IFRS 17 und Daten: Wichtige Herausforderungen und Lösungen für Versicherungsmathematiker und Finanzteams

Die Umsetzung von IFRS 17 unterstreicht die Bedeutung von Daten für die Finanzberichterstattung im Versicherungsbereich.

Die Gewährleistung der Genauigkeit und Integration von Daten aus verschiedenen Quellen stellt für Versicherungsmathematiker und Finanzteams eine große Herausforderung dar. Diese Herausforderungen müssen angegangen werden, um Transparenz in den Finanzergebnissen zu erreichen.

Dieser Artikel behandelt die wichtigsten Datenherausforderungen unter IFRS 17 und bietet Lösungen für eine erfolgreiche Umsetzung und Datenqualität.

Die Umsetzung von IFRS 17 stellt für Versicherungsmathematiker, Finanzteams und das Management eine große Herausforderung dar, da sie eine korrekte Bewertung und Transparenz der Finanzergebnisse erfordert.

Wichtige Elemente wie die Erfassung von Erträgen und Verbindlichkeiten, die Bewertung von Verpflichtungen, CSM und die Vertragsgruppierung führen zu einer neuen Komplexität.

Diese Umstellung verbessert jedoch auch die Transparenz und Vergleichbarkeit der Finanzberichterstattung, wobei der Schwerpunkt auf Cashflows und detaillierteren Finanzangaben liegt.

Im Gegensatz zu IFRS 4, der eine größere Flexibilität bei der Berichterstattung zuließ, legt IFRS 17 einen strukturierteren Ansatz für die Bewertung von Versicherungsverträgen fest.

Daten spielen eine zentrale Rolle für die erfolgreiche Umsetzung von IFRS 17. Die Herausforderung für Versicherungsmathematiker, Finanzsysteme und das allgemeine Management besteht darin, eine korrekte Bewertung und Transparenz der Finanzergebnisse sicherzustellen.

Dies erfordert eine komplexe Datenverarbeitung und -umwandlung von Prognosen. Es entsteht Komplexität aufgrund der fehlenden klaren Definition, wie bestimmte Berechnungen durchgeführt werden sollen (nicht präskriptiv = methodische Entscheidungen), und aufgrund der fehlenden notwendigen Granularität der Daten.

Dies setzt eine starke Integration zwischen den Systemen und Bereichen des Unternehmens voraus. Erhebliche Auswirkungen auf Laufzeiten und Speicherkapazität.

Die Datenanalyse ist für die Bewertung von Versicherungsverträgen von entscheidender Bedeutung. Fortschrittliche Analysewerkzeuge ermöglichen die Erstellung von Cashflow-Modellen, die Risikobewertung und fundierte Entscheidungen. Der Einsatz prädiktiver Analysetechniken kann die Genauigkeit versicherungsmathematischer Prognosen verbessern.

• Erforderlicher Detaillierungsgrad (auf Policenebene) mit der Anforderung der Rückverfolgbarkeit vom Anfang (Quelle) bis zum Ende (Berichterstattung).
• Unterschiedliche Formate, leere Daten, Daten auf den Rechnern der Benutzer und/oder unterschiedliche Systeme pro Bereich.
• Verständnis der Daten und neuen Kriterien, Überprüfungen sind vom Anfang bis zum Ende des Prozesses erforderlich, es gibt keine einzige verantwortliche Stelle.
• Änderung der Methodik (aktuell vs. IFRS 17), wodurch die Daten nicht mehr vergleichbar sind.
• Unterschiedliche Währungen (funktional vs. Berichterstattung). Struktur derjenigen, die in OCI oder P&L übernommen wird.

Die Systemintegration kann eine Herausforderung darstellen, da sie die Integration verschiedener Systeme und Datenquellen erfordert: Excel, Access, Textdateien, Cloud…

Hier sind die wesentlichen Herausforderungen für die IFRS 17-Compliance und die Sicherheitsintegration:

Datensicherheit

• Die große Vielfalt an Daten aus so vielen verschiedenen Quellen und von so vielen verschiedenen Personen macht es schwierig, einen Mittelweg zu finden.
• „Kostenlose” Tools wie R, Phyton…
• Das Fehlen eines integrierten Informationssystems erhöht die Risiken hinsichtlich der Rückverfolgbarkeit und Verfügbarkeit von Informationen.

• Verbindung zwischen dem versicherungsmathematischen Team und dem Buchhaltungsteam: Wie fahre ich fort? Wie wechsle ich von einem Gerät zum anderen? Es ist wichtig, ein definiertes System zu haben, in dem alle Informationen vereinheitlicht sind, zuerst versicherungsmathematisch, dann buchhalterisch. Es sollten Datenkontrollrichtlinien vorhanden sein, z. B. Validierungsrichtlinien für das weitere Vorgehen. Wer kommt zuerst, wer kommt als Zweiter? IFRS 17 bringt sie zusammen.
• Datenverarbeitung: Legen Sie vor der Analyse Richtlinien fest. Welche Verfahren habe ich definiert? Wer führt Überprüfungen durch? Wer gibt die Freigabe für den nächsten Schritt?

• Die Teams müssen wissen, warum Datenqualität wichtig ist und warum nicht.
• Bewusstsein für die Auswirkungen des Prozesses, vom Anfang bis zum Ende.
• Was beinhaltet Ihre Beteiligung?
• Bedeutung der Überprüfung.
• Wenn es definierte Strukturen gibt, werden menschliche Fehler reduziert, was zu einer guten Datenqualität beiträgt.

Die Verbesserung des Datenmanagements ist für die Aufrechterhaltung der Genauigkeit unerlässlich, da manuelle Prozesse das Risiko von Fehlern und Unsicherheiten erhöhen.

Ein strukturiertes und klar definiertes System und/oder Verfahren ermöglicht die Rückverfolgbarkeit von Informationen von Anfang bis Ende und in der erforderlichen Granularität, da dies für die Erzielung zuverlässiger und konsistenter Ergebnisse relevant ist.

Ein Informationsmanagementprozess ist wichtig, um Fehler in den Daten zu vermeiden, die dazu führen können, dass dem Markt falsche Zahlen präsentiert werden.

Die Schulung der Teams zu diesem Standard ist nicht nur für die Validierung der Zuverlässigkeit der Ergebnisse unerlässlich, sondern auch für das Verständnis der finanziellen Situation des Unternehmens und der Variablen, die den größten Einfluss haben (Z. B. Schätzungsannahmen, Schwankungen der Diskontkurven, Cashflow…).

Die Qualität und Genauigkeit der Daten sind unerlässlich, um die finanzielle Situation der Versicherer genau widerzuspiegeln.

• Durch die Implementierung effektiver Datenmanagementpraktiken können Versicherer die IFRS 17 einhalten, genaue Berechnungen gewährleisten und ihre Abläufe optimieren.
• Die Sicherstellung der Datenqualität erfüllt nicht nur die Anforderungen von IFRS 17, sondern stärkt auch die strategische Entscheidungsfindung innerhalb des Unternehmens.