Blog – mexxon https://mexxon.com shaping a data driven future Mon, 17 Aug 2026 09:56:11 +0000 de hourly 1 https://wordpress.org/?v=7.1.1 https://mexxon.com/wp-content/uploads/2025/06/Favicon-der-Website-150x150.png Blog – mexxon https://mexxon.com 32 32 Das Polanyi-Paradoxon: Was KI bis heute nicht versteht https://mexxon.com/das-polanyi-paradoxon-was-ki-bis-heute-nicht-versteht/ Tue, 16 Jun 2026 07:30:20 +0000 https://mexxon.com/?p=4992

Warum KI gleichzeitig genial und erstaunlich ahnungslos wirkt 

Heutige KI-Systeme wirken oft gleichzeitig beeindruckend intelligent und seltsam orientierungslos. Eine KI kann jedes Lehrbuch über empathische Führung lesen, sie wird aber trotzdem nicht merken, dass ein Gespräch gekippt ist, bevor das jemand explizt ausgesprochen hat. An dieser Stelle beginnt das sogenannte Polanyi-Paradoxon. 

„We know more than we can tell“ 

Der ungarisch-britische Philosoph Michael Polanyi (1891-1976) formulierte den Satz: „Wir wissen mehr, als wir zu sagen wissen.“  

Menschen verfügen oft über ein Wissen, das selten bewusst abrufbar ist. Man hört am Klang eines „Alles gut“, dass eben nicht alles gut ist. Das Wissen sitzt irgendwo tiefer, verankert im Körper und gewachsen aus Erfahrungsschichten, die sich über Jahre übereinandergelegt haben. 

Denn das Polanyi-Paradoxon stellt genau die Annahme infrage, auf der ein großer Teil der KI-Forschung lange beruhte: dass Intelligenz letztlich vollständig in Sprache, Regeln und Daten übersetzbar sei. 

Je länger man sich mit künstlicher Intelligenz beschäftigt, desto mehr wirkt das Paradoxon wie ein kleiner Haarriss in einer Hochglanzfassade aus Silicon-Valley-Erlösungsfantasien, weil moderne KI-Systeme stellenweise so überzeugend wirken, dass man leicht vergisst, wie viel menschliches Wissen still, implizit und körperlich eingebettet bleibt. 

Die Maschine als logisches Regelwerk 

Die frühe KI-Forschung glaubte, Intelligenz ließe sich sauber zerlegen wie ein Uhrwerk. Regeln hinein, Logik hinein, genug Rechenleistung dazu, irgendwann müsste Bewusstsein oder zumindest menschenähnliches Denken schon herausfallen. Die ersten Systeme arbeiteten deshalb mit Symbolen, Entscheidungsbäumen und formalen Regeln.  

Das Moravec-Paradoxon: Die komplizierte Einfachheit des Alltags 

Doch etwas ging an dieser Vorstellung nicht ganz auf. Computer konnten Schachgroßmeister schlagen, verzweifelten gleichzeitig aber an Aufgaben, die Menschen mühelos beherrschen. Daraus entstand wiederum das Moravec-Paradoxon, benannt nach dem Robotikforscher Hans Moravec (*1948). Abstrakte Kognition ist für Maschinen vergleichsweise leicht zugänglich, Alltagsintelligenz, die auch Flexibilität erfordert, hingegen kaum. Ein Computer schlägt Schachgroßmeister, während ein Roboter Schwierigkeiten hat, Schnürsenkel zu binden. 

Erst mit Deep Learning änderte sich die Richtung der KI-Forschung radikal. Systeme konnten Sprache übersetzen, programmieren, Stimmen imitieren oder medizinische Auffälligkeiten erkennen. Viele sahen darin bereits den Anfang einer Superintelligenz. Aber das ist ein Denkfehler. 

Mustererkennung ist noch kein Verstehen 

Denn auch moderne KI versteht die Welt nicht so, wie Menschen sie verstehen. Sie erkennt Muster. Sehr komplexe Muster, sehr effizient, oft erschreckend überzeugend. Trotzdem bleibt ein Unterschied zwischen statistischer Kohärenz und Bedeutung. Eine KI kennt das Wort „Vertrauen“, aber sie hat nie erlebt, wie ein Gespräch kippt, obwohl grammatikalisch alles korrekt war. Sie verarbeitet Tokens, Wahrscheinlichkeiten und Zusammenhänge in Datenräumen. Menschen bewegen sich durch soziale Situationen eher wie durch vertraute Räume, in denen man auch im Halbdunkel noch weiß, welche Stufe knarzt. 

Denken entsteht nicht nur im Kopf 

Die moderne Kognitionswissenschaft beschreibt dieses Prinzip oft mit dem Begriff „Embodied Cognition“. Denken entsteht nicht isoliert im Gehirn wie Software auf einem Server. Es entsteht durch Körperlichkeit, soziale Erfahrung, kulturelle Prägung, Emotionen und Umwelt. Intelligenz sitzt nicht irgendwo abstrakt im Kopf wie eine Excel-Datei mit Bewusstsein, sondern wächst aus Interaktion. 

Die Vorstellung einer vollständig menschenähnlichen „Super-KI“ basiert häufig auf der Annahme, dass Intelligenz letztlich nur ausreichend komplexe Informationsverarbeitung sei. Mehr Daten, mehr Rechenleistung, größere Modelle, irgendwann müsse daraus automatisch allgemeines Verstehen entstehen. 

Das Polanyi-Paradoxon kratzt genau an dieser Annahme. 

Bewusstsein ist der blinde Fleck jeder KI-Debatte  

Wenn Menschen schon nicht in der Lage sind, ihr gesamtes Denken und Handeln in Sprache zu übersetzen, fehlt der KI genau dieses Material zum Lernen und damit die Grundlage, den Menschen jemals vollständig einzuholen. Maschinen könnten menschliches Verhalten immer präziser simulieren, ohne jemals dieselbe Form von subjektivem Verstehen, von Bewusstsein, zu besitzen.  

Simulation ist noch keine Erfahrung 

Zwar müssen KI-Systeme kein Bewusstsein besitzen, um enorme gesellschaftliche Macht zu entfalten. KI verändert bereits Arbeitsmärkte, Entscheidungsprozesse, Wissenschaft, Verwaltung, Finanzsysteme und militärische Strategien.  

Trotzdem bleibt ein Unterschied bestehen zwischen dem präzisen Simulieren menschlichen Verhaltens und dem tatsächlichen Erleben der Welt. Genau darauf verweist das Polanyi-Paradoxon: auf die Möglichkeit, dass Intelligenz tief in Körperlichkeit, Erfahrung und implizitem Wissen verwurzelt ist. 

Der Abstand zwischen maschineller Mustererkennung und menschlichem Verstehen ist  nicht unbedingt groß sichtbar im Alltag, aber fundamental in seiner Struktur. 

Dass dieser Gedanke eher beruhigend wirkt als enttäuschend, hat vermutlich auch damit zu tun, dass er den Menschen nicht kleiner macht als die Maschine, sondern menschliche Erfahrung komplexer, widersprüchlicher und schwerer berechenbar, als es viele Technologievisionen derzeit erzählen. 

]]> Wenn Daten zu spät kommen: Der stille Fehler im Bestand https://mexxon.com/wenn-daten-zu-spaet-kommen-der-stille-fehler-im-bestand/ Tue, 07 Apr 2026 09:21:26 +0000 https://mexxon.com/?p=4502

Wenn Systeme weiterlaufen, obwohl nichts mehr läuft

Es ist ein sensibles Thema. Und es bleibt eines, egal wie sauber man es technisch beschreibt. Sterbefälle sind keine „normalen“ Datenpunkte. Dennoch müssen Systeme sie genau so behandeln.

Es sind oft die stillen Prozesse, die den größten Schaden anrichten.

Ein Versicherter stirbt.
Und im System passiert: nichts.

Beiträge werden weiter eingezogen, Services werden angestoßen, Briefe verschickt.

Das passiert nicht aus Fahrlässigkeit, sondern weil ein Ereignis, das außerhalb der Systeme stattfindet, im Inneren nicht ankommt.

Was auf den ersten Blick wie ein Randproblem wirkt, entpuppt sich bei genauerem Hinsehen als strukturelle Schwäche. Eine, die tief in den gewachsenen Strukturen vieler Versicherer verankert ist. Es handelt sich hierbei nicht einfach nur um einen einzelnen Prozessfehler. Kern des Problems ist grundsätzlicherer Natur: Wie gehen Organisationen mit Daten um, die eigentlich offensichtlich sein sollten?

Das Problem: Daten, die nicht fließen

Das Paradoxe daran ist, dass in vielen Versicherungen die relevanten Informationen schon längst existieren. Sie liegen in verschiedenen Sparten, Systemen oder externen Quellen vor. Und trotzdem entsteht eine Lücke.

Zwischen Lebens- und Krankenversicherung. Zwischen Ereignis und Verarbeitung. Zwischen Realität und System.

Der fehlende Sterbefall-Abgleich ist dafür ein prägnantes Beispiel. Ohne systematische Verbindung werden Todesfälle oft verspätet erkannt, manchmal erst nach Monaten.

Die Folgen sind konkret:

  • weiterlaufende Beiträge, deren Rückabwicklung geregelt werden muss
  • unnötige Services
  • aufwendige manuelle Korrekturen
  • bei Hinterbliebenen kann ein schlechter Eindruck entstehen

Was hier sichtbar wird, ist kein Einzelfall, sondern ein Muster: Daten sind vorhanden, aber sie bewegen sich nicht dorthin, wo sie gebraucht werden.

Warum viele Datenstrategien hier scheitern

Die Gründe dafür sind selten technischer Natur, sondern liegen tiefer in der Struktur der Organisation.

1. Spartentrennung statt Datenfluss
Versicherungen sind historisch entlang von Produkten organisiert. Leben, Kranken, Komposit – jede Sparte folgt ihrer eigenen Logik. Daten enden oft genau dort, wo sie beginnen.

2. Missverstandene Data Governance
Datenschutz wird häufig als Blockade interpretiert und macht aus dem Informationsfluss einen Staudamm. „Das dürfen wir nicht teilen“ ersetzt eine differenzierte Auseinandersetzung mit dem, was tatsächlich erlaubt (und sinnvoll) wäre. Es ist gar kein maximaler Datenaustausch erforderlich, sondern ein minimaler, zielgerichteter Informationsfluss.

3. Fehlende Event-Logik in der Datenplattform
Viele Datenplattformen sind auf Speicherung ausgelegt, nicht auf Ereignisse. Sie dokumentieren Zustände, reagieren aber nicht auf Veränderungen.

Ein Sterbefall ist kein Datensatz. Er ist ein Ereignis. Und genau dafür fehlen oft die Strukturen.

4. Datenqualität ohne Kontext
Selbst wenn Daten vorhanden sind, fehlt häufig immer noch die Verknüpfung. Ohne eindeutige Identifikatoren, ohne Matching-Logik, ohne klare Qualitätskennzahlen bleibt unklar, welche Information verlässlich ist. Bedeutet: Unsicherheit und damit oft Stillstand.

Wie datengetriebene Versicherer anders denken

Organisationen, die Daten wirklich nutzen, folgen einer anderen Logik beginnend bei der Wirkung. Ein zentrales Prinzip dabei ist die Event-basierte Datenarchitektur.

Statt Daten nur zu sammeln, werden relevante Ereignisse früh erkannt, strukturiert verarbeitet und gezielt verteilt.
Ein Sterbefall wird so zu einem standardisierten Event mit klar definierten Attributen – reduziert auf das Notwendige, aber sofort nutzbar.

Was trivial klingt, verändert die Organisation fundamental:

  • Prozesse reagieren automatisch statt manuell
  • Daten werden dort verfügbar, wo Entscheidungen getroffen werden
  • Auditierbarkeit entsteht nicht nachträglich, sondern systemisch

Der Effekt ist messbar.
In einer Vorstudie, die wir für einen Kunden gemacht haben, zeigte sich: Eine systematische Früherkennung kann manuelle Aufwände um bis zu 80 Prozent reduzieren und Sterbefälle mehrere Monate früher sichtbar machen.

Doch der eigentliche Gewinn liegt woanders und zwar in der Qualität der Interaktion. Denn im Moment des Todes entscheidet sich nicht nur ein Prozess, sondern eine Beziehung.

Zwischen Empathie und Effizienz: Der unterschätzte Faktor

Versicherungen sprechen viel über Kundenzentrierung. Selten zeigt sich, wie ernst es ihnen damit ist. Der Umgang mit Hinterbliebenen ist einer der sensibelsten Kontaktpunkte überhaupt. Und gleichzeitig einer der am stärksten datengetriebenen.

Wenn Systeme weiterlaufen, obwohl sie längst stoppen müssten, entsteht ein emotionaler Bruch. Vertrauen geht meistens gar nicht durch einen großen Fehler verloren, sondern eher durch viele kleine, die vermeidbar gewesen wären. Datenstrategie wird hier zur Frage von Haltung.

Die Rolle von Datenpartnern und strategischer Beratung

Die wenigsten Organisationen lösen solche Themen allein. Nicht, weil ihnen Technologie fehlt, sondern weil es an einem verbindenden Blick fehlt zwischen Fachlichkeit und IT, Governance und Umsetzung sowie zwischen regulatorischem Rahmen und operativer Realität.

Hier entsteht der Raum für spezialisierte Partner. Wir von mexxon arbeiten in solchen Kontexten an der Schnittstelle dieser Ebenen: mit Datenarchitekturen, die Ereignisse abbilden können, mit klarer Data Governance und mit Plattformansätzen, die über einzelne Use Cases hinaus skalieren.

Ein Beispiel dafür ist die Entwicklung eventbasierter Datenpipelines oder die Integration solcher Logiken in bestehende Datenplattformen wie mexxon kidaton.

Ein größerer Zusammenhang: Daten, die handeln

Der Sterbefall ist nur ein Beispiel. Aber ein besonders eindrückliches, weil er zeigt, was passiert, wenn Daten zu spät kommen. Doch die gleiche Logik gilt für viele andere Bereiche:

  • Gebäuderisiken, die erst nach dem Schaden sichtbar werden
  • Kundenverhalten, das erst nach Kündigung analysiert wird
  • regulatorische Anforderungen, die erst bei der Prüfung greifen

In all diesen Fällen fehlt nicht die Information, sondern der Moment, in dem sie wirksam wird.

Datenstrategie bedeutet deshalb nicht, mehr Daten zu sammeln, sondern sie in Bewegung und Beziehung zueinander zu bringen.

]]> Wenn Schäden kein Zufall sind: Wie Daten die Schadensquote verändern https://mexxon.com/wenn-schaeden-kein-zufall-sind-wie-daten-die-schadensquote-veraendern/ Tue, 07 Apr 2026 09:15:42 +0000 https://mexxon.com/?p=4498

Schadensquote senken: Wie Versicherer Risikomuster erkennen

Wenn Schadensquoten steigen, beginnen viele Diskussionen mit denselben Erklärungen: Wetter, Markt oder doch die Inflation?

Manchmal stimmt das sogar. Aber oft steckt mehr als eine Verkettung unglücklicher Ereignisse dahinter.

Denn wenn man Versicherungsdaten über längere Zeiträume betrachtet, zeigt sich, dass Schäden zwar Zufallsereignisse sind, ihre Verteilung im Portfolio aber häufig klaren Mustern folgt. Nur sind diese Muster im operativen Alltag häufig kaum sichtbar.

Rohrbruch, Hochwasser, Hitze. Daten können Naturereignisse natürlich nicht verhindern. Aber sie können sichtbar machen, wo Risiken systematisch unterschätzt werden.

 

Das eigentliche Problem: Daten sind da, aber ihre Logik bleibt verborgen

Versicherer verfügen heute über enorme Datenmengen: Objektinformationen, Schadenhistorien, Vertragsdaten, Regionen, Baujahre, Deckungsbausteine, Selbstbehalte.

Doch diese Daten liegen meist verteilt über unterschiedliche Systeme. Einzelne Informationen sind vorhanden, aber die Zusammenhänge bleiben unscharf.

Dabei können blinde Flecken entstehen.

Wichtig ist zu erkennen, welche Risikotreiber dahinter stecken.

In der Praxis zeigt sich häufig, dass bestimmte Kombinationen aus Objektmerkmalen, Regionen, Baualtersklassen oder Deckungsstrukturen systematisch höhere Schadenrisiken erzeugen.

Doch ohne strukturierte Datenanalyse bleiben diese Muster oft unsichtbar.

Risikotreiber verstehen: Der Schlüssel zur Steuerung

Wenn Versicherer beginnen, Schadenverläufe datengetrieben zu analysieren, verändert sich die Perspektive. Plötzlich werden Zusammenhänge sichtbar:

Bestimmte Baualtersklassen zeigen überdurchschnittliche Schäden.

Einzelne Regionen entwickeln auffällige Schadenmuster.

Bestimmte Deckungsbausteine oder Selbstbehaltsstrukturen führen zu systematisch höheren Schadenkosten.

Was vorher wie zufällige Ereignisse wirkte, lässt sich plötzlich erklären und noch wichtiger: steuern.

Typische Hebel entstehen dann an ganz unterschiedlichen Stellen:

  • Zeichnungsrichtlinien
  • Tarifierung und Segmentierung
  • Präventionsmaßnahmen
  • Portfolio-Steuerung
  • Frühwarnsysteme für auffällige Entwicklungen

Das Entscheidende dabei: Es geht nicht darum, Risiken pauschal zu reduzieren.

Sondern darum, Risiken differenziert zu verstehen.

Warum viele Versicherer hier trotzdem nicht vorankommen

Der Engpass liegt selten in der Analysefähigkeit, sondern findet sich schon eine Stufe früher bei den Daten selbst.

In vielen Organisationen zeigt sich dabei ein ähnliches Bild: Objektdaten sind unvollständig, es fehlen Gebäudeattribute, Standortinformationen sind manchmal nur grob vorhanden und Schadeninformationen lassen sich nicht sauber mit Vertragsdaten verknüpfen.

Dadurch entstehen Analysegrenzen, lange bevor statistische Modelle überhaupt beginnen. Insbesondere im Bereich von Gebäude- und Objektrisiken spielt deshalb die Qualität der Daten eine zentrale Rolle. Externe Referenzdaten, Geo-Informationen oder strukturierte Gebäudedaten können interne Bestände erheblich aufwerten und eine präzisere Risikoanalyse ermöglichen.

Im Rahmen des Sustainable Data Hub haben wir in einer Vorstudie im Wohngebäudebereich untersucht, welche Gebäudedaten tatsächlich verfügbar sind und wie sie sich mit Geo- und Umweltdaten verbinden lassen.
Ergebnis war eine Bewertungsstruktur, die Risiken im Portfolio deutlich differenzierter sichtbar macht.

Wie datengetriebene Versicherer arbeiten

Versicherer, die hier erfolgreich sind, denken Schadenanalyse nicht als einmaliges Projekt, sondern als kontinuierlichen Prozess. Sie bauen Datenplattformen, die verschiedene Datenquellen zusammenführen (Bestandsdaten, Schadendaten, Objektinformationen, Geo- und Umweltdaten, externe Referenzdaten).

Auf dieser Grundlage entstehen Analysemodelle, die Risikomuster frühzeitig erkennen. So wird aus der Schadenanalyse ein Steuerungsinstrument für das gesamte Portfolio.

Die Rolle externer Datenpartner

Viele Versicherer stehen heute vor einer ähnlichen Herausforderung: Die eigenen Daten reichen für eine belastbare Risikoanalyse nicht aus. Gerade bei Gebäude- und Standortinformationen lassen sich interne Bestände häufig durch externe Datenquellen erheblich verbessern.

Primärquellen, Registerdaten oder Geo-Informationen können zusätzliche Objektattribute liefern, Risiken präziser bewerten und Segmentierungen schärfen.

Hier entstehen neue Formen der Zusammenarbeit zwischen Versicherern und datengetriebenen Spezialisten. Wir unterstützen Versicherer dabei, bestehende Datenbestände zu analysieren, externe Quellen zu integrieren und daraus datenbasierte Steuerungsmodelle zu entwickeln.

Eine neue Perspektive auf Schäden

Die entscheidende Erkenntnis datenbasierter Portfolioanalysen ist eigentlich eine sehr einfache:
Schäden selbst sind Zufallsereignisse, doch die Risikostruktur eines Portfolios ist es nicht.

Wer diese Muster erkennt, kann Schäden nicht nur besser erklären.

Sondern auch aktiv beeinflussen.

Und genau darin liegt eine der spannendsten Entwicklungen der Versicherungsbranche:

Dass Daten beginnen, aus der Vergangenheit zu erzählen und gleichzeitig Entscheidungen für die Zukunft zu ermöglichen.

 

]]> KI im Testing: Warum Testautomatisierung ohne sauberes Testkonzept scheitert https://mexxon.com/ki-im-testing-warum-testautomatisierung-ohne-sauberes-testkonzept-scheitert/ Tue, 24 Mar 2026 11:15:04 +0000 https://mexxon.com/?p=4458 von Inci Güler, Data Quality Analyst, Technical Consulting

Wenn Automatisierung schneller kommt als das Testkonzept

Manchmal sind die Erwartungen an #KI im Testing größer als das Testkonzept selbst.

Gerade wenn Zeitdruck dazukommt und neue Tools schnelle Lösungen versprechen, entsteht schnell der Eindruck, dass Automatisierung Probleme lösen kann, die im Testprozess selbst noch gar nicht geklärt sind.

In einem Projekt habe ich genau das erlebt.

Aufgrund meines naturwissenschaftlichen Hintergrunds betrachte ich sehr schnelle Veränderungen in der Arbeitswelt – etwa die Integration von künstlicher Intelligenz in Testkonzepte – zunächst eher kritisch.

Der Begriff „künstliche Intelligenz“ suggeriert ein umfassendes Verständnis komplexer Systeme, obwohl die Modelle letztendlich auf kollektiven Mustern aus bereits vorhandenen Daten basieren, ohne dabei die Qualität der Daten zu unterscheiden.

Wo KI im Testing heute tatsächlich hilft

In meiner täglichen Arbeit als System- und Abnahmetesterin nutze ich selbstverständlich Tools mit KI-Funktionen oder entsprechende Erweiterungen. Gerade bei praktischen Aufgaben können sie sehr hilfreich sein, etwa wenn es darum geht, Tippfehler zu erkennen, Tickets sauber zu strukturieren oder fehlende Informationen in Testfällen sichtbar zu machen.

Auch Testing-Tools wie #JIRA und #XRAY haben sich in den letzten Jahren deutlich weiterentwickelt, insbesondere wenn es darum geht, eine nachvollziehbare Teststruktur aufzubauen und den gesamten Workflow von Anforderungen über Entwicklung und #Testing bis hin zur Produktion transparent abzubilden. Ein solcher Überblick hilft enorm, Zusammenhänge zu erkennen und Probleme schneller zu identifizieren.

Dennoch nehmen diese Tools den Testern nicht die Hauptverantwortung für die Erstellung verarbeitbarer Testfälle ab. Je nach Sicherheits- und Datenschutzanforderungen des Systems und der Tests spart die Erstellung von Tests mithilfe von KI-Tools wie #Claude den Testern jedoch viel Zeit.

Wenn KI im Testing falsch eingesetzt wird

Gleichzeitig habe ich in einem Projekt erlebt, wie schnell die Erwartungen an KI größer werden als das, was in der Praxis sinnvoll ist. Unter erheblichem Zeitdruck wurde beschlossen, für Tests, die noch nicht einmal als stabile Regressionstests definiert waren, eine Testautomatisierung umzusetzen.

Das Team versuchte dennoch, Prozesse mithilfe von KI-Modellen vorherzusagen und zu automatisieren.

Die Automatisierung wurde geliefert.

Drei Monate später wurde sie wieder abgeschaltet, weil die Ergebnisse zu unzuverlässig waren und wir letztlich zu manuellen Tests zurückkehren mussten.

Warum Testautomatisierung oft nicht an KI scheitert

Solche Erfahrungen zeigen für mich vor allem eines: KI kann im Testing sehr viel unterstützen, insbesondere bei Struktur, Dokumentation und Analyse. Es zeigt sich ein wiederkehrendes Muster: nicht die Technologie ist das Problem, sondern die fehlende Grundlage.

Testautomatisierung – mit oder ohne KI – funktioniert nur dann stabil, wenn:

  • Testfälle klar definiert sind
  • Prozesse konsistent ablaufen
  • Datenstrukturen belastbar sind

Fehlt diese Basis, verstärkt Automatisierung bestehende Schwächen, anstatt sie zu lösen.

KI im Testing braucht Struktur, nicht Erwartungen

Wirklich belastbare Ergebnisse entstehen aber erst dann, wenn diese Werkzeuge auf klar definierten Prozessen und der Erfahrung von Menschen aufbauen, die Systeme und Abläufe wirklich verstehen. Nur dann können wir der KI für eine funktionierende Testausführung vertrauen.

]]> Von Datenchaos zu Datenklarheit: Die Kraft der DataGovernance https://mexxon.com/von-datenchaos-zu-datenklarheit-die-kraft-der-datagovernance/ Mon, 28 Apr 2025 12:45:15 +0000 https://mexxon.com/?p=2359 Data Governance als Fundament für Vertrauen und Effizienz

Miriam Brückner* ist frustriert. Es ist ein Dienstagmorgen im April, und sie telefoniert bereits zum dritten Mal mit ihrer Krankenversicherung. Ihr Mann steht kurz vor einer wichtigen Operation, doch statt Unterstützung zu erhalten, bringt jeder Anruf neue Fragen und Widersprüche. 
Mal fehlt ein Formular, mal ist es angeblich falsch ausgefüllt. 

Heute sagt der Sachbearbeiter etwas anderes als die Kollegin von gestern. Miriam dokumentiert alles penibel, obwohl sie und ihr Mann als Privatversicherte eigentlich besseren Service erwartet hätten. 
Doch das Chaos bleibt bestehen, und am Ende fühlt sie sich allein gelassen – frustriert und unsicher.
Dabei liegt das Problem nicht bei den Mitarbeitenden des Versicherers. 

Die schwierige Kundenerfahrung ist vielmehr Folge einer mangelhaften Organisation und Nutzung von Daten. Sie waren wenig organisiert, in Silos aufgeteilt und unzureichend gepflegt. 
Kein Wunder also, dass Miriam dieselben Informationen mehrfach geben musste und trotzdem immer wieder Fragen offen blieben. 
Für sie war es belastend. Für die Krankenversicherung ein unnötiger Mehraufwand.
 
Die Lösung: Data Governance
 
Mit einer funktionierenden Data Governance wäre Miriams Erfahrung deutlich angenehmer gewesen. Ihre Daten wären zentral gespeichert und gut gepflegt worden. 
Die Sachbearbeiter hätten jederzeit Zugriff auf dieselben Informationen gehabt, und widersprüchliche Aussagen wären gar nicht erst entstanden. Miriam hätte sich sicher gefühlt, weil der Prozess klar und transparent abgelaufen wäre.
 
Data Governance sorgt dafür, dass Daten nicht nur gesammelt, sondern sinnvoll genutzt werden. Sie gibt Daten und dem Umgang mit ihnen eine Struktur:
· Wer ist verantwortlich?
· Welche Prozesse müssen eingehalten werden?
· Wie wird sichergestellt, dass alles reibungslos funktioniert? (Wie wird Qualität und Konsistenz gesichert?)
 
Es geht darum, Daten aus dem Chaos zu befreien und sie so zu organisieren, dass sie sowohl dem Unternehmen als auch den Kunden dienen. 
Data Governance definiert Standards: Welche Daten werden wie erfasst? Wer hat Zugriff? Wie wird ihre Qualität gesichert?
 
Ein unsichtbarer Held
 
Für Unternehmen bedeutet gute Data Governance weniger Fehler, mehr Effizienz und zufriedene Kunden. Für Menschen wie Miriam ist sie der unsichtbare Held, der ihre Probleme löst, bevor sie entstehen. Weniger Stress, weniger Chaos, mehr Vertrauen. Das ist der Unterschied, den Data Governance machen kann.
 
Miriam ist kein Einzelfall. Viele Unternehmen und ihre Kunden stehen vor ähnlichen Herausforderungen. Unstrukturierte Daten führen zu Fehlern, Verzögerungen und Frustration.

*Miriam Brückner ist eine fiktive Person. Ihre Geschichte steht exemplarisch für Situationen, die viele Kundinnen und Kunden erlebt haben. Sie verdeutlicht, welche Probleme entstehen können, wenn Daten nicht optimal organisiert sind und wie Data Governance hier effektiv Abhilfe schaffen könnte. Dabei ist klar, dass viele Versicherungen bereits Maßnahmen ergreifen, um ihre Prozesse zu optimieren. Dieser Beitrag zielt darauf ab, das Bewusstsein für die Bedeutung kontinuierlicher Verbesserungen in der Datenorganisation weiter zu stärken.

]]> Teil 3: Omnivertriebskanäle als Schlüssel zur Bancassurance: Filialschließungen als strategische Chance nutzen https://mexxon.com/teil-3-omnivertriebskanaele-als-schluessel-zur-bancassurance-filialschliessungen-als-strategische-chance-nutzen/ Tue, 25 Mar 2025 13:42:53 +0000 https://mexxon.com/?p=2355 Omnikanalstrategien als Wachstumstreiber der Bancassurance 

Im dritten und letzten Teil unserer Reihe widmen wir uns einer der drängendsten Fragen im Bancassurance-Markt: Wie können Sparkassen und Versicherer ihre Vertriebsstrategie angesichts der Filialkonsolidierung neu denken? Die Antwort liegt in Multi-Channel-Ansätzen.  

Dabei geht es nicht nur um Kommunikationskanäle zwischen Anbieter, Vermittler und Endkunden, sondern auch um die verschiedenen Vertriebskanäle wie Ausschließlichkeitsorganisation (AO), Makler, Direktvertrieb und Bancassurance, die heute stärker miteinander vernetzt werden müssen.  

Doch welche Daten braucht es, um wirklich erfolgreiche Vertriebsstrategien zu entwickeln?  

Strukturwandel im Versicherungsvertrieb – datenbasierte Entscheidungen als Erfolgsfaktor  

Der Versicherungsvertrieb steht vor tiefgreifenden Veränderungen. Während AO-Vermittler und Makler weiterhin dominieren, wächst der Direktvertrieb – insbesondere über digitale Kanäle. Die GDV-Vertriebsstatistik 2023 zeigt: Je nach Produkt entfallen auf Ausschließlichkeitsvermittler (AO) zwischen 41 und 58 Prozent des Neugeschäfts. Besonders in der Rechtsschutzversicherung beträgt ihr Anteil 57,7 Prozent. Makler sind mit 20 bis 30 Prozent stark vertreten, insbesondere in Sach-, Unfall- und Haftpflichtversicherungen, wo ihr Anteil mit 40,9 Prozent fast gleichauf mit AO-Vermittlern liegt. Bancassurance spielt insbesondere in der Lebensversicherung eine Rolle und hält je nach Sparte 18 bis 28 Prozent des Neugeschäfts (Das Investment 2024a).  

Gleichzeitig nimmt die Zahl der Versicherungsvermittler kontinuierlich ab. Laut DIHK sank sie allein im letzten Jahr von 183.645 auf 181.761 (Versicherungsbote 2025). Besonders betroffen sind die Ausschließlichkeitsvermittler, deren Zahl um 2.003 gesunken ist. Makler hingegen zeigen eine leichte Zunahme von 236 Personen, was darauf hinweist, dass Kunden zunehmend unabhängige Beratung bevorzugen.  

Vom Standort zur Strategie: Warum das Kundenverhalten entscheidet  

Eine erfolgreiche Vertriebsstrategie basiert nicht nur auf der optimalen Standortwahl, sie muss sich auch an den veränderten Erwartungen der Kunden orientieren. Versicherungskunden durchlaufen verschiedene Lebensphasen – von der ersten Kfz- oder Haftpflichtversicherung als Berufseinsteiger über Familienabsicherung und Baufinanzierung bis hin zur Altersvorsorge. Das Kundenverhalten ist dabei hybrid: 39 Prozent der Deutschen informieren sich online, bevor sie den Abschluss doch lieber persönlich tätigen (Versicherungsbote 2023). Dieses sogenannte „Research Online, Purchase Offline“ (RoPo)-Verhalten zeigt, dass digitale Informationswege entscheidend sind, aber der persönliche Kontakt weiterhin eine zentrale Rolle spielt: Besonders bei komplexen Produkten wie Berufsunfähigkeits- oder Pflegeversicherung wünschen Kunden eine persönliche Beratung, selbst wenn sie sich vorher online informieren.  

Die GDV-Vertriebsstatistik zeigt, dass tatsächliche Online-Abschlüsse weiterhin niedrig sind (zwischen 3 bis 7 Prozent, außer Kfz: 19,4 Prozent und Rechtsschutz: 7,6 Prozent). Online-Präsenz ist wichtig, aber der Beratungsprozess bleibt hybrid.  

Bancassurance als Lösung für Filialschließungen  

Die Relevanz von Bancassurance steigt, da viele Versicherer ihr Filialnetz reduzieren. Banken mit regionaler Präsenz können als Schnittstelle zwischen digitalen Prozessen und persönlicher Beratung dienen und damit die Lücke zwischen Online- und Offline-Angeboten schließen (Fonds professionell Online 2024). Insbesondere in der Lebensversicherung sind Banken weiterhin ein wesentlicher Vertriebspartner, während sie in der Sachversicherung nur eine untergeordnete Rolle spielen.  

Strategische Vorteile der Filialkonsolidierung nutzen  

Bancassurance als Beratungs-Hub: Sparkassen und Volksbanken können als hybride Vertriebsplattform fungieren und den direkten Kundenkontakt in strukturschwachen Regionen sicherstellen.  

Datengetriebene Standortanalysen: Intelligente Filialplanung ermöglicht eine optimale Balance zwischen digitalem Vertrieb und persönlicher Beratung.  

Kosteneffizienz: Durch smarte Omnikanal-Strategien können Vertriebskosten gesenkt und zugleich die Kundenzufriedenheit erhöht werden.  

Filialschließungen bedeuten nicht das Ende der Kundenbetreuung – sie sind eine Chance für Versicherer und Banken, effizientere und kundenorientierte Lösungen zu etablieren. Wer jetzt auf datengetriebene Filialanalysen, hybride Beratungsmodelle und digitale Touchpoints setzt, sichert sich entscheidende Wettbewerbsvorteile.  

Bancassurance ist mehr als nur ein zusätzlicher Vertriebskanal. Sie ist der Schlüssel zur Zukunft des Versicherungsvertriebs.  

Wir von mexxon liefern dabei die entscheidenden Daten für diese Transformation. Unsere Standortanalysen, White-Spot-Analysen und unser MaklerRadar bieten präzise Entscheidungsgrundlagen, um die richtigen Vertriebsstrategien für jede Region zu entwickeln.  

Quellen  

]]> Datenstrategie am Beispiel Kumulprüfung: Die Kunst des geordneten Chaos https://mexxon.com/datenstrategie-am-beispiel-kumulpruefung-die-kunst-des-geordneten-chaos/ Wed, 26 Feb 2025 13:43:59 +0000 https://mexxon.com/?p=2357 Datenstrategie als Basis präziser Risikoanalysen in der Kumulprüfung

Daten sind wie ein wilder Garten: reich an Potenzial, aber oft ungepflegt und chaotisch. In der Versicherungsbranche fehlt es häufig an einer systematischen Pflege, die Ordnung und Wachstum ermöglicht. Hier liegt das Grundproblem: eine fragmentierte Datenlandschaft und ein mangelhafter Umgang mit Daten. Diese Herausforderungen sind allgegenwärtig und nicht spezifisch für einzelne Prozesse oder Anwendungsfälle.

Ein Beispiel hierfür ist die Kumulprüfung, also die Bewertung von Risiken durch Schadenshäufungen. An diesem Beispiel zeigt sich, wie externe Daten gewinnbringend genutzt werden könnten, wenn die übergeordnete Datenstrategie stimmt.

Kumulprüfung als Beispiel: Ein Tanz mit den Daten

Die Kumulprüfung illustriert die Vorteile und Herausforderungen einer datengetriebenen Herangehensweise besonders gut. In einer idealen Welt könnten Versicherer externe Datenquellen wie Wetterdaten, Geoinformationen oder wirtschaftliche Trends problemlos integrieren, um präzisere Risikoeinschätzungen vorzunehmen. Doch diese Vision bleibt für viele ein unerreichbares Ziel. Die Ursache liegt nicht in der Komplexität der Kumulprüfung selbst, sondern in der grundlegenden Schwierigkeit, externe und interne Daten in einem kohärenten System zu vereinen.

Wo scheitert die Anbindung externer Daten?

Das Kernproblem ist die fehlende übergeordnete Datenstrategie. In vielen Unternehmen führen isolierte Datenpools, inkompatible Formate und veraltete Systeme zu einem Datenchaos. Ohne zentrale Datenhubs wird die Integration externer Datenquellen zu einem schwer lösbaren Puzzle.

Dabei sind Datenhubs entscheidend: Sie funktionieren wie Drehkreuze, die Daten aus verschiedenen Quellen sammeln, standardisieren und geordnet weiterleiten. Für die Kumulprüfung bedeutet das, dass externe (Geo)Informationen effizient eingebunden und Risiken präziser bewertet werden können. Das Beispiel der Kumulprüfung verdeutlicht somit die Notwendigkeit eines systematischen Ansatzes im Umgang mit Daten.

Versicherer und das Erbe der Datensilos

Die Problematik der fragmentierten Datenlandschaft hat historische Wurzeln. Gewachsene IT-Strukturen und Abteilungskulturen haben dazu geführt, dass jede Abteilung ihre eigenen Dateninseln pflegt. Eine Überwindung dieser Silos würde tiefgreifende Veränderungen erfordern – von einer gemeinsamen Datenstrategie bis hin zu Investitionen in neue Technologien. Diese Veränderungen sind jedoch eine notwendige Voraussetzung, um Prozesse wirklich effektiv zu gestalten.

Der Weg aus dem Chaos: Smarte Datenökosysteme

Die Lösung liegt in der Entwicklung smarter Datenökosysteme, die Fragmentierung überwinden und externe Datenquellen nahtlos einbinden. Moderne Cloud-Technologien und zentrale Datenhubs können genau das leisten. Sie schaffen Transparenz, Standardisierung und Ordnung – nicht nur für die Kumulprüfung, sondern auch für viele andere datengetriebene Prozesse.

Warum sich die Mühe lohnt

Eine durchdachte Datenstrategie ist kein Selbstzweck, sondern ein echter Wettbewerbsvorteil. Sie bietet Versicherern die Möglichkeit, fundierte Entscheidungen zu treffen, Prozesse zu beschleunigen und die Präzision in der Risikobewertung zu erhöhen. Im Kontext der Kumulprüfung bedeutet das beispielsweise präzisere Analysen, bessere Prognosen und effizientere Schadensregulierung. Aber auch darüber hinaus öffnet eine starke Datenstrategie neue Türen, beispielsweise für dynamische Tarifmodelle oder proaktive Schadenprävention. Künstliche Intelligenz kann diese Transformation zusätzlich beschleunigen, indem sie Muster in großen Datenmengen erkennt und von hochwertigen, strukturierten Daten profitiert.

Vom Chaos zur Chance: Datenstrategie als Wettbewerbsvorteil

Der Aufwand für eine solide Datenstrategie mag erst einmal hoch erscheinen, doch die Vorteile überwiegen bei Weitem. Wer auf eine nachhaltige Datenstrategie setzt, verschafft sich eine klare Position im Markt. Versicherer, die ihre Daten intelligent nutzen und verknüpfen, werden in der datengetriebenen Welt nicht nur bestehen, sondern auch führen.

]]> Teil 2: Standortanalyse als strategisches Instrument: Wie White-Spot-Analysen Wachstumspotenziale freisetzen https://mexxon.com/teil-2-standortanalyse-als-strategisches-instrument-wie-white-spot-analysen-wachstumspotenziale-freisetzen/ Tue, 18 Feb 2025 13:41:00 +0000 https://mexxon.com/?p=2353 White-Spot-Analysen als Schlüssel zu regionalem Wachstum

Im ersten Teil unserer Bancassurance-Reihe haben wir uns mit den tektonischen Verschiebungen im Bancassurance-Markt beschäftigt. Heute wagen wir uns einen Schritt weiter ins Detail – genauer gesagt, in die weißen Flecken der Landkarte, die sogenannten White Spots. Diese Regionen sind nicht nur metaphorische Blinde Flecken, sondern echte Chancen für Wachstum und Innovation.

Für Versicherungsunternehmen, Sparkassen und Banken bieten White-Spot-Analysen eine einzigartige Möglichkeit, Regionen mit ungenutztem Potenzial zu identifizieren – besonders in Zeiten, in denen Filialen schließen und die Kundenansprache über klassische Wege immer schwieriger wird. Indem Bevölkerungsstrukturdaten, Marktdaten und Vertriebskanalabdeckung kombiniert werden, können gezielt Potenziale in Regionen erschlossen werden, die bislang nicht oder nur unzureichend abgedeckt sind.

Warum WhiteSpotAnalysen wichtig sind:

Angesichts der abnehmenden Filialdichte müssen Versicherungs- und Finanzdienstleister flexibel auf Veränderungen in ihren Märkten reagieren. White-Spot-Analysen ermöglichen es, neue und bisher vernachlässigte Regionen zu identifizieren, in denen der Bedarf an Finanz- und Versicherungsprodukten hoch ist, das Vertriebspotenzial jedoch noch nicht ausreichend genutzt wird. Für Versicherungsunternehmen bedeutet das, dass sie ihre Ressourcen gezielt dort einsetzen können, wo das Potenzial am größten ist.

Die Methodik und Praxis von White-Spot-Analysen

Durch die Kombination von demografischen Daten und Geodaten kann das Potenzial von unterrepräsentierten Regionen erkennbar gemacht werden. Zum Beispiel könnten Pendlergebiete oder ländliche Regionen, in denen Filialen geschlossen wurden, durch mobile Beratungsangebote oder digitale Services besser erreicht werden. Für Versicherungsvertriebe bedeutet das die Chance, mit flexiblen, an die Region angepassten Vertriebsstrategien, ihre Marktstellung zu stärken.

Ein Blick nach vorn

White-Spot-Analysen zeigen, wie moderne Vertriebsoptimierung aussehen kann. Im dritten Teil unserer Reihe werden wir uns ansehen, wie Multi-Channel-Strategien in Kombination mit diesen Analysen Vertriebsaktivitäten noch effektiver machen und nachhaltiges Wachstum fördern können.

]]> Teil 1: Bancassurance im Wandel: Chancen für datenbasierte Standortanalysen im neuen Marktumfeld https://mexxon.com/teil-1-bancassurance-im-wandel-chancen-fuer-datenbasierte-standortanalysen-im-neuen-marktumfeld/ Thu, 30 Jan 2025 13:39:51 +0000 https://mexxon.com/?p=2351 Standortanalysen als Schlüssel für die Zukunft von Bancassurance

Einst waren Bankfilialen lebendige Orte voller Vertrauen und Begegnung. Heute stehen viele leer – Relikte einer analogen Vergangenheit. Doch der Wandel birgt Chancen: Wie erreichen wir Menschen in einer digitalen Welt? Bancassurance, die Zusammenarbeit von Banken und Versicherern, muss sich neu erfinden, um nicht nur mitzuhalten, sondern voranzugehen.

Vom Schalter ins Netz: Flexibilität trifft Präzision

Lieferdienste, Online-Shopping, Bankkonten, Versicherungen… heute werden die meisten Bedürfnisse nur noch mit einem Klick gestillt. Inmitten dieser digitalen Transformation zeigt sich die Sparkasse KölnBonn als Pionier. Mit ihrer Tochtergesellschaft finja., die als Mehrfachagentur agiert, schafft die Sparkasse die gelungene Mischung aus Tradition und Innovation. Finja bietet zum Beispiel nicht nur Produkte der Provinzial an, sondern öffnet auch die Tür zu Drittanbietern. Es geht nicht mehr nur um Präsenz, sondern um flexible, datenbasierte Strategien, die auf die Bedürfnisse der Kundschaft abgestimmt sind (FONDS professionell ONLINE, 2024).

Von der Hülle zur Chance: Was passiert, wenn man genauer hinschaut

In Standortanalysen für unsere Kunden haben wir bei der mexxon Gruppe genau das erlebt: Regionen, die lange übersehen wurden, verwandelten sich in neue Chancen. White-Spot-Analysen decken verborgene Nachfrage auf – wo physische Präsenz unverzichtbar ist und wo digitale Beratung mehr Wert schafft. Bedeutet: neue Kundengruppen, digitale Vertriebsmöglichkeiten und strategische Wachstumsfelder.

Warum Bancassurance für Versicherer attraktiv ist

Umfragen von Sollers Consulting und Ipsos (Handelszeitung 2024 sowie Sollers 2024) belegen: Kundinnen und Kunden sind bereit, Versicherungen bei Banken abzuschließen. Von Lebensversicherungen (51 %) bis Kfz-Versicherungen (47 %) schlummert hier ungenutztes Potenzial. Banken, die schon das Vertrauen ihrer Kunden genießen, können durch kluge Strategien Cross-Selling-Möglichkeiten nutzen und Services gezielt erweitern.

Der Wert der Daten: Präzision statt Bauchgefühl

Filialschließungen sind kein Ende – sie sind der Anfang, wenn man die richtigen Fragen stellt. Standort- und White-Spot-Analysen zeigen, wo physische Präsenz unverzichtbar ist und wo digitale Beratung echten Mehrwert bringt. Sie helfen dabei, Regionen zu identifizieren, in denen Nachfrage hoch, das Angebot aber minimal ist. Das Resultat: gezielte Strategien, die Wettbewerbsvorteile verschaffen.

Doch was macht Versicherungen so attraktiv für Banken?

Es ist ein Spiel des Vertrauens und Banken haben das Vertrauen der Kunden meistens bereits. Mit der richtigen Strategie können sie nicht nur Versicherungen verkaufen, sondern auch Kundenservices erweitern und Cross-Selling-Möglichkeiten schaffen (Handelszeitung, 2024).

Präzision statt Bauchgefühl: Wie wir Chancen finden, die andere übersehen

Filialschließungen sind kein Ende; sie sind der Anfang, wenn man die richtigen Fragen stellt. Standortanalysen zeigen, wo physische Präsenz unverzichtbar ist und wo digitale Beratung echten Mehrwert bringt. White-Spot-Analysen helfen dabei, Regionen zu identifizieren, in denen Nachfrage hoch, das Angebot aber minimal ist. Das Resultat: gezielte Strategien, die Wettbewerbsvorteile verschaffen.

Daten – mehr als das Gold der digitalen Welt

Oft werden Daten mit Gold verglichen: kostbar, wertvoll, verborgen. Doch dieser Vergleich hinkt. Gold ist knapp, während Daten im Überfluss existieren wie Sand am Meer. Der wahre Wert von Daten liegt nicht in ihrer schieren Menge, sondern darin, die richtigen Informationen zu filtern und zu nutzen.

Daten sind eher wie Sand – allgegenwärtig, chaotisch, scheinbar unscheinbar. Doch mit der richtigen Strategie wird aus diesem Sand eine Perle: präzise Erkenntnisse, die Mehrwert schaffen, Potenziale sichtbar machen und den Weg in die Zukunft weisen. Denn Daten allein sind wertlos. Ihr Potenzial liegt darin, sie klug zu analysieren und strategisch zu nutzen. Wer das beherrscht, schafft aus dem Überfluss echte Chancen.

Datenstrategien: Der Schlüssel zur Zukunft

Analysen allein reichen nicht aus; sie sind der Anfang. Der echte Treiber ist eine umfassende Datenstrategie, die Standortdaten sammelt, strukturiert und gezielt einsetzt. Data Analytics ermöglicht es Banken und Versicherern, Markttrends vorherzusehen, Kundenverhalten zu analysieren und bessere Entscheidungen zu treffen. Denn wer weiß, wo der Bedarf am größten ist, kann seine Angebote punktgenau platzieren.

Multi-Channel-Strategien: Antworten auf den Wandel

Filialschließungen sind Alltag, doch das Geschäftsmodell steht nicht still. Multi-Channel-Strategien kombinieren digitale und physische Angebote, um Kundinnen und Kunden dort zu erreichen, wo sie sind. Standortanalysen zeigen, wo der Bedarf hoch ist und eine durchdachte Datenstrategie sorgt dafür, dass die richtigen Informationen zur richtigen Zeit genutzt werden. Die Ergebnisse? Personalisierte Beratung und optimierte Kommunikation über digitale Kanäle.

Bancassurance neu gedacht: Chancen in der digitalen Welt

Die klassische Beratung hat ausgedient, doch die Möglichkeiten waren nie größer. Mit präzisen Standortanalysen und einer soliden Datenstrategie wird Bancassurance zum Motor einer modernen Finanz- und Versicherungswelt. Wer Daten klug nutzt, kann Kundenerwartungen nicht nur verstehen, sondern diese flexibel, zielgerichtet und zukunftsfähig erfüllen.

Im zweiten Teil werfen wir einen Blick auf White-Spot-Analysen und Versicherer verborgene Wachstumspotenziale in ihren Regionen identifizieren können.

Quellen:

]]>