Angebote der SAPS
Teilnahmebestätigung — Workshop (online), 1070 €
Informatik und Mathematik, Management und Wirtschaft, deutsch
Einführung in die Statistik-Software R zur Datenanalyse
Seit ihrer Entwicklung in den 1990er Jahren hat sich die frei verfügbare Programmierumgebung und -sprache R (https://www.r-projekt.org/) zunehmend zur Standardanwendung für statistische Fragestellungen und Datenanalysen in Wissenschaft und Wirtschaft entwickelt. Die Gründe für die zunehmende Verwendung von R auch in der Versicherungsbranche sind zahlreich, u.a.:
- Durch die Leistungsstärke und die kurzen Innovationszyklen der Programmiersprache bei der Anwendung von Verfahren der Statistik und Datenanalyse (vor allem auch im Bereich des Machine Learnings) ist R insbesondere in diesem Bereich oft das Mittel der Wahl für Statistiker und Data Scientists weltweit.
- Aufgrund der gegenüber herkömmlichen Anwendungen (z.B. MSExcel®, MSAccess®, etc.) überlegenen Möglichkeiten zur Datenverarbeitung, ist R auch für klassische aktuarielle Einsatzgebiete (Bestandsprojektionen, Datenaufbereitung, uvm.) eine interessante Alternative.
- 12.09. - 13.09.2023 und 26.09. - 27.09.2023
Teilnahmebestätigung — Seminar (vor Ort), 1120 €
Management und Wirtschaft, Informatik und Mathematik, deutsch
Stochastische Modellierung und Chance-Risiko-Profile von Altersvorsorgeprodukten
Transparenz von Altersvorsorgeprodukten ist vor dem Hintergrund nationaler und europäischer Anforderungen (z.B. AltvPIBV, PRIIP-KID) ein viel diskutiertes und sehr aktuelles Thema. Die stochastische Modellierung von Altersvorsorgeprodukten spielt für die Anbieter dabei eine wichtige Rolle. Eine Methode, die Wirkungsweise von Altersvorsorgeprodukten transparent zu machen, sind so genannte Chance-Risiko-Profile und Chance-Risiko-Klassen, die auf Basis stochastischer Simulationen mögliche Leistungen aus Kundensicht berechnen. Spätestens mit der Einführung einer Risikoklasseneinteilung zertifizierter Produkte gemäß PIA und dem europaweit eingeführten und aktuell zur Überarbeitung anstehenden Basisinformationsblatt (PRIIP-KID) ist die stochastische Simulation von Altersvorsorgeprodukten damit ein Pflicht-Thema für jeden Anbieter von Altersvorsorgeprodukten, welches ständigen Veränderungen unterliegt. So hat die Produktinformationsstelle Altersvorsorge ihr Modell dieses Jahr beispielsweise überarbeitet und eine neue Version unter dem Stichwort PIA 2.0 erstellt. Termine:
- erneut geplant für 2023
Teilnahmebestätigung — Workshop (vor Ort), 1120 €
Management und Wirtschaft, Informatik und Mathematik, deutsch
Data Analytics - Wie Versicherer ihre Daten intelligent nutzen können - Intensivkurs
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 Intensivkurs richten wir unseren Fokus auf das sog. Modelltuning für die im Basiskurs vorgestellten Data-Analytics-Verfahren. Nach kurzen Wiederholungen der einzelnen Modelle zur Auffrischung für die Verwendung im weiteren Workshop vermitteln wir, wie in einem einheitlichen automatisierten Prozess eine Fülle an verschiedenen Data-Analytics-Verfahren trainiert, optimiert und miteinander verglichen werden, um ein bestmögliches Vorhersagemodell herzuleiten. Dazu wird aufgezeigt, wie das Modelltraining der verschiedenen Modelle samt der daten-, anwendungs- und modellgetriebenen Datenvorverarbeitung übergreifend in konsistente Validierungsstrategien und -kriterien eingebettet wird. Zentraler Bestandteil des Kurses sind dabei die Bedeutung und Wechselwirkung der Hyperparameter der Modelle sowie die verschiedenen Möglichkeiten und das grundsätzliche performante Vorgehen beim Modelltuning. Termin:
- geplant für Frühjahr 2024
Teilnahmebestätigung — Workshop (vor Ort), 690 €
Management und Wirtschaft, Informatik und Mathematik, deutsch
Unsupervised Machine Learning in der Finanzwirtschaft
Das Thema Unsupervised Machine Learning ist schon seit längerem in der Finanzwirtschaft angekommen, auch im Versicherungssektor finden die Methoden verstärkt Anwendungen. Die beschriebenen Methoden sind vor allem dazu geeignet, unbekannte Strukturen in Datensätzen zu entdecken und können deshalb bei vielen Fragestellungen (z.B. im Asset Management) eingesetzt werden. Im Rahmen dieses eintägigen Workshops vermitteln wir zentrale Aspekte der modernen statistischen Datenanalyse. Der Fokus liegt auf Advanced Data Analytics, also der Anwendung erfolgreicher Machine-Learning-Verfahren zum Einsatz bei der Identifzierung „ähnlicher“ Datensätze und daraus abgeleiteten Klassifizierungen. Wir geben einen Überblick über innovative Methoden in der modernen Datenanalyse und stellen die allgemeine Vorgehensweise sowie die relevanten Verfahren zum Unsupervised Machine Learning 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 des Dozenten erläutert.
Teilnahmebestätigung — Workshop (vor Ort), 1120 €
Management und Wirtschaft, Informatik und Mathematik, deutsch
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. Termin:
- 27. - 28. November 2023
Teilnahmebestätigung — Workshop (online), 1270 €
Management und Wirtschaft, Informatik und Mathematik, deutsch
Data Analytics in der Tarifierung: GLMs and beyond
Seit der Deregulierung des Versicherungsmarktes in den 1990er Jahren ist die datenbasierte Tarifierung von Versicherungsprodukten ein wesentlicher Wettbewerbsfaktor geworden. Als Standardwerkzeug zur Bestimmung bedarfsgerechter Prämien auf Basis eigener Schadendaten haben sich verallgemeinerte lineare Modelle (Generalized Linear Models, GLMs) etabliert. Nicht zuletzt aufgrund zusätzlich verfügbarer Daten, neuer Analysemethoden und verbesserter Rechenkapazitäten wird nun vermehrt der Einsatz moderner Data-Analytics-Methoden zur Anwendung in der Tarifierung diskutiert. Beispielsweise erlauben datengetriebene Weiterentwicklungen des klassischen GLMs eine stärker automatisierte und komplexere Mustererkennung in den Daten. Idealerweise lassen sich solche Weiterentwicklungen in die bestehende Anwendung von GLMs integrieren, sodass sich die resultierende Tarifstruktur weiterhin interpretieren und kommunizieren lässt. Termine:
- erneut geplant für 2023 als Online-Kurs