SAPS Logo

Data Analytics – Wie Versicherer ihre Daten intelligent nutzen können – Basiskurs

Die Digitalisierung hat inzwischen die Versicherungsbranche erreicht. Sowohl durch verbesserte Services für Kunden (z.B. im Internet) als auch durch optimierte Prozesse im Unternehmen entstehen sehr große Datenmengen (vgl. laufende Big Data Diskussion). Dabei ist zu beobachten, dass oftmals viele Informationen aus den Daten ungenutzt bleiben. Gezielt Informationen aus verfügbaren Daten zu gewinnen, wird zukünftig zu einem zentralen Wettbewerbsfaktor für Versicherer. Hier bilden Methoden des Predictive Modeling und insbesondere Machine-Learning-Verfahren die Grundlage, um die Daten intelligent zu nutzen.

Im Basiskurs geben wir einen Überblick über innovative Methoden in der modernen Datenanalyse und stellen die allgemeine Vorgehensweise sowie die relevanten Verfahren zur Vorhersagemodellierung vor. Alle im Kurs behandelten Modelle werden sorgfältig und vollständig vorgestellt und nicht als bekannt vorausgesetzt.

Neben den methodischen Grundlagen und Funktionsweisen werden zu allen Modellen die jeweiligen Eigenheiten im Umgang bei der Modellierung, die konkreten Datenanforderungen sowie Vor- und Nachteile aufgrund der zugrundeliegenden Theorie und der praktischen Erfahrung der Dozenten erläutert.

Anhand einer didaktisch schrittweise durchgeführten Einführung in die Modelle erfolgt dabei auch die Erarbeitung allgemeiner theoretischer und praktischer Grundlagen und Konzepte in Data Analytics (wie z.B. Overfitting) sowie die gezielte Besprechung von notwendiger Datenvorverarbeitung und möglichen Validierungskriterien.

Teilnahmebestätigung
Management und Wirtschaft, Informatik und Mathematik
Seminar (vor Ort)
Ort: Wissenschaftszentrum der Universität Ulm auf Schloss Reisensburg, Bürgerm.-Johann-Müller-Str. 1, 89312 Günzburg
Entgelt: 1120

Sprache: deutsch

Schulungsinhalte

  • Überblick über innovative Methoden der Datenanalyse
  • Allgemeine Grundlagen und Vorgehensweise in der modernen Datenanalyse
  • Modellfokus: Klassifikationsbäume und moderne baumbasierte Verfahren
  • Modellfokus: Neuronale Netze
  • Überblick über weitere Verfahren, z.B. regularisierte, verallgemeinerte lineare Modelle

Fragen zum Angebot? Schreiben Sie uns!

Ihr Ansprechpartner

Wissenschaftlicher Leiter

Dozenten

Johannes Schupp

Zielgruppe

Mit diesem 2-tägigen Workshop wenden wir uns an Personen, die bisher keine oder nur geringe Erfahrungen mit Data Analytics gemacht haben und moderne Data-Analytics-Verfahren zur Anwendung auf Versicherungsdaten kennenlernen wollen.

Lernsetting

Besonderes Augenmerk liegt auf der praxisnahen Gestaltung des Workshops. Die vorgestellten Methoden werden zu etwa gleichen Teilen besprochen und praktisch in einer Fallstudie umgesetzt.

Die im Workshop vorgestellten Methoden und Modelle werden von den Teilnehmerinnen und Teilnehmern selbständig mit der Statistik-Software R angewendet.

Voraussetzungen

Für den Basiskurs sind keine Vorkenntnisse zu Data Analytics oder zu den vorgestellten Methoden nötig. Zum Verständnis der Methoden empfehlen wir aber mathematisch-statistische Grundkenntnisse oder Erfahrungen mit klassischer Statistik bzw. Datenanalyse. Eine detailliertere Abgrenzung des Basis- und Intensivkurses finden Sie im Abschnitt »Entscheidungshilfe: Basis- und/oder Intensivkurs«.

Die Fallstudie wird mit der Statistik-Software R bearbeitet. Hierfür bringen die Teilnehmer idealerweise einen Laptop mit installierter Statistik-Software mit. Ergänzend bieten wir komplett installierte Leih-Laptops an. Optional bieten die Dozenten einen Vorkurs »Erste Schritte im Umgang mit der Statistik-Software R« an, um die notwendigen Grundlagen für den weiteren Workshop zu vermitteln.

Verantwortliche Durchführung

Akademie für Wissenschaft, Wirtschaft und Technik an der Universität Ulm e. V.

Wir sind der Ansprechpartner für Ihre berufsbezogene, wissenschaftliche Weiterbildung an der Universität Ulm. Die Akademie bietet zielgruppenorientiert Weiterbildung mit evaluierten, lerneffektiven Methoden zur Aktualisierung von fachbezogenen und interdisziplinären Wissensinhalten an.