Person zeigt auf Datenvisualisierungen und Diagramme, die auf einem Tisch ausgebreitet sind, während ein Team eine Cloud-native Datenplattform zur Analyse von Einzelrisiken entwickelt.

Einzelrisiko-Datenanalyse bei Rückversicherer

Versicherungen

Konzeption und Entwicklung einer flexiblen Cloud-native-Datenplattform

Ein internationaler Rückversicherer benötigte eine zentrale Analyse von Zedenten-Buchungsdaten. Wir entwickelten eine Cloud-native Datenplattform in Azure mit flexiblen ETL-Pipelines. Dadurch wurden eine zentrale Nachvollziehbarkeit, flexible Anpassung an neue Datenquellen und effizientes Self-Service Reporting mit Power BI ermöglicht.

Leistungen

Kundenbenefits

Zentrale Nachvollziehbarkeit von Zedenten-Buchungsdaten
Flexible Anpassung an neue Datenquellen und Systeme
Historische Datenanalyse über beliebige Zeiträume
Effizientes Self-Service Reporting mit Power BI

Ausgangssituation

Unser Kunde, einer der drei größten international agierenden Rückversicherer, möchte Daten von verschiedenen Zedenten übergreifend analysieren, mit dem Ziel Buchungsdaten nachzuvollziehen. Einer Cloud-First-Strategie folgend soll eine Blaupause für eine Cloud-native Datenplattform in Azure entwickelt werden. Als Basis soll eine einheitliche Datenstruktur dienen, für die in einem Parallelprojekt Daten verschiedener Onboarding-Systeme harmonisiert und lokal gespeichert werden.

Bei der Entwicklung der Datenplattform muss berücksichtigt werden, dass sie künftig flexibel an eine veränderte Quelldatenstruktur angepasst sowie an Quellsysteme mit weiteren Unternehmensdaten angeschlossen werden kann.

Vorgehen

Unser Data Consultant erarbeitete einen Architekturentwurf und stellte diesen in einem Workshop zusammen mit Beratern von Microsoft vor. Anschließend hat er Infrastructure as Code Templates für den Aufbau der Azure-Umgebungen entwickelt und in entsprechende Deployment Pipelines eingebettet. Innerhalb des dadurch entstandenen Cloud Data Warehouse wurden ETL-Pipelines für Change Data Capture, eine Historisierung und eine dimensionale Modellierung implementiert. Diese ETL-Pipelines sind in der Lage, die notwendigen Transformationen parametergesteuert für unterschiedliche Arten von Quelldaten durchzuführen und bilden somit ein generisches Data Warehouse.

Zur Qualitätssicherung der Implementierung wurden automatisierte Integrations-Tests entwickelt. Diese stellen das korrekte Zusammenspiel der einzelnen ETL-Pipelines sicher. Aufbauend auf dem entstandenen Datenmodell wurden verschiedene Power BI-Berichte entwickelt. Diese können für weiteres Self-Service Reporting genutzt werden.

Ergebnis

Auf der neu entwickelten Datenplattform können Einzelrisikodaten in ihrem gesamten Life-Cycle analysiert werden. Darüber hinaus ist es durch eine bi-temporale Historisierung möglich, den Datenstand für einen beliebigen Zeitraum zu betrachten.

Mit dem Data Warehouse können die Bereiche Accounting, Data Analytics und Modelling niederlassungsübergreifend Auswertungen erstellen.

Referenz herunterladen