Wie Data Science die Versicherungstelematik antreibt

Einleitung

In dieser Folge des Dolphin Technologies Podcast spricht Harald mit Katharina, Chief Data Scientist bei Dolphin Technologies, darüber, wie Data Science, Machine Learning und KI die Kernfunktionen der Versicherungstelematik antreiben. Von der Erkennung riskanten Fahrverhaltens bis zur Vorhersage von Unfällen, bevor sie passieren – die Diskussion bietet einen tiefen Einblick, wie Rohdaten in verwertbare Erkenntnisse für bessere Entscheidungen umgewandelt werden.

Die Rolle von Data Science in der Telematik

Data Science spielt eine zentrale Rolle bei der Umwandlung von Smartphone-Sensordaten in aussagekräftige Ergebnisse, die sowohl Versicherer als auch Endnutzer unterstützen. Im Kern ermöglicht Data Science:

• Genaue Fahrtklassifizierung (z.B. Erkennung des Transportmittels)
• Echtzeitverarbeitung auf dem Gerät für Datenschutz und Effizienz
• Verwertbare Interpretation von Bewegungsmustern
• Integration von KI zur Automatisierung von Erkenntnissen und Entscheidungsfindung

Methodenkombination: Heuristiken und Machine Learning

Anstatt sich auf eine Methode zu verlassen, nutzt Dolphin einen hybriden Ansatz:

• Heuristiken: Regelbasierte Logik wie „Busse halten häufiger“, um Transportmittel schnell zu klassifizieren.
• Machine Learning: Identifiziert komplexe Muster in verrauschten Daten, wie z.B. die Erkennung, ob jemand beim Fahren das Telefon benutzt.
• Überwachtes und unüberwachtes Lernen: Überwachte Modelle lernen aus gelabelten Beispielen; unüberwachte Modelle identifizieren Benutzersegmente oder Verhaltensweisen ohne Labels.

Erkennung riskanten Fahrverhaltens

Einer der wichtigsten Anwendungsfälle ist das Verständnis, wie – und wie sicher – jemand fährt. Dazu gehört:

• Erkennung der Smartphone-Nutzung während Fahrten (Anrufe, Texten, Scrollen)
• Klassifizierung der Telefoninteraktion mittels Gyroskop- und Beschleunigungsmesserdaten
• Training von Modellen auf großen gelabelten Datensätzen
• Sicherstellung effizienter Datennutzung durch lokale Verarbeitung auf dem Gerät

Unfallerkennung mit AID (Automatic Impact Detection)

Dolphins Unfallerkennungssystem lauscht auf spezifische Beschleunigungsmuster, um Fahrzeugaufpralle zu identifizieren. Hauptmerkmale:

• Echtzeitanalyse von Beschleunigungsmesserdaten
• Erkennung unfallspezifischer Bewegungssignaturen
• Modelltraining mit Unfall- und Nicht-Unfall-Daten zur Reduzierung von Fehlalarmen

Prädiktive Modellierung zur Unfallprävention

Über die Erkennung hinaus hilft prädiktive Modellierung, zukünftige Risiken vorherzusagen. Data Science unterstützt:

• Vorhersage unfallgefährdeter Szenarien basierend auf Verhalten und Standort
• Versand personalisierter Warnungen (z.B. Wetterwarnungen)
• Nutzung von Verhaltensdaten zur proaktiven Vermeidung von Vorfällen

KI und generative Fähigkeiten

KI verbessert Kommunikation und Automatisierung:

• Generative KI schreibt kontextbezogene Nachrichten (z.B. Wetterwarnungen)
• Prädiktive Analytik bestimmt den optimalen Zeitpunkt für Engagement
• Mehrsprachige und tonangepasste Inhaltsauslieferung

Zusammenfassung

Data Science und KI sind nicht nur Backend-Tools – sie sind essenziell für die Bereitstellung sichererer, intelligenterer und personalisierterer Telematikdienste. Durch die Kombination von Heuristiken, Machine Learning und prädiktiven Modellen bietet Dolphin Technologies:

• Verbesserte Fahrtanalyse und Verhaltensbewertung
• Echtzeit-Unfallerkennung
• Risikoprävention durch intelligente Vorhersagen

Versicherungstelematik entwickelt sich dank datengetriebener Technologien von reaktivem Scoring zu proaktivem Risikomanagement.

Möchten Sie mehr erfahren? Abonnieren Sie den Dolphin Technologies Podcast für Expertendiskussionen über smarte Mobilität, Telematik und digitale Innovation in der Versicherung.

---

Vollständiges Transkript der Folge

Harald
Hallo und willkommen. Hier ist diesmal Harald auf dieser Seite des Tisches und nicht Yasmin, denn wir haben heute einen ganz besonderen Gast. Willkommen Katharina.

Katharina
Danke für die Einladung.

Harald
Wir haben gerade besprochen, dass das tatsächlich dein erster Auftritt in einem Podcast ist und somit deine erste Erfahrung als Podcast-Gast. Und soweit ich sagen kann, machst du einen großartigen Job.

Katharina
Woohoo! Ja. Schön zu hören.

Harald
Also, Katharina ist unsere Chief Data Scientist, und heute wollen wir darüber sprechen, wie wir Data Science in der Versicherungstelematik einsetzen. Und wir haben Katharina, die uns erzählt, wie wir das machen.

Katharina, wir haben unsere wöchentlichen Calls und du begeisterst mich immer mit deinem Wissen in Data Science. Wir unterrichten auch zusammen an der Universität Data Science, was seltsam ist, weil ich kein Data Scientist bin, aber ich mache den Business-Teil und du den technischen. Also, ich denke, das Wichtigste, was man heutzutage lernen sollte, ist: Was ist der Unterschied zwischen Data Science, Machine-Learning-Modellen und KI?

Katharina
Nun, das ist eine gute Frage. Beginnen wir kurz mit einem Überblick über Data Science.

Data Science ist im Grunde, wie wir Daten in Verständnis und klügere Entscheidungen verwandeln. Ich stelle es mir als eine Werkzeugkiste mit spezialisierten Instrumenten vor, die einem durch den Datenprozess helfen. Sie unterstützt beim Sammeln relevanter Daten, beim Erstellen aussagekräftiger Analysen, Visualisierungen, Berichte und Interpretationen, damit man kluge datengetriebene Entscheidungen treffen kann.

KI ist ebenfalls eine Sammlung von Tools und Algorithmen, aber sie unterstützen Maschinen dabei, die Entscheidungsfindung für uns zu übernehmen. Das Ziel ist, dass die Maschine menschenähnliche Entscheidungsfindung nachahmen kann.

Harald
Das ist großartig. In einer früheren Folge haben wir über Künstliche Intelligenz gesprochen und wie wir sie in der Versicherungstelematik einsetzen. Heute möchte ich besprechen, wie wir Data Science, Machine Learning und andere Methoden in der Versicherungstelematik nutzen.

Katharina
Lass mich das beantworten, indem ich dir konkrete Beispiele unserer Dienste gebe, denn unsere gesamte SDK-Umgebung basiert auf Data Science.

Harald
SDK ist unser Software Development Kit. Das ist die Telematik-Grundlage, über die du sprichst.

Katharina
Ja, genau. Und wir setzen Data Science und KI-Tools im gesamten Prozess ein. Es beginnt auf dem Gerät selbst, wie wir die Daten verarbeiten und sammeln, und endet damit, wie wir sie interpretieren.

Eine sehr wichtige Interpretationsschicht ist die Fahrtklassifizierung, bei der wir versuchen zu verstehen, welches Transportmittel du nutzt. Wenn wir Bewegung erkennen, ist nicht sofort klar, wie du dich bewegst.

Harald
Wenn du sagst, wie ich mich bewege, meinst du, ob ich ein Auto, öffentliche Verkehrsmittel, einen Zug, eine Straßenbahn, einen Bus oder was auch immer nutze.

Katharina
Genau. Oder ob du gehst oder Fahrrad fährst. Es gibt verschiedene Komplexitätsebenen, um das zu beantworten. Wir machen das hauptsächlich über Smartphone-basierte Sensoren: GPS, Geschwindigkeit, Beschleunigungsmesser, Gyroskop.

Besonders die Unterscheidung zwischen Auto und Bus ist am komplexesten. Busse halten beispielsweise normalerweise in festen Intervallen, während ein Auto das nicht tut. Wir nutzen diese Art von Domänenwissen, um die Daten zu interpretieren.

Harald
Was du also sagst, ist, dass wir verschiedene Data-Science-Methoden kombinieren: Machine Learning, um aus Mustern zu lernen, und Heuristiken oder regelbasierte Methoden wie „Busse halten häufiger“.

Katharina
Genau. Es geht um Komplexität und Systemeffizienz. Wir werfen nicht alle Daten in Algorithmen. Wir suchen nach starken Signalen. Wenn ein Signal stark ist, können wir eine Heuristik bauen. Für nuancierte Muster nutzen wir Machine Learning.

Harald
Wir haben jetzt über die Erkennung des Transportmittels gesprochen, was essenziell ist, denn wenn wir Fahrverhalten bewerten wollen, müssen wir wissen, ob es ein rücksichtsloser Busfahrer oder du selbst bist. Wo setzen wir Machine Learning und Data Science noch in unseren Prozessen ein?

Katharina
Riskantes Fahren und Fahrverhaltensbewertung sind der Schlüssel. Ein wichtiger Aspekt ist die Interaktion mit dem Smartphone während der Fahrt.

Harald
Also abgelenktes Fahren.

Katharina
Genau. Telefonanrufe sind leicht zu erkennen – das Betriebssystem sagt es uns. Aber Texten, Lesen, Scrollen – besonders auf iOS – ist schwieriger.

Wir haben einen Machine-Learning-Klassifikator gebaut, um zu verstehen, ob das Gerät während einer Fahrt benutzt wird, und nutzen dafür Beschleunigungsmesser- und Gyroskop-Daten. Wir können bestimmen, ob das Telefon untätig ist, sich zufällig bewegt oder kognitiv/manuell genutzt wird.

Harald
Wir samplen also mit 20 bis 100 Hz – wirklich viele Daten –, um ein Modell zu trainieren, das bestimmt, ob das Telefon untätig ist, in Bewegung ist oder interagiert wird.

Katharina
Ja. Dateneffizienz ist der Schlüssel. Obwohl das Sampling hoch ist, verarbeiten wir auf dem Gerät und senden keine Rohdaten. Wichtige Intelligenz findet bereits auf dem Gerät statt.

Harald
Auf unserem Backend erhalten wir etwa einen Datenpunkt pro Sekunde. Auf dem Gerät ist es viel höher, aber wir übertragen nur aussagekräftige Ergebnisse.

Katharina
Genau.

Harald
Ein anderes Thema ist die Unfallerkennung. Wir nennen es AID, Automatic Impact Detection. Kurz angerissen, da wir später eine komplette Folge dazu machen.

Katharina
AID ist lebenswichtig. Wenn man in einen Unfall verwickelt ist, sollte die Rettungskette sofort starten. Wir lauschen auf niedrigstufige Signale vom Beschleunigungsmesser des Smartphones.

Harald
Was macht ein Beschleunigungsmesser? Für nicht-technische Zuhörer.

Katharina
Er hilft uns, die Richtungsbewegung des Smartphones zu verstehen. Bei einem Unfall würde man eine Spitzenbeschleunigung sehen, gefolgt von einem Abfall. Das ist unsere Unfallvorlage.

Harald
Wie wenn man sein Telefon vom Hochformat ins Querformat dreht. Wir nutzen die gleichen Sensoren, um Aufpralle zu erkennen.

Katharina
Ja. Wir haben gelabelte Unfalldaten und Nicht-Unfall-Proben, um unser Modell zur Aufprallerkennung zu trainieren.

Harald
Gut. Also in einfachen Worten: Was ist Machine Learning? Wie lernen Maschinen?

Katharina
Machine Learning ist eine Sammlung von Algorithmen, die aus historischen Daten lernen, um zukünftige Ergebnisse vorherzusagen.

Bei gelabelten Daten (überwachtes Lernen) sagen wir der Maschine: Das ist Klasse A oder B.

Harald
Also bei der Smartphone-Nutzung sagen wir dem Modell: Diese Bewegung war ein Telefonaufnehmen, das war Nutzung. Das Modell lernt aus Tausenden von Proben.

Katharina
Genau. Das ist überwachtes Lernen. Aber gelabelte Daten sind teuer.

Unüberwachtes Lernen behandelt Fälle ohne gelabelte Daten mittels Techniken wie Clustering.

Harald
Also keine menschliche Labelung, aber wir können Benutzer basierend auf Verhaltensmustern clustern und bestimmte Risikoprofile annehmen.

Katharina
Ja, basierend auf Daten und Domänenwissen.

Harald
Also drei Methoden:

Überwachtes Lernen (menschlich gelabelt),

Unüberwachtes (clusterbasiert),

Heuristiken (fest kodierte Regeln).

Wie: Wenn ein Auto nach einer Minute weiterfährt, ist wahrscheinlich kein Unfall passiert.

Katharina
Genau.

Harald
Wo werden wir Data Science und Machine Learning in Zukunft in der Telematik einsetzen?

Katharina
Prädiktive Modellierung. Risiken vorhersehen. Zum Beispiel verstehen, wann und wo du sein wirst, um Wetterwarnungen zu senden. Besser vorbeugen als auf einen Unfall reagieren.

Harald
Richtig. Menschen haben stabile Orte – Zuhause, Arbeit, Geschäfte, Fitnessstudio usw. – also nutzen wir vergangenes Verhalten, um zukünftiges Verhalten vorherzusagen.

Katharina
Da stimme ich zu 100 Prozent zu.

Harald
Wir nutzen auch generative KI für die Inhaltserstellung – wie personalisierte Wetterwarnungen. Du lieferst die Data Science, wir bauen auf meteorologischen Daten auf und nutzen generative KI, um Nachrichten in deiner Sprache und deinem Tonfall zu schreiben.

Katharina
Genau.

Harald
Zusammenfassend hilft uns Data Science, Rohdaten in aussagekräftige Informationen zu verwandeln.

Katharina
Und unterstützt uns dabei, bessere Entscheidungen zu treffen.

Harald
Wir unterscheiden Data Science als die menschenunterstützende Analytik und KI als die maschinenunterstützende Automatisierung. Du hast es so formuliert: Data Science hilft Menschen bei der Arbeit, KI hilft Maschinen, es für uns zu tun.

Katharina
Genau.

Harald
Unter der Haube treibt KI große Sprachmodelle wie ChatGPT an. Wir wollen Risiken vorhersagen und Menschen helfen, Unfälle zu vermeiden – Prävention statt Reaktion.

Katharina, es war mir ein Vergnügen. Danke, dass du hier warst. Und danke an unsere Zuhörer und Zuschauer. Bitte abonniert und schaut in die Beschreibung unten für mehr.