Governance Strukturen für datenbasiertes Underwriting

Underwriting basiert zunehmend auf internen und externen Daten. Risikoentscheidungen, Tarifierung und Produktgestaltung erfordern konsistente, zugängliche und regelkonforme Daten. Gleichzeitig steigen Regulatorik-Anforderungen und betriebliche Komplexität.

Dieser Artikel zeigt, wie Underwriting-Fachbereiche eine funktionale Datenstrategie und Data Governance Struktur etablieren, um Risiken zu reduzieren, Compliance sicherzustellen und die operative Effizienz zu steigern.

Ein intelligenter Assistent ermöglicht darüber hinaus einen vertieften Einblick in die Thematik und beantwortet gezielt weiterführende Fragen.

Datenabhängigkeit im Underwriting steigt weiter

Underwriting-Entscheidungen stützen sich auf strukturierte und unstrukturierte Daten. Neben internen Bestands- und Bewegungsdaten nutzen Fachbereiche zunehmend externe Quellen wie Scoring-Modelle, ESG-Kennzahlen oder Geodaten. Technische Grundlagen sind vorhanden, doch Herausforderungen bleiben:

• Daten liegen verteilt in Data Warehouses, Data Lakes, Data Marts und Schattenprozessen bzw. -technologien.
• Zuständigkeiten für Qualität, Aktualität und Datenvollständigkeit sind unklar.
• Fachbereiche bewerten Daten ohne gesicherte Herkunft oder Validität.

Diese Fragmentierung gefährdet fundierte Entscheidungen und erhöht regulatorische Risiken.

5 strukturelle Schwächen behindern Entscheidungen

1. Getrennte Datenquellen

Fachbereiche greifen auf heterogene Systeme zu. Schnittstellenfähigkeit der Bestandssysteme ist begrenzt. Informationen sind nicht konsistent.

2. Fehlende Zuständigkeit

Ohne klare Rollen für Data Owner und Stewards bleibt Datenqualität unverbindlich. Ownership für Datenprodukte ist nicht operationalisiert.

3. Hoher manueller Aufwand

Prüfprozesse erfolgen händisch. Medienbrüche und Zeitverluste behindern Entscheidungen, wodurch Schattenprozesse entstehen.

4. Regulatorische Lücken

Verordnungen wie die DSGVO oder der europäische AI Act fordern transparente, auditierbare Datenprozesse. Ohne deren Dokumentation steigt das Risiko bei Prüfungen.

5. Begrenzte Integration

Wichtige externe Informationen fließen nicht systematisch in Entscheidungen ein. Potenziale aus Markt- und Umweltdaten bleiben ungenutzt.

Klare Fragen führen zur funktionalen Datenstrategie

• Welche Datenqualität benötigen Underwriter bezogen auf Tarif, Risiko, Branche?
• Wer übernimmt Ownership entlang der Datenwertschöpfung?
• Welche Datenströme erfordern regulatorische Nachweise?
• Wie wird regelkonforme Datennutzung für automatisierte Entscheidungen gesichert?
• Wie werden externe Daten validiert und integriert?
• Welche Systeme liefern konsistente, revisionssichere Informationen?
• Wie prüfen Underwriter Daten eigenverantwortlich und effizient?

5 konkrete Hebel für funktionale Governance

1. Rollen definieren und verankern

Ein Governance-Modell mit Data Owner, Data Steward und Governance Lead schafft klare Zuständigkeiten.

2. Qualitätskriterien im Prozess verankern

Underwriting-relevante Merkmale (z. B. Standort, Tariflogik, Risikofaktor) unterliegen standardisierten DQM-Routinen. Automatisierte Validierungs- und Korrekturroutinen sorgen dafür, dass fehlerhafte oder unvollständige Einträge erkannt und bereinigt werden, bevor sie in Entscheidungen einfließen.

3. Datenflüsse transparent dokumentieren

Alle automatisierten Entscheidungen basieren auf nachvollziehbaren Datenströmen und Herkunftsnachweisen – eine Voraussetzung für eine belastbare Single Source of Truth.

4. Fachbereiche befähigen

Underwriter greifen auf Validierungsregeln, Metadaten und Feedbackmechanismen zu. Sie bewerten Daten fachlich fundiert.

5. Externe Quellen systematisch nutzen

Standardisierte Schnittstellen und Validierungen ermöglichen die Integration externer Daten in den operativen Prozess.

Zielbild ist effizientes Underwriting mit klarer Governance

• Konsolidierte Datenstruktur – Gesicherter Zugriff auf aktuelle, verknüpfbare Informationen.
• Verantwortungsstruktur – Fachbereiche kennen Relevanz und Herkunft genutzter Daten.
• Transparenz & Dokumentation – Entscheidungen sind begründbar und prüfbar.
• Regelkonformität – Nutzung entspricht gesetzlichen Vorgaben.
• Betriebliche Skalierbarkeit – Modell übertragbar auf neue Produkte und Kanäle.
• Verschlankungspotenziale durch Governance – Wegfall redundanter Prüfungsschritte und Prozesse.

Konkreter Nutzen für das Fachbereichs-Underwriting

Im Prozess

• Reduzierter Aufwand durch verlässliche Datengrundlagen.
• Schnellere Risikobewertung komplexer Profile.
• Klarheit über zulässige und relevante Daten je Geschäftsvorfall.

Operativ (Data Stewards)

• Klare Prüfroutinen für datenqualitätsrelevante Merkmale.
• Transparente Dokumentation von Änderungen und Freigaben.
• Zugriff auf konsolidierte Metadaten und Validierungsregeln.
• Stärkung der operativen Datenverantwortung entlang der Prozesskette.

Strategisch

• Verlässliche Grundlage für KI-gestützte Modelle.
• Gesteigerte Auskunftsfähigkeit gegenüber Aufsicht und Audit.
• Schnellere Produkt- und Tarifentwicklung durch belastbare Datennutzung.

Empfehlungen aus der Praxis

„Lösungen greifen erst, wenn das Problem verstanden ist.“

Governance-Initiativen wirken nur, wenn sie auf konkrete fachliche Herausforderungen reagieren. Technische Maßnahmen wie Tools oder Kataloge entfalten erst Wirkung, wenn sie operative Schwächen adressieren.

Empfehlung

• Ausgangspunkt bildet die Risiko- und Entscheidungslogik im Underwriting.
• Daraus folgt die Definition der relevanten Datenanforderungen.
• Die Governance orientiert sich an realen Anwendungsfällen, nicht an Systemlogiken.

Werkzeuge für eine zielführende Umsetzung

• Governance-Modell – RACI-Matrix für Fachbereich und IT.
• Qualitätskriterienkatalog – Pro Geschäftsfeld (z. B. Gewerbe, Industrie, Leben).
• Fragenkatalog – Fachliches Self-Assessment zur Datenverwendung.
• System-Map – Übersicht aller relevanten Datenquellen.
• Regulatorik-Check – DSGVO, AI Act, EIOPA-Richtlinien.
• Integrationsbeispiel – Externe Wetterdaten systematisch einbinden.

Fazit

Datenbasierte Entscheidungen im Underwriting brauchen stabile Strukturen. Data Governance ist kein technisches Nebenprodukt, sondern ein betrieblicher Erfolgsfaktor. Die Umsetzung beginnt nicht mit IT, sondern mit der Definition fachlicher Probleme. Erst darauf aufbauend entsteht eine tragfähige, regelkonforme und skalierbare Datenstrategie.

Eine tragfähige Governance bildet das Fundament – doch erst durch geeignete technologische Infrastruktur lassen sich Datenprozesse im Underwriting skalierbar und automatisiert umsetzen. Im Folgeartikel beleuchten wir, wie Architekturprinzipien, Systemlandschaften und Schnittstellen die datengetriebene Entscheidungsfindung operativ ermöglichen.