Data Scientist | Aktuar

9/2024 – 7/2025

Entwicklung und Produktivsetzung eines NLP-Klassifizierungsmodells zur automatischen Kategorisierung eingehender Kundenanfragen
(E-Mails, Briefe) in 8 Klassen mit SLA-basiertem Routing.

• Datenbasis: 452.318 qualitätsgeprüfte Texte aus dem Allianz CRM-Archiv (2021–2024); 48.500 manuell annotiert (2 Annotatoren,
Cohen's Kappa = 0,91)
• BERT Fine-Tuning (deepset/gbert-base, 110M Parameter): Accuracy 98,2 %, F1 = 0,981 — übertrifft TF-IDF/SVM Baseline (95,4 %)
signifikant
• Semi-Supervised Pseudo-Labeling auf 403.818 unlabeled Texten (Konfidenz ≥ 0,95)
• DSGVO-konforme Anonymisierung via spaCy NER (Namen, Vertragsnummern, IBAN)
• LangChain + GPT-4o Zero-Shot als Fallback für neue/unbekannte Kategorien
• Automatisierungsrate 78 % — Zeitersparnis ~2.500 Stunden/Monat
• Python, HuggingFace Transformers, spaCy, LangChain, Plotly/Dash

Machine Learning

3/2024 – 12/2024

Aufgaben:
Survival-analytische Untersuchung des Stornoverhaltens im RLV-Bestand (500.778 Verträge) zur Identifikation und
Quantifizierung von Anti-Selektionseffekten.

• Kaplan-Meier Überlebensanalyse nach Raucherstatus, Gesundheit und Altersgruppe — Log-rank Tests (p < 0,001) zur
Signifikanzprüfung von Gruppenunterschieden
• Cox Proportional Hazards Modell: Identifikation der Storno-Treiber (Nichtraucher HR=1,84; Gesundheit "Gut" HR=1,62—
Anti-Selektion statistisch nachgewiesen
• Anti-Selektions-Index (ASI = 1,24): Portfolio nach 5 Jahren um 24 % risikoreicher als zu Beginn
• Entwicklung eines Storno-Score-Modells zur proaktiven Früherkennung kündigungsgefährdeter Niedrigrisiko-VN
• Python (Pandas, Lifelines, Scikit-learn), interaktives Dashboard (Plotly/Dash)

Data Science

3/2023 – 11/2023

End-to-End ML-Projekt zur datengetriebenen Überprüfung und Optimierung des BU-Tarifs auf Basis von 387.241 aktiven Verträgen
(2020–2023).

• Datenaufbereitung & Feature Engineering: Exploration und Transformation des BU-Portfolios, Behandlung fehlender Werte (< 0,8 %),
Identifikation relevanter Risikotreiber — Python (Pandas, NumPy), SQL
• Modellentwicklung: Systematischer Vergleich GLM (Tweedie/Binomial) vs. XGBoost/Gradient Boosting — Hyperparameter-Tuning,
Regularisierung (Ridge, Lasso)
• Modellvalidierung: AUC 0,725 (GLM), Brier Score 0,063, 5-fold Cross-Validation (CV-AUC 0,720), SHAP-Values zur
Interpretierbarkeit gegenüber Fachabteilungen
• Pricing-Gap-Analyse: Identifikation von 2 stark unterkalibrierten Segmenten (Schwere Körperarbeit +321 %, Handwerk +165 %) —
konkrete Tarifanpassungsempfehlungen für das Management
• Interaktives Management-Dashboard (Python, Plotly/Dash) zur Portfolioüberwachung
• Präsentation der Ergebnisse vor Pricing- und Produktmanagement

Aktuar, Data Scientist