

Bei einem wirtschaftlichen Totalschaden wird das Unfallfahrzeug über spezialisierte Verwertungsplattformen verkauft. In Deutschland gibt es fünf relevante Restwertbörsen — jede mit unterschiedlichen Stärken bei unterschiedlichen Fahrzeugtypen.
In der Praxis ignoriert die Branche diese Unterschiede. Viele Versicherer arbeiten mit einer einzigen Plattform — aus Gewohnheit oder Mangel an Daten. Bei jedem dritten Fahrzeug bleibt ein erheblicher Betrag liegen, weil das Gebot auf einer anderen Plattform höher ausgefallen wäre.
Unser Kunde, ein führender Dienstleister im Kfz-Schadenmanagement, verarbeitete jährlich hunderttausende Kfz-Gutachten für zahlreiche Versicherungen und hatte Zugang zu allen fünf Plattformen. Die Daten lagen vor — was fehlte, war die Fähigkeit, sie zu nutzen.
Die Frage an PLAN D: Lässt sich daraus ein System entwickeln, das für jedes einzelne Fahrzeug die wirtschaftlich beste Plattform identifiziert?
Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat.
886.000 Kfz-Gutachten und 332.000 Gebotsdatensätze aus zwei getrennten Systemen mussten zunächst zusammengeführt werden. Danach untersuchte PLAN D das Bieterverhalten aller fünf Plattformen entlang relevanter Fahrzeugmerkmale. Das Ergebnis war eindeutig: Jede Plattform hat messbar unterschiedliche Stärken. Muster, die kein Mensch manuell erkennen könnte — die aber in hunderttausenden Datensätzen messbar werden.
Auf Basis dieser Muster entwickelte PLAN D ein Machine-Learning-Modell, das für jedes einzelne Fahrzeug vorhersagt, auf welcher Plattform das höchste Gebot zu erwarten ist. Es lernt aus Fahrzeugklasse, Hersteller, Wert, Schadenart, Alter und Laufleistung — und ordnet gezielt die Plattformen zu, die für genau dieses Profil die besten Ergebnisse liefern. Nachvollziehbar und erklärbar, so dass die Empfehlung im Tagesgeschäft belastbar ist.
Das Modell gibt pro Fahrzeug und Plattform eine Wahrscheinlichkeit aus, das höchste Gebot zu erzielen. Bei hoher Vorhersagesicherheit werden gezielt die besten Plattformen ausgewählt. Bei Unsicherheit wird die volle Breite genutzt. Das Prinzip: Das höchste Gebot sichern, wo die KI sicher ist. Risiko absichern, wo sie es nicht ist.



Hochgerechnet auf alle Versicherungen, die unser Kunde im Schadenmanagement betreut, ergibt sich durch die KI-gestützte Plattformauswahl ein Einsparungspotenzial von rund 50 Millionen Euro pro Jahr. Nicht als theoretischer Wert, sondern berechnet auf Basis realer Gebotsdaten von 886.000 Gutachten.
Für unseren Kunden ist das mehr als ein Einmal-Ergebnis: datenbasierte Einkaufsoptimierung statt Bauchgefühl. Ein Ansatz, der mit jedem neuen Datensatz präziser wird — und mit wachsendem Markt an Relevanz gewinnt.
Einkaufsoptimierung in der Kfz-Versicherung beschreibt die systematische Verbesserung von Beschaffungsentscheidungen im Schadenprozess. Bei wirtschaftlichen Totalschäden geht es konkret um die Frage: Über welche Verwertungsplattform wird das Unfallfahrzeug verkauft, um den höchsten Erlös zu erzielen?
In Deutschland gibt es mehrere spezialisierte Restwertbörsen mit jeweils eigenem Kundenstamm. Jede Plattform hat bei bestimmten Fahrzeugtypen Stärken. Wer die richtige Plattform für das richtige Fahrzeug auswählt, erzielt messbar höhere Erlöse. KI-gestützte Einkaufsoptimierung macht diese Auswahl datenbasiert — statt nach Gewohnheit oder Einzelverträgen.
Ein Machine-Learning-Modell analysiert historische Gebotsdaten aller relevanten Verwertungsplattformen. Auf Basis von Fahrzeugmerkmalen wie Klasse, Hersteller, Alter, Laufleistung und Wiederbeschaffungswert sagt das Modell vorher, welche Plattform für ein konkretes Fahrzeug das höchste Gebot erzielen wird.
In der Praxis bedeutet das: Statt pauschal eine Plattform zu bedienen, wird für jedes Fahrzeug individuell entschieden. Bei hoher Vorhersagesicherheit werden gezielt die besten Plattformen gewählt. Bei Unsicherheit wird die volle Breite genutzt. So entsteht eine intelligente Zusteuerung, die Kosten minimiert und Erlöse maximiert.
Die Gründe sind historisch gewachsen: bestehende Verträge, etablierte Prozesse, fehlende Vergleichsdaten. Viele Marktteilnehmer haben schlicht keinen systematischen Überblick darüber, welche Plattform bei welchem Fahrzeugtyp die besten Ergebnisse liefert.
Hinzu kommt: Die Unterschiede zwischen den Plattformen sind nicht offensichtlich. Erst eine Analyse hunderttausender Gebotsdatensätze macht die Muster sichtbar — auf bestimmten Plattformen werden für SUVs höhere Gebote abgegeben, auf anderen für ältere Fahrzeuge, auf wieder anderen für bestimmte Hersteller. Ohne Datenanalyse bleiben diese Unterschiede unsichtbar.
Im Kern zwei Datensätze: Kfz-Gutachtendaten (Fahrzeugklasse, Hersteller, Wiederbeschaffungswert, Alter, Laufleistung, Motorleistung, Schadenart) und historische Gebotsdaten der Verwertungsplattformen (Gebot, Plattform, Zuschlag). Diese Daten liegen in der Regel in Versicherungen bereits vor, werden aber selten systematisch ausgewertet.
Die eigentliche Arbeit liegt in der Integration: Gutachtendatenbank und Gebotsdatenbank sind häufig getrennte Systeme mit unterschiedlichen Formaten. Die Zusammenführung und Bereinigung dieser Datensilos ist Voraussetzung für jede Analyse.
Das Modell ist so treffsicher, dass es im Durchschnitt über alle Fahrzeuge hinweg nachweislich höhere Erlöse erzielt als jede pauschale Plattformzuweisung. Es arbeitet auch bei großen Datenmengen effizient und liefert interpretierbare Ergebnisse.
Entscheidend für die Praxis: Das Modell gibt nicht nur eine Vorhersage ab, sondern auch eine Konfidenz. Bei hoher Sicherheit steuert es gezielt zu. Bei niedrigerer Sicherheit empfiehlt es die breitere Streuung über mehrere Plattformen.
Der Vergleichsmaßstab sind Wettbewerber, die nur eine einzige Verwertungsplattform nutzen. Wer bei jeder Fahrzeugverwertung systematisch die wirtschaftlich beste Plattform auswählt, erzielt im Durchschnitt höhere Restwerte pro Fahrzeug.
Bei hunderttausenden Schadenfällen pro Jahr summiert sich diese Differenz auf rund 50 Millionen Euro jährlich. Die Berechnung basiert auf realen Gebotsdaten und dem Vergleich zwischen tatsächlich erzielten Erlösen und der Simulation, bei der nur die meistgenutzte Einzelplattform zum Einsatz gekommen wäre.
Das Grundprinzip — datenbasierte Optimierung der Dienstleisterauswahl — ist branchenübergreifend anwendbar. Überall dort, wo Unternehmen regelmäßig zwischen mehreren Dienstleistern, Lieferanten oder Plattformen wählen müssen, lässt sich ein ähnlicher Ansatz umsetzen.
Voraussetzung ist eine ausreichende Datenbasis historischer Transaktionen. Je mehr Entscheidungen dokumentiert sind, desto präziser kann ein Modell die Muster erkennen und Empfehlungen ableiten. Der Kfz-Bereich eignet sich besonders gut, weil die Datenmengen groß und die Merkmale gut strukturiert sind.
Bei einem wirtschaftlichen Totalschaden — wenn die Reparaturkosten den Wiederbeschaffungswert des Fahrzeugs übersteigen — wird das Fahrzeug über spezialisierte Restwertbörsen versteigert. Käufer sind in der Regel gewerbliche Aufkäufer, Werkstätten und Verwerter.
Die erzielten Restwerte wirken sich direkt auf die Schadenkosten der Versicherung aus: Je höher der Restwert, desto geringer die Entschädigung an den Versicherungsnehmer, desto niedriger die Schadenquote. Die Plattformauswahl ist damit eine betriebswirtschaftlich relevante Entscheidung — die bisher kaum systematisch getroffen wird.
Zukunft beginnt, wenn menschliche Intelligenz künstliche Intelligenz entwickelt. Der erste Schritt ist nur ein Klick.
Zukunft beginnt, wenn menschliche Intelligenz künstliche Intelligenz entwickelt. Der erste Schritt ist nur ein Klick.