Modell-zu-Tarifstruktur-Destillation: Wie aus komplexen ML-Modellen einfache Tabellen werden
25. June 2026
Das genaueste Vorhersagemodell ist nicht immer dasjenige, das Versicherer produktiv einsetzen können.
Machine-Learning-Modelle sind hervorragend darin, komplexe Zusammenhänge in Daten zu erkennen und liefern oft eine deutlich bessere prädiktive Performance als herkömmliche Ansätze. Doch im Versicherungs-Pricing ist Genauigkeit nur ein Teil der Gleichung. Pricing-Modelle müssen außerdem transparent, leicht überprüfbar und für die Einreichung bei Aufsichtsbehörden geeignet sein.
Wie können Versicherer also die Vorhersagekraft von Machine Learning bewahren und gleichzeitig Rating-Strukturen entwickeln, die sich in der Praxis gut steuern, erklären und umsetzen lassen?
Blogreihe von Earnix zu Analyse und Technik
Wie können Versicherer und Banken die schwierigsten analytischen Herausforderungen von heute bewältigen?
Bei Earnix sind wir überzeugt, dass der Schlüssel darin liegt, die richtigen Fragen zu stellen, Annahmen zu hinterfragen und neue, bessere Wege zu finden.
In dieser Blogreihe beleuchten wir zentrale Herausforderungen der Finanzanalyse – von der Verbesserung prädiktiver Modelle über die Vereinfachung operativer Workflows bis hin dazu, Unternehmen wettbewerbsfähig zu halten. Frühere Beiträge befassten sich unter anderem mit Modellanalyse, Auto-XGBoost, Smart Grouping (Auto-GLM), Hierarchical Level Selector und KPI-orientiertem Datenmonitoring.
In diesem Beitrag stellen wir eine neue Funktion vor, die im Rahmen des Model-to-Rating-Structure-Distillation-Labors verfügbar ist: die automatische Umwandlung von Machine-Learning-Modellen in produktionsreife Rating-Strukturen für Price-It.
Wenn prädiktive Performance auf operative Realität trifft
Moderne Machine-Learning-Modelle erfassen nichtlineare Zusammenhänge, komplexe Wechselwirkungen und subtile prädiktive Signale, die einfachere Modelle oft übersehen. Das macht sie zu leistungsstarken Werkzeugen zur Verbesserung der Pricing-Genauigkeit.
Versicherer setzen diese Modelle jedoch selten direkt in der Produktion ein.
Pricing-Strukturen müssen einer Vielzahl von geschäftlichen Anforderungen gerecht werden. Interne Stakeholder müssen verstehen, wie Pricing-Entscheidungen getroffen werden, Governance-Teams benötigen Modelle, die überprüft werden können, und Aufsichtsbehörden verlangen häufig, dass die Pricing-Logik in Form transparenter Rating-Tabellen dargestellt wird.
Stellen Sie sich einen Aktuar vor, der mithilfe fortschrittlicher baumbasierter Algorithmen ein hochpräzises Preismodell entwickelt. Auch wenn das Modell eine hervorragende prädiktive Performance liefert, muss die endgültige Pricing-Struktur möglicherweise dennoch als übersichtlicher Satz von Rating-Tabellen dargestellt werden.
Das manuelle Erstellen dieser Tabellen ist zwar möglich, aber auch zeitaufwendig, subjektiv und erfordert oft, dass zugunsten der Einfachheit Abstriche bei der Vorhersagegenauigkeit gemacht werden müssen.
Dies spiegelt eine häufige Herausforderung im Versicherungs-Pricing wider: Die Modelle, die am besten funktionieren, lassen sich selten am einfachsten in die Praxis umsetzen.
Von Machine Learning zu Rating-Strukturen
Um Versicherern dabei zu helfen, diese Lücke zu schließen, hat Earnix das Labor für Modell-zu-Tarifstruktur-Destillation entwickelt.
Statt Pricing-Teams vor die Wahl zwischen prädiktiver Genauigkeit und praktischer Umsetzung zu stellen, schafft das Labor einen strukturierten Weg zwischen beiden.
Ausgehend von einem bestehenden Machine-Learning-Modell generiert es automatisch Kandidaten für Rating-Strukturen, die das Verhalten des Modells sehr genau abbilden. Diese Strukturen können anschließend geprüft, verglichen und direkt zur Umsetzung in Price-It exportiert werden.
Der Prozess richtet sich nach geschäftlichen Vorgaben und nicht nach vollständiger Automatisierung. Nutzende können Parameter wie Monotonie, Offsets, Gewichte und Interaktionsgrenzen definieren, um sicherzustellen, dass die resultierenden Rating-Strukturen mit den organisatorischen und regulatorischen Anforderungen im Einklang stehen.
Anstatt nur eine einzige Lösung zu liefern, generiert das Labor mehrere Kandidatenstrukturen, die aus verschiedenen Perspektiven bewertet werden können, unter anderem hinsichtlich ihrer Genauigkeit bei der Reproduktion des ursprünglichen Modells und ihrer Vorhersagekraft für reale Ergebnisse.
Ein flexibler Umgang mit Komplexität
Es gibt keine allgemeingültige Antwort auf die Frage nach dem optimalen Verhältnis zwischen Vorhersagegenauigkeit und struktureller Einfachheit.
Einige Unternehmen bevorzugen kompakte Rating-Strukturen, die sich leicht erklären, steuern und warten lassen. Andere sind bereit, mehr Komplexität in Kauf zu nehmen, wenn dadurch die Vorhersagekraft des ursprünglichen Modells besser erhalten bleibt.
Anstatt davon auszugehen, dass ein Ansatz für jeden Anwendungsfall geeignet ist, ermöglicht das Labor für Modell-zu-Tarifstruktur-Destillation Pricing-Teams, verschiedene Alternativen zu analysieren und diejenige auszuwählen, die am besten auf ihre Geschäftsziele abgestimmt ist.
Einige Kandidatenmodelle sind von Anfang an bewusst einfach gehalten und nutzen interpretierbare additive Ansätze wie Earnix AGLM und Explainable Boosting Machines (EBMs). Regularisierungstechniken helfen dabei, unnötige Komplexität zu vermeiden und gleichzeitig die prädiktive Performance zu erhalten.
Andere Kandidaten verfolgen einen ausdrucksstärkeren Ansatz, indem sie CatBoost als Residual-Learner auf einem einfacheren Basismodell einsetzen. Die resultierende Baumstruktur steuert auf natürliche Weise die Dimensionalität der Interaktionstabellen, während ein nachgelagerter LASSO-Schritt Splits und Tabellen entfernt, die nur einen geringen Mehrwert liefern.
Das Ergebnis ist keine einzelne automatisierte Empfehlung, sondern eine Reihe praktischer Optionen, mit dem Pricing-Teams Interpretierbarkeit, Governance und prädiktive Performance entsprechend ihren eigenen Prioritäten gegeneinander abwägen können.
Von der Vorhersage zur Produktion
Machine Learning setzt die Messlatte für prädiktive Performance immer höher, doch Pricing-Modelle für den produktiven Einsatz müssen weit mehr leisten als nur Genauigkeit. Sie müssen außerdem erklärbar, steuerbar, prüfbar und in der Praxis gut einsetzbar sein.
Die Modell-zu-Tarifstruktur-Destillation hilft, diese Lücke zu schließen, indem komplexe Machine-Learning-Modelle in transparente, produktionsreife Rating-Strukturen umgesetzt werden.
Indem Versicherer ihre prädiktive Performance bewahren und gleichzeitig operative sowie regulatorische Anforderungen erfüllen können, unterstützt das Labor Pricing-Teams dabei, den Schritt von Advanced Analytics zur praktischen Umsetzung sicherer zu vollziehen.
Haben Sie Fragen? Nehmen Sie Kontakt mit einem Experten auf.