5 vragen over data & analyse

Op deze pagina is ook content beschikbaar exclusief voor leden, Log in om toegang te krijgen tot deze content
27-01-2021

Het Centrum voor Verzekeringsstatistiek (CVS) is onlangs omgedoopt tot Data Analytics Centre (DAC). Achterliggende gedachte is dat het Verbond van Verzekeraars hét data-expertisecentrum van de sector wil worden. Waarom? Wat betekent dat in de praktijk? En hoe maak je eigenlijk een goede analyse? Manager Miranda Graftdijk geeft antwoord op vijf vragen.

1. Waarom heeft het Verbond besloten het CVS om te dopen tot DAC?

“Het klinkt zo net alsof we dat gisteren hebben bedacht, maar het is een wens die al jaren speelde. Sterker nog, in 2016 hebben we al besloten om een Data Competence Centre op te richten, samen met een aantal partners. Een jaar later, in 2017, zijn we met een tijdelijk programma gestart, waarmee we kennis en ervaring wilden opdoen. Zowel met kleine als grote dataprojecten. Vervolgens hebben we een datastrategie geformuleerd, zijn we diverse samenwerkingsverbanden aangegaan en hebben we data analytics ook meer in de verenigingsstructuur verankerd. Langzaam maar zeker zijn we ook vaker use cases gaan uitvoeren, waaronder het opzetten van een Landelijke Dataregister Arbeidsongeschiktheid. Wij hebben, waarschijnlijk net als half Nederland, in het pandemiejaar 2020 ervaren dat de behoefte aan nieuwe inzichten en betrouwbare data alleen maar groeit. Gelukkig waren we toen al een paar jaar onderweg.”

2. Wat wil je met het DAC?

“Ons belangrijkste doel is dat we partijen willen helpen om grip op data te krijgen, en te houden. Daarnaast willen we graag meer waarde uit data halen, voor onze leden, maar zeker ook voor onze (data)partners, stakeholders en de media. Onze woordvoerders krijgen meer dan 600 vragen per jaar. Daar zitten heel wat vragen bij die over data gaan: hoeveel is de schade na een storm? Hoeveel autobranden zijn er in 2020 geweest? Hoeveel keer is er gefraudeerd? Als ik het in beleidstaal mag vertellen, zou ik zeggen dat we meerwaarde willen creëren door nieuwe (actuele) inzichten te bieden. In een intern stuk heb ik wel eens geschreven dat we onze maatschappelijke functie verder moeten versterken. Hoe zit het met de verzekerbaarheid op een bepaald dossier? Welke data hebben we over preventie en veiligheid? Hoe kunnen we de maatschappelijke dialoog nog effectiever voeren? Data helpt ons bij een betere risicobeheersing en meer efficiency in de keten.”

3. Wat betekent dat in de praktijk?

“Dat we het erg druk gaan krijgen. Naast de productie-/risicostatistieken en de onderzoeken die we altijd al deden voor onze leden, zullen we ons meer bezig gaan houden met het versterken van de maatschappelijke functie van onze bedrijfstak. Dat betekent dat we vaker data use cases en projecten opzetten en nieuwe productvormen ontwikkelen. Ik denk onder meer aan analyses, dashboards, datasets, tools en modellen op basis van onze eigen, maar zeker ook op basis van externe bronnen. We zoeken ook steeds vaker de samenwerking op datagebied met partners om onze gezamenlijke datapositie te versterken.”

4. Wat is een voorbeeld van een use case?

“We hebben tot nu toe al flink geoefend, onder meer met dashboards voor stal-, bedrijfs- en autobranden, en met een applicatie voor reisadviezen. Ook werken we aan een dashboard rondom mobiliteit. Op welke plekken vinden de meeste ongevallen plaats? Met welk merk/type auto? Als we antwoorden op dat soort vragen krijgen, kunnen verzekeraars hun producten op den duur nog veel beter op de wensen van de klant én de dagelijkse praktijk afstemmen.”

5. Waar moet een goed data-analyseproject aan voldoen?

“Een analysetraject bestaat uit vier stappen. De eerste is dat je je onderzoeksvraag helder moet krijgen. Dat klinkt makkelijker dan het is. Als ik bijvoorbeeld onderzoek wil doen naar de omvang van letselschade, dan zal ik de onderzoeksvraag heel specifiek moeten maken, omdat ik anders ‘verdrink’ in de oorzaken. Tweede stap betreft het zoeken, verzamelen en opschonen van data. Vragen die hierbij komen kijken: is de data volledig? Voorzien van een helder codeerschema? Koppelbaar? Hoe zit het met privacy? Al met al een lastige klus, die zeker meer dan de helft van de totale onderzoekstijd opslokt. In de derde stap komt pas de daadwerkelijke analyse aan bod. Deze wordt vaak als lastig gezien, maar is juist lekker recht toe recht aan. Je kunt grofweg kiezen uit twee verschillende technieken: de klassieke (econometrische) of de moderne (data-science) benadering. En uiteraard zijn er verschillende soorten analyses - een beschrijvende, voorspellende, causale of prescriptieve – maar de analyse zelf neemt ‘slechts’ zo’n twintig procent van alle tijd in beslag. De vierde en laatste stap is het maken van het product: een rapport, dashboard, ruwe dataset of waar maar behoefte aan is. Dat vind ik persoonlijk de leukste stap, want dan kijk je echt samen met de opdrachtgever wat nodig is om met het resultaat aan de slag te kunnen.”


Was dit artikel nuttig?