Wie Methoden des Fuzzy Name Matchings Versicherungskunden bei der Erhebung von Emissionsdaten im Portfolio der KFZ- und Gewerbeversicherungen helfen

Die Berechnung der Insurance-Associated Emissions stellt Versicherungsunternehmen vor Herausforderungen.

Für relevante Kundendaten müssen entsprechende Emissionsdaten erhoben werden - dies erfordert in der Regel Methoden des Fuzzy Name Matching, einem unscharfen Namensabgleich. Nicht zuletzt ist die Datenqualität entscheidend für eine effiziente Umsetzung.

Im Rahmen des Nachhaltigkeitsreporting ergeben sich für Versicherungsunternehmen aktuell Herausforderungen, versicherungsbedingte Emissionen, die sogenannten Insurance-Associated Emissions (IAE), zu erheben. Dazu hat die Partnership for Carbon Account Financials (PCAF) definiert, wie für die Bereiche KFZ- und Gewerbeversicherungen (Personal Motor und Commercial Lines Portfolio) die IAE‘s erhoben werden.

Insurance-associated emissions = ∑_i Attribution factor_i x Emissions_i

Die PCAF gibt überdies detaillierte Anleitungen, wie über einen Zurechnungsfaktor (Attribution Factor) der Anteil der Emissionen berechnet werden kann, der Versicherungsunternehmen zugerechnet werden kann. Zur Berechnung der IAE‘s muss in der Regel auf Datenquellen von Drittanbietern zugegriffen werden, die Emissionsdaten z.B. für Fahrzeuge (Personal Motor) bzw. Industriekunden (Commercial Lines) bereitstellen. Damit Emissionsdaten für die jeweiligen Kundendaten berechnet werden können, sind jedoch technische Herausforderungen bzgl. der Datenzuordnung zu berücksichtigen:

• Kundendaten können nur limitiert über allgemeine IDs Daten aus externen Datenquellen zugeordnet werden
• In der Regel ist ein unscharfer Namensabgleich, ein sogenanntes Fuzzy Name Matching, nötig, um Kundendaten auf Basis von Namens- und Adressinformationen den benötigten externen Datenquellen zuzuordnen

Damit eine Berechnung der IAEs effizient gelingt, ist nicht zuletzt die Datenqualität der zugrundeliegenden Kundendaten entscheidend. Erfahrungswerte aus dem jahrelangen Fuzzy Name Matching im Compliance Umfeld (z.B. der Geldwäschebekämpfung und Sanktionsprüfungen) haben gezeigt, dass u.a. die nachfolgenden bekannten Stolpersteine immer wieder auftreten:

• Gesellschaftsformen (GmbH, AG, Ltd., S.p. Z.o.o. …)
• Bekannte Abkürzungen (First – 1st; Investment – Invest; …)
• Tippfehler (Emission – Emission; …)
• Wort Reihenfolgen (Scholz, Olaf vs. Olaf Scholz)
• Sogenannte Common Words (und, and, &, al, el, …)
• Transliteration (Wang Yi, chinesisch 王毅)
• Dubletten im Kundenbestand (gleicher Kunde mehrfach angelegt)

Um diese bekannten Stolpersteine zu lösen, können die nachfolgenden Lösungsmöglichkeiten eingesetzt werden:

• Datenqualitäts-Analysen (Identifizierung von Dubletten, fehlenden Stammdateninformationen etc.) sowie Behebung von offensichtlichen Mängeln
• Einsatz von geeigneten Fuzzy Algorithmen (Damerau-Levenshtein, Jaro-Winkler etc.)
• Festlegung von Grenzwerten für Namensähnlichkeiten basierend auf der Datenqualität
• Diskussion zum Einsatz von AI gestützten Erstentscheidungen
• Review der Erstentscheidungen und Qualitätssicherungen durch Experten
• Recherchen zur Identifizierung der korrekten Kunden (UBO Identifizierung) im Fall von mangelnder Datenqualität

Wenn Sie mehr über unsere Dienstleistungen zum Thema Insurance-Associated Emissions und Methoden sowie Tools des Fuzzy Name Matchings erfahren möchten, wenden Sie sich an unsere PwC Expert:innen.