Eine Storno-Frühwarnung ist eine Prognose, die bestehende Versicherungsverträge danach ordnet, wie wahrscheinlich sie in einem festgelegten Zeitraum gekündigt werden. Sie braucht verknüpfte Vertrags-, Schaden-, Zahlungs- und Kontaktdaten, ein Modell, das daraus Muster lernt, und einen Rückvergleich, mit dem der Versicherer selbst prüft, ob die Rangliste besser ist als die bisherige.
Dieser Beitrag beschreibt die drei Bausteine Daten, Methode und Überprüfung so, dass eine Fachabteilung einschätzen kann, was ein solches Projekt verlangt.
Was leistet eine Storno-Frühwarnung, und was nicht?
Eine Storno-Frühwarnung liefert eine Rangliste: Oben stehen die Verträge mit dem höchsten Kündigungsrisiko im gewählten Zeitraum, etwa in den nächsten drei oder sechs Monaten. Die Kundenbetreuung oder der Vertrieb kann damit ihre begrenzte Zeit auf die Fälle lenken, bei denen ein Gespräch am ehesten etwas bewirkt.
Was die Prognose nicht leistet: Sie entscheidet nicht, welche Maßnahme die richtige ist, und sie garantiert nicht, dass ein Gespräch eine Kündigung verhindert. Ob Bindungsmaßnahmen wirken, ist eine eigene Frage, die man mit einer Vergleichsgruppe messen muss.
Welche Daten braucht eine Storno-Frühwarnung?
Die Daten für eine Storno-Frühwarnung liegen bei den meisten Versicherern bereits vor, allerdings verteilt auf mehrere Systeme. Entscheidend ist, dass sie sich über Kunden- und Vertragsnummern verknüpfen lassen.
| Datenquelle | Beispiele | Warum sie hilft |
|---|---|---|
| Verträge | Sparte, Beginn, Laufzeit, Hauptfälligkeit, Deckungsumfang, Anzahl Verträge je Kunde | Bindung und Vertragszyklus zeigen, wann Kündigungen möglich und wahrscheinlich sind |
| Prämien | Prämienhöhe, Anpassungen, Indexierung, Zahlungsweise | Prämienerhöhungen können Anlass sein, Angebote zu vergleichen |
| Schäden | Gemeldete Schäden, Bearbeitungsdauer, Ablehnungen | Erfahrungen im Schadenfall können die Zufriedenheit beeinflussen |
| Zahlungen | Mahnungen, Rücklastschriften, Zahlungsverzug | Zahlungsprobleme können Vertragsbeendigungen vorausgehen |
| Kontakte | Beschwerden, Anfragen, Adressänderungen, Betreuerwechsel | Veränderungen in der Beziehung zum Kunden |
| Vertrieb | Vertriebsweg, Betreuer oder Makler | Unterschiedliche Kanäle haben unterschiedliche Bindungsmuster |
Zwei Hinweise aus der Praxis. Erstens: Besondere Kategorien personenbezogener Daten nach Art. 9 DSGVO, etwa Gesundheitsdaten, sind für eine Storno-Frühwarnung in der Regel nicht nötig und sollten herausgehalten werden. Zweitens: Felder, die erst durch die Kündigung entstehen, etwa ein Stornogrund oder ein Kündigungseingangsdatum, dürfen nicht als Eingangsdaten verwendet werden. Sonst „sieht“ das Modell die Antwort und wirkt im Test besser, als es im Betrieb sein wird. Man nennt das Datenleck (Leakage).
Wie entsteht die Prognose?
Klassisch wird eine Storno-Frühwarnung so gebaut: Datenfachleute verdichten die verknüpften Tabellen zu einer großen Tabelle mit einer Zeile pro Vertrag und Hunderten berechneten Merkmalen, etwa „Anzahl Schäden in den letzten zwölf Monaten“. Auf dieser Tabelle wird ein Modell trainiert. Das funktioniert, kostet aber viel Zeit, und jede neue Frage, etwa nach einem anderen Zeitraum, beginnt die Merkmalsarbeit von vorne.
Ein neuerer Ansatz arbeitet direkt auf den verknüpften Tabellen. Die Forschung dazu heißt Relational Deep Learning: Die Datenbank wird als Netz aus Zeilen und ihren Verbindungen betrachtet, und das Modell lernt die Muster selbst, statt dass Menschen Merkmale vorgeben. Darauf aufbauend wurden relationale Foundation Models entwickelt. Ein veröffentlichtes Beispiel ist KumoRFM von Kumo, das laut der zugehörigen Forschungsarbeit auf öffentlichen und synthetischen Datenbanken vortrainiert wurde und Vorhersagen auf einer neuen Datenbank aus historischen Beispielen ableiten kann, ohne für die Aufgabe eigens trainiert zu werden. Für den produktiven Einsatz ist zusätzlich eine Feinabstimmung möglich.
UNID AI Predict nutzt ein solches relationales Foundation Model. Für die Fachabteilung ändert sich dadurch vor allem eines: Die Frage lässt sich präzise formulieren („Welche Verträge werden in den nächsten sechs Monaten gekündigt?“), und die Prognose entsteht aus den Tabellen, wie sie sind.
Wichtig für das Vertrauen in das Ergebnis: Die Zahlen kommen aus den Daten und dem Prognosemodell, nicht aus einem Sprachmodell. Wenn ein Sprachmodell eingesetzt wird, formuliert es nur die Ergebnisse in Worte, etwa als Zusammenfassung für die Betreuerin.
Wie prüft ein Versicherer, ob die Prognose stimmt?
Ein Versicherer sollte eine Prognose nicht auf Basis von Präsentationen kaufen, sondern auf Basis eines eigenen Tests. Wir empfehlen dafür einen Rückvergleich mit verdecktem Stichtag, den wir auch „versiegelter Umschlag“ nennen:
- Stichtag festlegen. Der Versicherer wählt einen Tag in der Vergangenheit, zum Beispiel vor zwölf Monaten.
- Daten bis zum Stichtag übergeben. Das Modell bekommt nur Daten, die an diesem Tag bekannt waren.
- Ergebnisse unter Verschluss halten. Welche Verträge danach tatsächlich gekündigt wurden, behält der Versicherer für sich.
- Rangliste liefern. Das Modell ordnet die Verträge nach Kündigungsrisiko für den vereinbarten Zeitraum.
- Selbst auswerten. Der Versicherer vergleicht die Rangliste mit den tatsächlichen Kündigungen und mit seinem bestehenden Modell, etwa: Wie viele der tatsächlich gekündigten Verträge stehen in den obersten fünf oder zehn Prozent der Liste?
- Entscheiden. Erst wenn die Rangliste im eigenen Test messbar besser ist als das bestehende Verfahren, lohnt der nächste Schritt.
Wir nennen deshalb vorab keine Prozentzahl. Wie gut die Prognose ist, messen Sie im Rückvergleich mit Ihren eigenen Daten.
Wie wird die Rangliste im Alltag genutzt?
Eine Prognose nützt nur, wenn sie in einen Arbeitsablauf eingebunden ist. Bewährt hat sich, vor dem Start drei Dinge festzulegen.
Wer bekommt die Liste? Meist sind es Kundenbetreuer im Innendienst, Vertriebspartner oder ein eigenes Bindungsteam. Die Liste sollte nur die Fälle enthalten, die diese Personen in einem Zeitraum tatsächlich bearbeiten können.
Was passiert mit einem Fall? Ein Anruf, ein Beratungstermin, eine Vertragsprüfung oder bewusst nichts. Die Entscheidung trifft ein Mensch, der den Kunden kennt.
Wie wird gemessen? Damit sich die Wirkung der Maßnahmen von der Qualität der Prognose trennen lässt, sollte ein Teil der Fälle mit hohem Risiko als Vergleichsgruppe unbearbeitet bleiben. Nur so zeigt sich, ob die Gespräche Kündigungen tatsächlich verhindern.
Die Prognose wird regelmäßig neu berechnet, etwa monatlich, damit neue Schäden, Prämienanpassungen und Kontakte einfließen.
Wo laufen Daten und Modell?
Vertragsdaten von Versicherungskunden sind sensibel. UNID AI Predict kann deshalb auf der Infrastruktur des Versicherers betrieben werden, auf Wunsch auch mit einem lokalen Sprachmodell. Welche Betriebsform passt, beschreibt unser Beitrag zum Vergleich von On-Premise, eigenem Server und Cloud, Grundsätzliches zur Datenverarbeitung steht auf der Seite Sicherheit und Datenschutz.
Was gilt nach dem EU AI Act?
Die KI-Verordnung, Verordnung (EU) 2024/1689, listet in Anhang III KI-Systeme, die für die Risikobewertung und Preisbildung bei Lebens- und Krankenversicherungen in Bezug auf natürliche Personen bestimmt sind, als Hochrisiko-Systeme. Eine Rangliste, die der Kundenbetreuung zeigt, wen sie zuerst anrufen sollte, verfolgt einen anderen Zweck. Ob sie im Einzelfall dennoch erfasst ist, hängt davon ab, wofür die Ergebnisse verwendet werden, zum Beispiel ob sie in Prämien- oder Annahmeentscheidungen einfließen. Diese Bewertung muss der Versicherer selbst vornehmen, idealerweise gemeinsam mit seiner Rechts- und Compliance-Abteilung.
Zum zeitlichen Rahmen: Mit dem im Juli 2026 im Amtsblatt veröffentlichten Digital Omnibus zur KI wurden die Pflichten für Hochrisiko-Systeme nach Anhang III auf den 2. Dezember 2027 verschoben. Maßgeblich ist der jeweils aktuelle Text auf EUR-Lex. Unabhängig davon gilt die DSGVO, einschließlich der Regeln zu automatisierten Einzelentscheidungen in Art. 22.
Wie geht es weiter?
Die Anwendungsfallseite Storno-Frühwarnung in der Versicherung zeigt den Ablauf im Detail, die Produktseite zu UNID AI Predict beschreibt das Produkt dahinter. Begriffe wie relationales Foundation Model erklärt das Glossar. Wenn Sie einen Rückvergleich mit Ihren Daten besprechen möchten, kontaktieren Sie uns.
Quellen
- Fey et al. (2025): KumoRFM – A Relational Foundation Model (Forschungsüberblick, NVIDIA-Dokumentation)
- KumoRFM-2: Scaling Foundation Models for Relational Learning (arXiv, 2026)
- Fey et al. (2023): Relational Deep Learning – Graph Representation Learning on Relational Databases (arXiv)
- Verordnung (EU) 2024/1689 (KI-Verordnung, EU AI Act) – EUR-Lex
- Digital Omnibus zur KI, Amtsblatt der EU L vom 24. Juli 2026 – EUR-Lex