Case Study

Kosteneffizienz durch 

Datenanalyse und KI für 

Restwertbörsen

Kosten-
effizienz durch 
Datenanalyse und KI für 
Restwert-
börsen

Kosteneffizienz durch Datenanalyse und KI für Restwertbörsen

Welche Börse bringt den höchsten Restwert?

Ein Unfall. Das Auto ist kaputt. Im Falle eines wirtschaftlichen Totalschadens definiert sich die Auszahlungssumme für den Versicherten durch den Wiederbeschaffungswert, also den Preis für ein vergleichbares Auto kurz vor dem Unfall. Die Versicherung muss den Wert auszahlen und erhält im Gegenzug das beschädigte Fahrzeug. Dieses versucht sie für einen möglichst hohen Betrag, den Restwert, weiterzuverkaufen. Das bedeutet: Je höher der erzielte Restwert, desto geringer sind die Kosten für die Versicherung.

Unser Kunde, die carexpert Kfz-Sachverständigen GmbH, hat das Ziel, durch eine intelligente und effiziente Nutzung der Restwertbörsen für die Versicherungen den höchsten möglichen Restwert zu erzielen.

Unser Vorschlag war, die Entscheidung über den Einsatz der richtigen Restwertbörsen je Fahrzeug durch eine künstliche Intelligenz treffen zu lassen.

Das haben wir gemeinsam erreicht:

Datenbasiertes vorgehen

Entscheidungen basieren auf Datenanalyse.

KI-Modell im 
Einsatz

Ein Machine-Learning-Modell sagt voraus, welche Restwertbörsen die höchsten Gebote abgeben werden.

Einsparungen in 

Millionenhöhe

Verglichen mit dem Vorgehen vieler Konkurrenten beträgt die Einsparung knapp 50 Millionen Euro pro Jahr.

Wettbewerbs-vorteil

Alleinstellungsmerkmal in der Kfz-Versicherungsbranche durch datenbasiertes Vorgehen.

Restwertbörsen im Vergleich

Unser Vorgehen

Unser Ziel war es, Muster im Käuferverhalten der verschiedenen Restwertbörsen zu identifizieren. Gibt es Zusammenhänge zwischen der Höhe des erzielten Restwerts und der Auswahl der Portale? Sind in Bezug auf Werte wie Fahrzeugalter, Modell etc. Muster zu erkennen?

Bei der Analyse wurde deutlich, dass die Bieter:innen verschiedener Restwertbörsen Vorlieben für verschiedene Fahrzeuge haben. Während beispielsweise die einen bei jüngeren Autos die höchsten Angebote abgeben, liegen andere vor allem bei älteren Fahrzeugen vorn. Auch in Bezug auf Fahrzeugtyp,  Fahrzeugklasse und weitere Merkmale konnten wir klare Präferenzen der verschiedenen Portale erkennen. 

Diese Erkenntnis bildete die Grundlage für die Entwicklung eines Machine-Learning-Modells, das unter Berücksichtigung vieler Datenpunkte vorhersagt, welche Börsen mit welcher Wahrscheinlichkeit die höchsten Gebote für ein Fahrzeug abgeben werden – und somit angefragt werden sollten.

Was mich besonders beeindruckt, ist die Präzision der künstlichen Intelligenz. Mit unserem großen Datenschatz und dem für uns entwickeltem Machine-Learning-Modell reduzieren wir unsere Gebühren bei den Restwertbörsen durch gezielte Einstellungen in weniger Börsen bei gleicher Qualität. Diese Einsparungen können wir 1 zu 1 unseren Kunden weitergeben.

Thorsten Balzer
Thorsten Balzer
Kaufmännischer Leiter carexpert Kfz-Sachverständigen GmbH
Einsparung durch KI

Das Ergebnis

In der Praxis geht unser Kunde nun wie folgt vor: Je höher die Wahrscheinlichkeit der KI-Prognose, desto eher lässt man sich von ihr leiten und wählt beispielsweise die drei vielversprechendsten Restwertbörsen aus. Wenn die Wahrscheinlichkeit hingegen gering ist (d.h. wenn sich das Machine-Learning-Modell unsicher ist), nutzen die Kfz-Sachverständigen grundsätzlich fünf verschiedene Portale, da sie so die besten Ergebnisse erzielen.

Auf diese Weise kann carexpert die Schadenkosten für die Versicherungen weiter senken. Verglichen mit der Vorgehensweise vieler Konkurrenten, die lediglich eine Börse anfragen, beträgt die Einsparung pro Jahr knapp 50 Millionen Euro. Angesichts stetig steigender Schadenkosten ist dies ein eindrucksvolles Ergebnis und wichtiges Alleinstellungsmerkmal im Vergleich zum Wettbewerb.

Unsere Technologie

Unsere

Technologie

  • Datenbereinigung

    Verbesserung der Datenqualität durch Data Cleaning, z.B. Umwandlung von Datentypen, Vervollständigen von Lücken

  • Datenanreicherung

    Anreicherung der Daten durch Zusammenführung verschiedener Datensätze aus dem Datenschatz des Kunden

  • Explorative Datenanalyse

    Interpretation der Daten mithilfe von Python und Plotly, in Zusammenarbeit mit den Kfz-Expert:innen

  • Feature Selection

    Auswahl relevanter Merkmale für die Entwicklung der KI, um ein möglichst schlankes Modell bei gleichzeitig hoher Performance zu erhalten

  • KI-Entwicklung

    Entwicklung verschiedener Machine-Learning-Modelle und Auswahl geeigneter Frameworks (z. B. LightGBM, PyTorch, K-modes)

  • Datenexploration

    Nutzung eines interaktiven BI-Tools für die selbstständige Exploration der Daten durch die Kund:innen

Sebastian Bluhm
Ihr Ansprechpartner
Sebastian Bluhm
Managing Partner
+49 160 7810808
Termin vereinbaren

Ihre Nachricht

Loading…
Loading the web debug toolbar…
Attempt #