender Prognosemodelle, Identifikation von Schwachstellen und Umsetzung von Verbesserungen.

Unsere Ansicht zum Übergang von traditionellen aktuariellen Methoden zu modernen Werkzeugen der Datenanalytik

Oft sind herkömmliche Ansätze, die basierend auf aggregierten Daten historische Trends in die Zukuft fortschreiben, zweckmässig, denn sie sind einfach verständlich und vermittelbar.

Wenn sich jedoch die Umstände ändern, können Anpassungen erforderlich sein. Beispiele sind etwa ansteigende Inflation, Änderung des Schadenprozesses oder der Bearbeitungsgeschwindigkeit, Verschiebungen in der Qualität oder Zusammensetzung des Portfolios, etc.

Moderne Datenanalysetools können helfen, solche Abweichungen zu erkennen, deren Treiber zu identifizieren, sowie die traditionellen Methoden zu verfeinern. Dies alles mit der gebotenen Transparenz – von den Daten bis zur Entscheidung.