Die Regale waren noch alle leer, als ich letzte Woche in den Supermarkt ging. Kommt Ihnen das bekannt vor? Uns wird laufend versichert, dass die Lieferketten wiederhergestellt werden. Doch laut einer Umfrage des Institute for Supply Management kam es bereits zum 11. März in drei Viertel der befragten Unternehmen zu Störungen in den Lieferketten.
Es scheint weiterhin ein Mangel an vielen Artikeln zu bestehen, da Familien wegen COVID-19 zu Hause bleiben. Selbst regelmäßige Restaurantbesucher kochen jetzt die meisten Mahlzeiten zu Hause. Viele horten Nudeln, Toilettenpapier und Dinge, die Durchschnittspersonen nie gekauft haben, wie Hefe. Es sind sonderbare Zeiten.
Technologie ist gescheitert
Es ist ein Leichtes zu verstehen, warum diese Regale leer sind. Die Menschen versuchen, ihre Familien so preiswert wie möglich zu ernähren. Sie lernen, Brot zu backen. Und in Sachen Toilettenpapier besteht eine gewisse Notwendigkeit, die sich von selbst versteht.
Es gibt noch einen weiteren Grund für die gähnende Leere in den Regalen: gescheiterte Datenanalysemodelle.
Die Lieferketten im Einzelhandel sind in hohem Maße von Prognosemodellen abhängig, die vorhersagen, wie viel wann benötigt wird. Wir wissen beispielsweise, dass im Sommer mehr Eiscreme konsumiert wird als in den Wintermonaten. Chips und Salsa werden vor großen Sportveranstaltungen aufgestockt. Zum Ende des Sommers wird Sonnencreme gegen Sweatshirts eingetauscht.
Abweichungen verursachen Störungen
Diese Prognosemodelle stützen sich auf Daten und Trends aus den vergangenen Jahren, um eine möglichst genaue Schätzung dessen zu machen, was verfügbar sein muss. Sie berücksichtigen normalerweise allgemeine Trends, nationale Feiertage, Wochentage etc. – und liefern in der Regel gute Ergebnisse.
Mit der Verbreitung von COVID-19 hat sich jedoch gezeigt, dass diese Modelle auch Defizite aufweisen und nicht unbedingt zuverlässig sind … oder die Ergebnisse eben gar nicht zutreffen. Damit haben viele Einzelhändler zu kämpfen:
- Die Daten vor COVID-19 sagen nichts über diesen ungewöhnlichen Nachfrageanstieg während der Krise aus.
- Die Daten, die während COVID-19 erfasst werden, reichen nicht aus, um genaue Vorhersagen zu treffen.
- Die Daten nach COVID-19 werden nicht die Zukunft abbilden und können daher außer Acht gelassen werden.
Ausnahmesituationen bewältigen
Modelle werden immer von etwas beeinflusst und ihre Qualität verschlechtert sich mit der Zeit. Eric Weinsberg von Novarica ist der Ansicht, dass Prognosemodelle in dieser Zeit sogar kontraproduktiv sein können. Es sind natürlich außergewöhnliche Zeiten und unser Team hat sich umfassend damit beschäftigt, welche Auswirkungen sie auf unsere Betrugsbekämpfungsmodelle haben könnten.
In Zeiten der Krise, der wirtschaftlichen Unsicherheit oder anderer Störungen ergreift das FRISS-Team einige wichtige Maßnahmen, um sicherzustellen, dass unsere Modelle optimale Leistungen erbringen:
- Wir überwachen kontinuierlich die Leistung der Modelle, einschließlich Präzision und Trefferquote.
- Wir trainieren die Modelle regelmäßig und lassen dabei neue Daten einfließen, um neue Funktionen und Trends zu erkennen.
- Wir holen Feedback von unseren Kunden ein, damit unsere Modelle präzise bleiben.
Kontrolle behalten
In jüngster Zeit konnten wir einen Rückgang der Schadenfälle aufgrund von COVID-19 beobachten, wobei in einigen Geschäftsbereichen ein Rückgang von 50 % zu verzeichnen war. Gleichzeitig stellen wir fest, dass unsere Modelle das gleiche hohe Niveau bieten wie vor dem Auftreten von COVID-19. Das Virus hat unsere Prognosemodelle nicht in die Knie gezwungen.
Als Head of Data Science bei FRISS macht es mich stolz zu sehen, wie wir in diesen außergewöhnlichen Zeiten die Kontrolle behalten. Nicht zuletzt liegt das auch natürlich an unserem großartigen Team kompetenter Datenwissenschaftler.
Wenn Sie mehr darüber erfahren möchten, wie wir unsere Prognosemodelle im Kampf gegen Versicherungsbetrug einsetzen, empfehle ich Ihnen einen Blick auf die Vlogs von Daan Bakker und Gian Luigi Chiesa.
Daan Bakker: Wie Versicherer von der Echtzeit-Risikobewertung profitieren
Gian Luigi Chiesa: Ehrliche KI erfordert Transparenz
Über den Autor
Richard Bakker ist Leiter der Datenwissenschaft am FRISS. Er hat einen Master-Abschluss in Industriemathematik und angewandter Mathematik und verfügt über eine unternehmerische Denkweise auf dem Gebiet der Datenanalyse, des Risikomanagements und der Finanzen. Er ist es gewohnt, seine Fähigkeiten in einem dynamischen Geschäftsumfeld zu nutzen, und ist in der Lage, komplexe Geschäfte schnell zu verstehen und Daten in strategische Geschäftsinformationen zu übersetzen.
