Kosteneffizienz durch
Datenanalyse und KI für
Restwertbörsen
Kosten-
effizienz durch
Datenanalyse und KI für
Restwert-
börsen
Case Study
herunterladen
Laden Sie unsere kostenlose Case Study herunter und erhalten Sie wertvolle Erkenntnisse direkt in Ihre Hand. Perfekt zum Speichern, Teilen und Ausdrucken. Einfach Kontaktdaten eingeben und sofortigen Zugriff sichern!
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, eine Kfz-Sachverständigen Organisation, 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.
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.
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 unser Kunde 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.
