Hochwasserrisiko-Intelligenz
Mehr als zwei Drittel der Hochwasserschäden in den USA treten außerhalb der Hochrisikozonen der FEMA auf. Wenn Ihre Tarifierungs-Engine sich weiterhin an Zone AE gegenüber Zone X orientiert, bepreisen Sie das Risiko auf beiden Seiten falsch: Sie berechnen für das erhöhte Haus innerhalb der Zone zu viel und für das ebenerdige Haus auf Bodenplatte außerhalb der Zone zu wenig. Die Versicherer, die zum KI-Scoring auf Objektebene gewechselt sind, picken sich bereits die Rosinen aus Ihren besten Risiken heraus.
Wir bauen die Hochwasserrisiko-Intelligenzschicht, die Vendor-Scores, Satellitenüberwachung und Ihre Schadendaten zu einem einheitlichen Tarifierungsfaktor verbindet, den Ihr DOI-Prüfer genehmigen kann.
68,3 %
Hochwasserschäden außerhalb der FEMA-Hochrisikozonen
NC State / First Street Research
106,1 %
Prognostizierte Combined Ratio im Wohngebäudegeschäft, 2025
III / AM Best
20 % CAGR
Wachstum privater Hochwasserpolicen, 2020–2024
Resources for the Future
Stellen Sie sich ein konkretes Szenario vor, das sich jedes Jahr tausendfach über Ihren Bestand hinweg abspielt.
Ein Einfamilienhaus in Harris County, Texas. FEMA Zone X (minimale Hochwassergefahr). Errichtet 2004 auf einer Bodenplatte ohne Erhöhung über dem Geländeniveau. Das Grundstück besteht zu 85 % aus versiegelter Fläche (Betoneinfahrt, Terrasse, freistehende Garage). Der nächste Regenwassereinlauf liegt 400 Fuß entfernt und ist Teil eines 30 Jahre alten kommunalen Systems, das für ein 10-jährliches Regenereignis ausgelegt ist.
Zone X. Keine Pflicht zur Hochwasserversicherung. Wenn der Hauseigentümer eine freiwillige Hochwasserpolice abschließt, wird sie nach den Faktoren der NFIP Risk Rating 2.0 bepreist, die weder das Versiegelungsverhältnis noch die unterdimensionierte Entwässerungsinfrastruktur noch die Tatsache berücksichtigen, dass das Haus keinerlei Erhöhung des Erdgeschosses über dem Geländeniveau aufweist. Ihr System kalkuliert eine Prämie von 450 $/Jahr.
Bei einem Bestand von 50.000 Wohngebäudepolicen im Südosten von Texas verursacht dieses Muster falsch bepreister Zone-X-Objekte typischerweise eine jährliche Leckage von 2,8 bis 4,2 Mio. $. Das sind 30 bis 40 Objekte, die pro Ereignis Hochwasserschäden von 70.000 bis 120.000 $ gegenüber Jahresprämien von 450 $ erzeugen.
Das ist kein hypothetisches Beispiel. Harris County hat 1,2 Millionen Objekte in Zone X. Nach Hurrikan Harvey kamen 70 % der Hochwasserschäden von außerhalb der FEMA-Hochrisikozonen. Die Versicherer, die diese Objekte vor dem Ereignis identifizierten, senkten ihre Katastrophenschadenquote in jenem Jahr um 8 bis 12 Punkte.
Jeder der unten genannten Anbieter löst einen Teil des Problems. Keiner löst es durchgängig. Die eigentliche Herausforderung besteht darin, die Integration und regulatorische Dokumentation aufzubauen, die Punktlösungen in einen genehmigten Tarifplan verwandelt.
| Anbieter | Was sie tun | Stärke | Lücke |
|---|---|---|---|
| ZestyAI | CV-basierte Objektintelligenz. Z-FLOOD-, Z-FIRE-, Z-WIND-Scores aus Luftbildern und Baugenehmigungen. | Produktionserprobt im großen Maßstab. Allein im Q1 2026 wurden mehr als 6 Versichererpartnerschaften unterzeichnet. Multi-Peril-Abdeckung. | Keine Modellierung der pluvialen Entwässerung. Undurchsichtige Modellinterna erschweren DOI-Einreichungen in Staaten wie CO und NY. Statische Scores, keine ereignisgesteuerte Überwachung. |
| ICEYE | SAR-Satellitenkonstellation für die Echtzeit-Hochwasserüberwachung. Mehr als 30 Satelliten, Wiederbesuch in unter 24 Stunden. | Einziger Anbieter mit proprietären Satellitendaten. Partnerschaften mit Munich Re und AXA (2026). Aktualisierungen des Hochwasserausmaßes alle 6 Stunden während Ereignissen. | Nur Beobachtung, nicht prädiktiv. +/-15 cm Tiefenunsicherheit im urbanen Raum (Double-Bounce). Erfordert eine maßgeschneiderte Pipeline, um rohe SAR-Daten in einen Schadenworkflow zu überführen. |
| First Street | Flood-Factor-Scores (1–10) für jedes US-Objekt. 30-jähriges kumulatives Risiko. Kostenlose Verbraucherdaten, institutionelle API. | Umfassendste US-Hochwasserrisikodatenbank. Starke öffentliche Wahrnehmung. Umfasst fluviale, küstennahe und pluviale Gefahren. | Reines Gefahrenmodell. Bewertet nicht die strukturelle Anfälligkeit (FFE, Baumaterialien). Derzeit nicht als regulatorischer Tarifierungsfaktor akzeptiert. |
| Fathom (Swiss Re) | Globale Hochwassergefahrendaten. Swiss Re integriert sie in das interne Katastrophenmodell (Jan. 2026). Probabilistische Ereignissätze über 50.000 Jahre. | Physikbasierte Modellierung. Beste vorausschauende Klimaszenarien. Die Unterstützung durch Swiss Re verleiht Glaubwürdigkeit bei Rückversicherern. | Im Besitz von Swiss Re, was einen potenziellen Interessenkonflikt für Versicherer mit anderen Rückversicherungsbeziehungen schafft. Nur Gefahrenschicht, keine Anfälligkeit auf Objektebene. |
| Verisk / AIR | Etablierte Katastrophenmodellierung. Flood Score 3.0 für die US-Hochwasserbewertung auf Objektebene. XactGen für KI-gestützte Schadenschätzung. | Tiefste Versichererbeziehungen. Regulatorische Vertrautheit. Von den meisten DOIs als Standard akzeptiert. | Veraltete Architektur, die mit KI nachgerüstet wird. Langsamerer Innovationszyklus. Gebündelte Preisgestaltung macht die alleinige Nutzung der Hochwasserkomponenten teuer. |
| RMS / Moody's | Plattform für Katastrophenmodellierung. Übernahme von Cape Analytics für KI-gestützte geospatiale Objektintelligenz. | Tiefe Versichererintegration. Die Cape-Übernahme ergänzt die CV-basierte Objektbewertung. | Die Übernahme von Cape Analytics ist noch im Gange. Der Integrationszeitplan ist unklar. Cape ist bei Wind/Waldbränden stärker als bei Hochwasser. |
| Neptune Flood | MGA mit proprietärer Triton-Underwriting-Engine. API-first. Palomar-Partnerschaft für landesweite private Hochwasserversicherung. | Schnellster Quote-Bind-Ablauf für private Hochwasserversicherungen. ChatGPT-Integration für digitalen Vertrieb. Reine Hochwasserexpertise. | Wettbewerber, kein Tool, das Sie lizenzieren können. Ihr Technologie-Stack ist proprietär und anderen Versicherern nicht zugänglich. |
| Big 4 / Große SIs | Deloitte, Accenture, EY, PwC bieten Insurtech-Beratung und Implementierungsdienstleistungen an. | Markenbekanntheit. Große Teams. Bestehende Beziehungen zur C-Suite der Versicherer. | Sie implementieren Plattformen, sie bauen keine maßgeschneiderte Hochwasserintelligenz. Ein Accenture-Engagement beginnt bei 2 Mio. $+ und liefert eine Anbieterauswahlübung, keine funktionierende Scoring-Engine. Keine proprietäre Fachexpertise im Bereich Hochwasser. |
Die Anbieterlandschaft ist konstruktionsbedingt fragmentiert. ZestyAI verkauft Objekt-Scores. ICEYE verkauft Satellitendaten. Fathom verkauft Gefahrenschichten. Verisk verkauft Katastrophenmodelle. Kein einzelner Anbieter hat einen Anreiz, die Integrationsschicht zu bauen, die konkurrierende Datenquellen kombiniert, denn diese Schicht macht ihr individuelles Produkt zur Massenware. Genau diese Integrationsschicht, zusammen mit der regulatorischen Dokumentation, um sie als Tarifplan genehmigen zu lassen, ist das, was wir bauen.
Jede Fähigkeit adressiert eine spezifische Lücke in der Anbieterlandschaft. Wir arbeiten mit den Scores und Daten, die Sie bereits einkaufen, nicht gegen sie.
Wir verschmelzen die Objektintelligenz von ZestyAI, die SAR-Überwachung von ICEYE, die Gefahrenschichten von Fathom/First Street und Ihre Schadenhistorie zu einem zusammengesetzten Score auf Objektebene. Die Fusionslogik gewichtet jede Quelle anhand von Geografie und Perilmix. Ein Küstenobjekt in Florida stützt sich stark auf Sturmflutmodelle und SAR-Überwachung. Ein im Landesinneren gelegenes Objekt in Texas gewichtet die pluviale Entwässerungsmodellierung und die Versiegelungsverhältnisse höher.
Ergebnis: ein einziger Tarifierungsfaktor pro Objekt, zwischengespeichert im Guidewire Integration Data Manager oder im External-Data-Call-Framework von Duck Creek, verfügbar in unter 50 ms für das Inline-Quote-Bind.
Die Einreichung eines KI-erweiterten Tarifierungsalgorithmus erfordert versicherungsmathematische Memoranda, die den Schadenquoten-Lift nach Dezilen, Rankings der Merkmalswichtigkeit, Out-of-Sample-Backtesting gegen historische Ereignisse und eine Disparate-Impact-Analyse auf Ebene der Census-Tracts ausweisen. Wir erstellen das vollständige Einreichungspaket für jeden Bundesstaat.
Wir haben die Anforderungen über alle 50 Bundesstaaten hinweg kartiert. Colorado verlangt eine Begründung je Variable. Das DFS Circular 2024-7 von New York fordert Tests auf Proxy-Diskriminierung. Kalifornien verlangt eine vorherige Genehmigung mit vollständiger Modelldokumentation. Das Einreichungspaket, das wir erstellen, ist auf die spezifischen Anforderungen jedes Bundesstaates zugeschnitten, nicht auf eine Einheitsvorlage.
Wenn ein Hochwasserereignis ausgelöst wird, aktivieren wir die Pipeline, die rohe ICEYE-SAR-Daten in operative Schadenintelligenz überführt. Innerhalb von Stunden nach dem ersten Satellitenüberflug: Ihr gefährdeter TIV wird nach Deckungsart berechnet, Schadenregulierer werden ausschließlich zu SAR-bestätigten nassen Objekten geleitet, die Schwere wird durch die Kombination der SAR-Hochwassertiefe mit der CV-abgeleiteten Erdgeschosshöhe geschätzt, und Schäden von SAR-bestätigten trockenen Standorten werden für die SIU markiert.
Die Pipeline läuft während Ereignissen als Managed Service. Zwischen Ereignissen zahlen Sie nur für die Überwachungsschicht, die nach Auslösern für die Satellitenbeauftragung Ausschau hält. Typische Verbesserung der Einsatzeffizienz von Schadenregulierern: 40–60 % weniger vergebliche Vor-Ort-Besuche.
Das ist die Lücke, die die meisten Anbieter übersehen. Pluviale Überschwemmungen (Niederschlag, der Entwässerungssysteme überlastet) verursachen den Großteil der versicherten Hochwasserschäden, doch die meisten kommerziellen Modelle konzentrieren sich auf Flusshochwasser und Küstensturmfluten. Wir bauen pluviale Modelle auf Objektebene unter Verwendung von LiDAR-abgeleiteten digitalen Geländemodellen mit 1-Meter-Auflösung, CV-geschätzten Versiegelungsverhältnissen pro Grundstück und kommunalen Regenwasserinfrastrukturdaten (Rohrdurchmesser, Alter, Auslegungskapazität).
Das Modell beantwortet eine konkrete Frage: Wie tief steht bei einer gegebenen Regenintensität das Wasser an der Haustür dieses Objekts? Die Antwort hängt von der Mikrotopografie im Umkreis von 500 Metern ab, nicht von der FEMA-Zone.
Da mehr als 24 Bundesstaaten das NAIC AI Model Bulletin übernehmen, ist eine unabhängige Fairness-Prüfung KI-gesteuerter Bepreisung nicht länger optional. Wir führen Disparate-Impact-Analysen Ihrer KI-erweiterten Tarife gegen die Demografie der Census-Tracts durch, identifizieren, welche Eingabemerkmale ein demografisches Signal tragen (Dachzustand und Versiegelungsfläche sind die häufigsten), und stellen fest, ob die Vorhersagekraft unabhängig von der Korrelation versicherungsmathematisch gerechtfertigt ist.
Das Liefergegenstand ist das Dokumentationspaket, das den anspruchsvollsten Standard erfüllt (DFS Circular 2024-7 von New York), was bedeutet, dass es überall sonst besteht. Dies gilt unabhängig davon, ob Sie unsere Scoring-Engine oder Drittanbieter-Scores von ZestyAI, Cape Analytics oder einem anderen Anbieter verwenden.
Vier Phasen. Phase 1 ist ein eigenständiger Liefergegenstand. Wenn wir in Ihrem Portfolio keine umsetzbare Leckage finden, hören Sie dort auf.
Wir analysieren Ihren aktuellen Bestand gegen Hochwasserrisikodaten auf Objektebene. Für jede Police vergleichen wir Ihre berechnete Prämie mit dem KI-geschätzten erwarteten Verlust. Das Ergebnis ist eine Heatmap der Fehlbepreisung: welche Geografien, welche Konstruktionsarten, welche FEMA-Zonen die größte Lücke zwischen dem aufweisen, was Sie einnehmen, und dem, was Sie auszahlen.
Bei einem typischen P&C-Bestand mit 200 Mio. $ gebuchter Prämie deckt diese Analyse eine jährliche Antiselektions-Leckage von 2 bis 5 Mio. $ auf. Diese Zahl ist mit ihrem Detailgrad auf Objektebene Ihr Business Case für die verbleibenden Phasen.
Wir bauen die Multi-Source-Scoring-Engine, abgestimmt auf Ihren spezifischen Bestand. Das bedeutet, die Datenquellen auszuwählen und zu gewichten, die für Ihre Geografien relevant sind, die pluvialen Mikromodelle für Ihre Schlüsselmärkte zu trainieren und die Guidewire- oder Duck-Creek-Integration mit der Pre-Scoring-Cache-Schicht aufzubauen.
Wir validieren das Modell anhand Ihrer historischen Schäden. Der Test ist einfach: Sagt das Risikoranking des Modells besser voraus als Ihr aktueller Tarifplan, welche Policen in den letzten 5 Jahren Hochwasserschäden gemeldet haben?
Wir erstellen die DOI-Einreichungspakete für Ihre vorrangigen Bundesstaaten. Jedes Paket umfasst das versicherungsmathematische Memorandum, den Modellvalidierungsbericht (Backtesting gegen historische Ereignisse, Out-of-Sample-Tests), die Disparate-Impact-Analyse und die Erklärbarkeitsdokumentation, die zeigt, wie die Tarifierungsfaktoren des Modells mit dem physischen Hochwasserrisiko zusammenhängen.
Die Einreichungszeiträume variieren je nach Bundesstaat. „File and use"-Staaten (der größte Teil des Südostens) erlauben den sofortigen Einsatz nach der Einreichung. „Prior approval"-Staaten (Kalifornien, New York) erfordern eine Prüfung durch den Examiner vor dem Einsatz, was 60 bis 120 Tage hinzufügt.
Go-live im ersten Erneuerungszyklus mit KI-erweiterten Tarifen. Wir überwachen die Entwicklung der Schadenquote, die Prämienangemessenheit und die Kundenbindung. Der erste Erneuerungszyklus ist entscheidend: Sie werden sehen, dass einige Policen nicht erneuert werden, wenn falsch bepreiste Risiken zum ersten Mal korrekt bepreist werden. Das Ziel ist, dass die verlorene Prämie aus abwandernden Hochrisikopolicen durch reduzierte Schäden mehr als ausgeglichen wird.
Wenn Sie auch die SAR-Schadentriage-Pipeline einsetzen, aktivieren wir sie auf einem parallelen Pfad und führen vor der nächsten Hurrikansaison eine Tabletop-Übung gegen ein historisches Ereignis in Ihrem Portfolio durch.
Beantworten Sie 8 Fragen zu Ihren aktuellen Hochwasser-Underwriting-Fähigkeiten. Erhalten Sie eine bewertete Einschätzung mit spezifischen Lücken und nächsten Schritten für Ihre Situation.
Die Integrationsherausforderung liegt weniger im API-Aufruf als vielmehr in der Caching- und Fallback-Architektur. Ein roher API-Aufruf an einen externen Scoring-Dienst dauert 200–400 ms, was den größten Teil Ihres Latenzbudgets für ein Inline-Quote aufbraucht. Wir bauen eine Pre-Scoring-Schicht, die Ihren Bestand in Kraft nächtlich gegen die neuesten Satellitenbilder und Objektintelligenz-Feeds stapelverarbeitet und die Scores im Integration Data Manager von Guidewire speichert. Wenn eine Quote-Anfrage eingeht, ruft die Tarifierungs-Engine den zwischengespeicherten Score in unter 50 ms ab.
Für neue Eingaben, die noch nicht im Cache sind, verwenden wir ein asynchrones Anreicherungsmuster: Das Quote läuft mit einem vorläufigen Score auf Basis der verfügbaren FEMA-Zonen- und Höhendaten weiter, dann wird der vollständige KI-Score innerhalb von Minuten nachgetragen. Die Referral-Queue fängt alle Fälle ab, in denen der vorläufige und der vollständige Score erheblich voneinander abweichen.
Dieses Muster hält Ihren Quote-Bind-Ablauf unter 500 ms und stellt zugleich sicher, dass jede Police letztlich die vollständige Multi-Source-Risikobewertung erhält. Bei Duck Creek ist die Architektur ähnlich, nutzt jedoch deren External-Data-Call-Framework anstelle des Integration Data Manager.
Der Z-FLOOD-Score von ZestyAI ist stark für die strukturelle Anfälligkeit auf Objektebene, insbesondere Dachzustand, Baumaterialien und Nähe zu Gewässern. Doch er hat spezifische blinde Flecken, die für Hochwasser relevant sind. Erstens modelliert Z-FLOOD nicht die kommunale Entwässerungskapazität. Zwei Objekte mit identischen Z-FLOOD-Scores können je nachdem, ob das Regenwasserkanalnetz in ihrem Mikroeinzugsgebiet für ein 10-jährliches oder 100-jährliches Ereignis ausgelegt wurde, eine sehr unterschiedliche pluviale Hochwasserexposition aufweisen.
Zweitens bezieht ZestyAI keine Echtzeit-SAR-Überwachung ein, sodass Sie einen statischen Risiko-Score erhalten, aber keine ereignisgesteuerte Portfolio-Alarmierung. Drittens, und das ist das Einreichungsproblem: Wenn Sie Z-FLOOD als Tarifierungsvariable bei einem bundesstaatlichen DOI einreichen, fragt der Examiner nach der zugrunde liegenden Merkmalswichtigkeit und dem Schadenquoten-Lift nach Dezilen. ZestyAI stellt eine Model Card bereit, doch in Staaten wie Colorado und New York wollen die Examiner die Analyse anhand Ihres spezifischen Bestands ausgeführt sehen, nicht eine generische branchenweite Validierung.
Wir bauen den Wrapper, der die Objektintelligenz von ZestyAI mit der SAR-Überwachung von ICEYE, der pluvialen Entwässerungsmodellierung und Ihrer eigenen Schadenhistorie zu einem zusammengesetzten Score kombiniert. Anschließend erstellen wir die DOI-Einreichungsdokumentation, die zeigt, wie jede Komponente speziell zur Vorhersagegenauigkeit für Ihr Portfolio beiträgt.
Das NAIC AI Model Bulletin, das nun in mehr als 24 Bundesstaaten übernommen wurde, verlangt von Versicherern den Nachweis, dass KI-gesteuerte Bepreisung keine unfair diskriminierenden Ergebnisse hervorbringt. Speziell für Hochwasser besteht das Risiko, dass CV-basierte Objektbewertungen mit dem Einkommen des Wohngebiets korrelieren. Ein Objekt in einem einkommensschwächeren Gebiet könnte aufgeschobene Instandhaltung, niedrigere Dachzustands-Scores und mehr versiegelte Fläche aufweisen, was alles die Schwere von Hochwasserschäden legitim vorhersagt, aber auch als Proxy für geschützte Merkmale dient.
Die Analyse beginnt mit einem geografischen Disparitätstest: Wir kartieren Ihre KI-erweiterten Tarife gegen die Demografie der Census-Tracts (Ethnie, Einkommen, Alter) und vergleichen die Tarifverteilungen. Wenn das KI-Modell nach Bereinigung um die tatsächliche Hochwassergefahr systematisch höhere Tarife in mehrheitlich von Minderheiten bewohnten Tracts erzeugt, ist das ein Warnsignal. Als Nächstes führen wir eine Merkmalsattributionsanalyse mit SHAP-Werten durch, um zu identifizieren, welche Eingabemerkmale die Disparität antreiben. Oft ist es eine einzelne Variable wie der Dachzustands-Score oder das Versiegelungsverhältnis, die den Großteil des demografischen Signals trägt.
Die Lösung besteht nicht darin, die Variable zu entfernen. Sie besteht darin nachzuweisen, dass die Vorhersagekraft der Variable für Hochwasserschäden unabhängig von ihrer demografischen Korrelation versicherungsmathematisch gerechtfertigt ist. Wir erstellen das Dokumentationspaket, das zeigt: Hier ist die Disparität, hier ist, warum sie versicherungsmathematisch gerechtfertigt ist, und hier sind die Kontrollen, die wir implementiert haben. Das DFS Circular 2024-7 von New York ist der anspruchsvollste Standard. Wenn Ihre Dokumentation New York besteht, besteht sie überall.
Wenn ein Hochwasserereignis ausgelöst wird, beginnt die Konstellation von ICEYE, Satelliten über dem betroffenen Gebiet zu beauftragen. Sie erhalten die erste Karte des Hochwasserausmaßes innerhalb von 12–24 Stunden nach dem Überflutungshöhepunkt, geliefert als GIS-kompatible Shapefiles mit 30-Meter-Auflösung. Aktualisierte Ausmaße treffen alle 6 Stunden ein, sobald weitere Satellitenüberflüge erfolgen.
Die Triage-Pipeline, die wir bauen, erledigt mit diesen Daten vier Dinge. Erstens, Portfolio-Overlay: Der SAR-Hochwasser-Footprint wird mit den geocodierten Adressen Ihrer Versicherungsnehmer verschnitten, um den gefährdeten Total Insurable Value zu berechnen, aufgeschlüsselt nach Deckungsart und Policenlimit. Ihre Schadenleitung erhält diesen Bericht, bevor der erste FNOL-Anruf eingeht. Zweitens, Routing der Schadenregulierer: Außendienst-Regulierer werden nur zu SAR-bestätigten nassen Objekten entsandt, was vergebliche Vor-Ort-Besuche typischerweise um 40–60 % reduziert. Drittens, Schweregradschätzung: Durch die Kombination der SAR-abgeleiteten Hochwassertiefe an jedem Objekt mit der CV-geschätzten Erdgeschosshöhe berechnen wir die geschätzte Wassereindringtiefe, die direkt auf die Schadenkurven aus FEMAs Hazus-Modell abgebildet wird.
Viertens, Betrugsmarkierung: Jeder FNOL-Schaden von einem Objekt, das laut SAR-Daten während des Ereignisses trocken war, wird automatisch an die SIU weitergeleitet. Das urbane Double-Bounce-Problem in SAR-Daten bedeutet, dass Sie in dicht bebauten urbanen Gebieten falsch-negative Ergebnisse erhalten, etwa bei 15 % der Objekte. Wir handhaben dies mit einem optischen Satellitenabgleich, sobald die Wolkendecke aufreißt, typischerweise 48–72 Stunden nach dem Ereignis. Das System läuft während Ereignissen als Managed Service und ruht zwischen ihnen, sodass Sie nicht für ungenutzte Infrastruktur zahlen.
Die meisten kommerziellen Hochwassermodelle, einschließlich der Vendor-Scores, die Sie heute kaufen können, sind grundlegend rückwärtsgewandt. Sie trainieren auf historischen Schadendaten und Satellitenbeobachtungen, was bedeutet, dass sie das Klima modellieren, das war, nicht das Klima, das sein wird. Für eine 1-Jahres-Police ist das akzeptabel. Für Portfoliostrategie, Reserveangemessenheit und Verhandlungen über Rückversicherungsverträge ist es eine echte Lücke.
Die technische Antwort sind physikinformierte neuronale Netze. Anstatt rein auf historischen Hochwasserereignissen zu trainieren, bettet ein PINN die Saint-Venant-Gleichungen (Erhaltung von Masse und Impuls bei Fluidströmung) direkt in die Verlustfunktion ein. Das bedeutet, dass das Modell nicht vorhersagen kann, dass Wasser ohne Quelle erscheint oder bergauf fließt. Wenn Sie ihm ein synthetisches Regenszenario zuführen, das alles in der historischen Aufzeichnung übersteigt, halten die physikalischen Randbedingungen die Ausgabe physikalisch plausibel.
Die Integration der Fathom-Daten in probabilistische Ereignissätze über 50.000 Jahre durch Swiss Re ist Ausdruck dessen, wie sich die Branche in diese Richtung bewegt. Wir bauen Surrogatmodelle auf Objektebene, die vollständige hydrodynamische Simulationen in Millisekunden approximieren. Diese sind heute nicht produktionsreif für die Echtzeit-Tarifierung. Doch sie sind unverzichtbar für die Katastrophenszenarioanalyse, die Prüfung der Reserveangemessenheit und Rückversicherungseinreichungen, bei denen Sie die Exposition Ihres Portfolios gegenüber Ereignissen nachweisen müssen, die noch nicht eingetreten sind. Wir setzen sie neben den Vendor-Scores ein: ZestyAI für das heutige Risiko, physikinformierte Modelle für das von morgen.
Ein typisches Engagement läuft über 16–24 Wochen in vier Phasen. Phase 1 (3–4 Wochen) ist die Portfolio-Diagnose: Wir analysieren Ihren aktuellen Bestand, identifizieren, wo Ihre Bepreisung vom Risiko auf Objektebene abweicht, und quantifizieren die Antiselektionsexposition. Diese Phase deckt typischerweise eine jährliche Leckage von 2 bis 5 Mio. $ bei einem Bestand mit 200 Mio. $ gebuchter Prämie auf, was den Rest des Engagements finanziert.
Phase 2 (6–8 Wochen) ist die Modellentwicklung: der Aufbau der Multi-Source-Scoring-Engine, der pluvialen Mikromodelle für Ihre Schlüsselgeografien und der Guidewire/Duck-Creek-Integration. Phase 3 (4–6 Wochen) ist die regulatorische Vorbereitung: Disparate-Impact-Analyse, versicherungsmathematische Memoranda und DOI-Einreichungspakete für Ihre vorrangigen Bundesstaaten. Phase 4 (3–6 Wochen) ist die Produktiveinführung und der erste Erneuerungszyklus mit KI-erweiterten Tarifen.
Das Budget hängt vom Umfang ab. Ein fokussiertes Engagement, das einen Bundesstaat und ein Peril abdeckt (zum Beispiel private Hochwasserversicherung in Florida), kostet 350.000 bis 500.000 $. Ein bundesstaatenübergreifendes Multi-Peril-Programm, das Hochwasser, Wind und Waldbrand mit vollständiger DOI-Einreichungsunterstützung abdeckt, kostet 800.000 bis 1,5 Mio. $. Für MGAs sind die Zahlen typischerweise niedriger, weil der Bestand kleiner ist und Sie in weniger Bundesstaaten einreichen. Wir strukturieren Engagements so, dass Phase 1 ein eigenständiger Liefergegenstand ist. Wenn die Portfolio-Diagnose keine umsetzbare Leckage findet, hören Sie dort auf.
Die technischen Grundlagen hinter dieser Lösungsseite.
Technische Architektur für die CV-basierte FFE-Extraktion, SAR-Hochwasserüberwachungs-Pipelines und physikinformierte neuronale Netze für die hydrodynamische Simulation im Versicherungs-Underwriting.
Die Portfolio-Diagnose dauert 3–4 Wochen und amortisiert sich, indem sie die falsch bepreisten Zone-X-Objekte aufdeckt, die sich in Ihrem Bestand verbergen.
Die Portfolio-Diagnose dauert 3–4 Wochen. Wenn wir keine umsetzbare Leckage finden, hören Sie dort auf. Wenn wir doch welche finden, schreibt sich der Business Case für KI-Scoring auf Objektebene von selbst.