Unterversicherungs-Erkennungssystem

Das echte Ausmaß des Problems

Zwischen 2020 und 2023 stiegen die deutschen Baupreise für Wohngebäude um mehr als 40 Prozent. Der GDV-Anpassungsfaktor, der die jährliche Preisentwicklung für Gebäudeversicherungen abbildet, kletterte allein 2023 um 14,73 Prozent — der höchste Sprung seit Einführung des gleitenden Neuwerts. Wer seine Versicherungssumme in dieser Zeit nicht anpasste, akzeptierte eine Unterversicherung von bis zu 20 Prozent innerhalb von nur drei Jahren.

Das Problem liegt in der Natur des Produktes: Wohngebäudeversicherungen sind langfristig. Versicherungsnehmer schließen einmal ab und überprüfen kaum. Viele Tarife enthalten zwar den gleitenden Neuwert — der die Summe jährlich per Formel anhebt — aber dieser Mechanismus greift nicht für Gebäude, die seit Jahren mit einem veralteten Wert 1914 als Basis laufen. Und er erfasst keine baulichen Veränderungen: Der Anbau, die neue Einliegerwohnung, das Wintergarten-Projekt — all das erhöht den Wiederherstellungswert, taucht im Bestandsdatensatz aber nicht auf.

Was das konkret bedeutet:

• Laut §75 VVG hat der Versicherer das Recht — und die Pflicht — die Entschädigung proportional zur Unterversicherung zu kürzen. Wer mit 70 Prozent der notwendigen Summe versichert ist, erhält 70 Prozent des Schadens.
• Der Einwand der Unterversicherung ist nur zulässig, wenn die Differenz erheblich ist — also mehr als 10 Prozent beträgt. In der Praxis ist dieser Schwellenwert durch die Baupreisentwicklung der letzten Jahre bei einem Großteil älterer Verträge bereits überschritten.
• SkenData Wert14, das führende deutsche Gebäudewertermittlungssystem, bewertet mehr als 61 Millionen Gebäude in Deutschland und Österreich — und berichtet, dass mehr als 30 Versicherer die Wert14-Bewertung als Grundlage für den Unterversicherungsverzicht anerkennen, weil das Ausmaß des Problems offenbar genug ist, um aktiv Lösungen zu finanzieren.

Makler sehen die andere Seite des Problems: §61 VVG verpflichtet sie dazu, den Versicherungsbedarf zu prüfen und Beratungslücken zu dokumentieren. Wer Unterversicherungsrisiken in seinem Bestand kennt und trotzdem keine Kundenansprache startet, riskiert Haftungsansprüche — nicht im Schadensfall des Versicherungsunternehmens, sondern im Schadensfall des Kunden gegen den Makler.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Erkennungsrate und Aktualität stammen aus Erfahrungswerten mit API-basierten Gebäudewertermittlungen (SkenData-Whitepaper, InsurLab Germany 2021). Schadenfallquote nach Unterversicherungsbehebung: keine unabhängigen Studien verfügbar — das ist eine der ehrlichen Lücken dieses Anwendungsfalls.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Das System eliminiert manuelle Portfolio-Reviews, die heute entweder als grobe Stichproben stattfinden oder gar nicht. Für Bestandsbetreuerinnen und Bestandsbetreuer, die tausende Verträge verwalten, ist das ein echter Gewinn. Aber: Im Anschluss an die Identifikation folgt manuelle Nacharbeit — Kundenkontakt, Beratungsgespräch, Dokumentation. Wer denkt, KI erledige das alles, unterschätzt den Aufwand nach der Analyse. Zeitersparnis auf Systemebene: hoch. Zeitersparnis gesamt (inkl. Outreach): mittel.

Kosteneinsparung — niedrig (2/5) Das ist kein Kostensenkungs-Use-Case. Die finanziellen Effekte entstehen auf zwei Wegen: erstens durch vermiedene Kulanz-Zahlungen bei Schäden, die ohne Prüfung als freiwillige Aufstockung reguliert worden wären; zweitens durch Mehrprämien aus angepassten Versicherungssummen. Beides ist indirekt, zeitverzögert und schwer von anderen Faktoren zu isolieren. Im Vergleich zu Schadenleistungs-Leakage-Erkennung, die direkt auf laufende Schadenzahlungen wirkt, ist der Kostenhebel hier deutlich schwächer.

Schnelle Umsetzung — mittel (3/5) Die API-Anbindung an SkenData Wert14 oder vergleichbare Gebäudebewertungsdienste ist technisch handhabbar — aber sie setzt voraus, dass Bestandsdaten strukturiert und zugänglich sind. Wer Vertragsadressen, Baujahre, Wohnflächen und aktuelle Versicherungssummen als saubere Datenbasis hat, ist in 6–8 Wochen pilotfähig. Wer erst auf ein ETL-Projekt wartet, das Altdaten aus drei Systemen zusammenführt, rechnet eher mit 12–18 Monaten.

ROI-Sicherheit — niedrig (2/5) Das ist der ehrlichste Wert in dieser Auswertung. Der ROI dieses Systems ist dreifach bedingt: erstens muss das System die Unterversicherung korrekt identifizieren; zweitens muss der Kunde die Anpassung akzeptieren und Mehrprämie zahlen; drittens muss — damit der Vermeidungsnutzen manifest wird — tatsächlich ein Schaden eintreten. In normalen Jahren ohne Großschäden sieht der ROI auf dem Papier gut aus, ist aber nicht messbar. Nur der ROI-Pfad über Mehrprämien ist direkt quantifizierbar. Das ist eine ehrliche 2 — deutlich schwieriger zu belegen als bei der Parametrischen Versicherung Wetterauslöser.

Skalierbarkeit — hoch (4/5) Die gleiche Modell-Logik skaliert von 2.000 auf 200.000 Verträge ohne fundamentale Architekturänderungen. API-Kosten wachsen linear mit dem Abfragevolumen — aber die Infrastruktur daneben nicht. Wer heute 5.000 Verträge scannt, kann morgen 50.000 scannen. Die Begrenzung liegt nicht im System, sondern in der Kapazität des Vertriebs- und Beratungsnetzes, die identifizierten Fälle auch zu bearbeiten.

Richtwerte — stark abhängig von Bestandsgröße, Datenqualität und Vertriebs-Followup-Kapazität.

Was das System konkret macht

Das technische Prinzip ist einfacher als der Begriff “Unterversicherungs-Erkennungssystem” vermuten lässt. Im Kern sind es drei Schritte:

Schritt 1 — Bestandsdaten laden. Für jeden Vertrag im Wohngebäude- oder Hausrat-Portfolio werden die Eckdaten geladen: Adresse des Objekts, Baujahr, Wohnfläche, Ausstattungsmerkmale (wenn vorhanden) und die aktuelle Versicherungssumme.

Schritt 2 — Aktuellen Wiederherstellungswert ermitteln. Per API an einen Gebäudewertermittlungsdienst (z. B. SkenData Wert14) wird der aktuelle Versicherungswert nach Wert 1914 × aktuellem Baupreisindex berechnet. Die KI hinter dem Dienst berücksichtigt Katasterdaten, 3D-Gebäudedaten und Luftbilder — und erkennt Veränderungen wie Dachgauben, Anbauten oder Photovoltaikanlagen.

Schritt 3 — Differenz berechnen und priorisieren. Das System vergleicht aktuellen Wiederherstellungswert mit aktueller Versicherungssumme und berechnet den Unterdeckungsgrad. Verträge mit mehr als 10 Prozent Unterdeckung (die gesetzlich relevante Schwelle nach §75 VVG) werden markiert. Verträge mit über 20 oder 30 Prozent Unterdeckung kommen in eine priorisierte Handlungsliste.

Was das System nicht macht: Es führt keine Kundengespräche. Es ändert keine Versicherungssummen. Es erstellt keine Beratungsprotokolle. Alles, was nach der Identifikation kommt, bleibt menschliche Aufgabe — und das ist bei einem rechtlich sensiblen Produkt wie einer Wohngebäudeversicherung auch richtig so.

§ 75 VVG und die Zwei-Stakeholder-Falle

Das ist die unbequeme Wahrheit hinter diesem Use-Case, und sie verdient einen eigenen Abschnitt.

Wenn ein Versicherungsunternehmen ein Unterversicherungs-Erkennungssystem einführt, hat es zunächst ein klares eigenes Interesse: weniger Kulanz-Zahlungen. Wenn ein Schaden eintritt und Unterversicherung vorliegt, kann das Unternehmen nach §75 VVG die Entschädigung proportional kürzen — was es regelmäßig tut, wenn die Unterdeckung mehr als 10 Prozent beträgt. Das schützt die Kalkulation. Für den Kunden ist dieser Moment das Schlimmste, was passieren kann: Schaden eingetreten, Schutz unzureichend.

Szenario A — System wird proaktiv für Kunden eingesetzt: Der Versicherer nutzt die Identifikationsergebnisse, um Kunden aktiv anzusprechen und Versicherungssummen anzupassen — bevor ein Schaden eintritt. Der Kunde ist besser geschützt. Der Versicherer kassiert höhere Prämien, vermeidet aber gleichzeitig den Reputationsschaden einer unterregulierten Entschädigung. Das ist die Win-Win-Version.

Szenario B — System wird passiv genutzt: Der Versicherer weiß, welche Kunden unterversichert sind, spricht sie aber nicht an. Im Schadensfall wird die Unterversicherung geltend gemacht. Das ist rechtlich möglich — aber moralisch problematisch und kommunikativ riskant. In der heutigen Transparenzkultur (Bewertungsportale, Social Media) kann ein bekannter Fall schnell zum Reputationsproblem werden.

Szenario C — Makler-Perspektive: Ein Makler, der durch dieses System Unterversicherungen identifiziert, hat nach §61 VVG eine Beratungspflicht. Er muss den Kunden darüber informieren. Tut er es nicht — und tritt dann ein Schaden ein — haftet er persönlich für den Differenzbetrag. Das System erzeugt für Makler keine Opportunität, sondern eine Handlungspflicht.

Was das für die Einführung bedeutet: Entscheide bewusst, welches Szenario du umsetzen willst — und kommuniziere das intern. Ein System, das stille Unterversicherung kennt aber trotzdem Schäden proportional kürzt, ohne vorher zu warnen, ist technisch korrekt und ethisch fragwürdig. Die ehrliche Einführung definiert den Umgang mit den Ergebnissen als Beratungsanlass — nicht als Haftungswaffe.

Konkrete Werkzeuge

SkenData Wert14 — die wichtigste Voraussetzung. Wert14 ist das führende deutsche Tool zur digitalen Gebäudewertermittlung per Adresseingabe oder API. Über 30 deutsche Versicherer erkennen den Wert14-Bericht als Basis für den Unterversicherungsverzicht an — was bedeutet, dass das Tool am Markt etabliert und regulatorisch anerkannt ist. Ab 49,90 €/Nutzer/Monat für Einzelnutzung; API-Volumenpreise auf Anfrage. Pflichtanlaufstelle für jeden, der diesen Use-Case umsetzen will.

Power BI / Tableau — für die Visualisierung und Priorisierung der Ergebnisse. Nach dem API-Screening liegen tausende Datenpunkte vor: welche Verträge sind wie stark unterversichert, in welchen Regionen, bei welchen Gebäudetypen. Ein Analyse-Dashboard hilft Bestandsbetreuern, die richtigen Prioritäten zu setzen — und dem Management, die Entwicklung des Gesamtportfolios zu verfolgen.

Salesforce — für Versicherer mit Außendienstorganisation oder Maklernetzen: Das CRM verwaltet die Follow-up-Workflows nach der Identifikation. Wer angesprochen wurde, wann, mit welchem Ergebnis, ob eine Anpassung vereinbart wurde — das braucht eine strukturierte Vertriebspipeline, keine Excel-Liste.

Softfair — für Makler, nicht für Versicherer direkt. Softfair ermöglicht Maklern den schnellen Tarifvergleich nach einer Versicherungssummenanpassung. Wenn ein Kunde aufgrund des Screenings eine höhere Summe absichern will, ergibt sich die Frage: Bleibt er beim aktuellen Versicherer oder gibt es einen günstigeren Anbieter? Softfair liefert den Vergleich in einer Session.

Freie Alternative — Python + Baupreisindex-Daten: Wer kein Budget für SkenData hat, kann mit Python und dem öffentlich verfügbaren GDV-Anpassungsfaktor eine einfachere Variante bauen: Versicherungssumme × (aktueller Anpassungsfaktor / historischer Anpassungsfaktor bei Vertragsabschluss). Das ist eine Näherung ohne Gebäudedaten, aber besser als nichts — und funktioniert als erster Screening-Filter ohne API-Kosten.

Datenschutz und Datenhaltung

Dieser Use-Case berührt personenbezogene Daten auf mehreren Ebenen: Vertragsdaten (Versicherungsnehmer, Objekt, Versicherungssumme) und Gebäudedaten (Adresse, Bauausführung, ggf. Energiezertifikat).

Was DSGVO-konform funktioniert: Gebäudebewertung über SkenData basiert auf öffentlichen Katastern und Luftbilddaten — keine personenbezogenen Informationen werden an SkenData übermittelt. Die Verknüpfung von Bewertungsergebnis mit Vertragsdaten findet intern statt. Rechtliche Grundlage: Art. 6 Abs. 1 lit. b DSGVO (Vertragserfüllung) und Art. 6 Abs. 1 lit. f DSGVO (berechtigtes Interesse an Risikoprüfung).

Auftragsverarbeitung (AVV): Wenn Adressdaten an externe APIs übermittelt werden, ist ein AVV mit dem Dienstleister abzuschließen. SkenData ist deutsches Unternehmen mit Hosting in Deutschland — das vereinfacht die Umsetzung erheblich.

Besondere Vorsicht: Wenn das System auch dazu genutzt wird, Entschädigungsentscheidungen im Schadensfall zu beeinflussen (Szenario B oben), kommen BaFin-Anforderungen an algorithmische Entscheidungssysteme ins Spiel. Das erfordert eine rechtliche Einschätzung — pauschal lässt sich das hier nicht abschließend beurteilen.

Was es kostet — realistisch gerechnet

Einrichtungskosten (Pilotphase mit 5.000 Verträgen):

• SkenData Wert14 API: ca. 2.000–4.000 € für 5.000 Einzelbewertungen (Volumenpreis auf Anfrage)
• Datenaufbereitung und API-Integration (intern oder extern): 8.000–20.000 €
• Reporting-Dashboard (Power BI oder Tableau): 2.000–5.000 € einmalig bei externem Aufbau
• Gesamt Pilot: 12.000–30.000 € je nach Datenqualität und vorhandener Infrastruktur

Laufende Kosten:

• Jährliches Re-Screening (einmal jährlich alle Verträge): 0,50–1,00 €/Vertrag über API
• SkenData Basislizenz für manuelle Prüfungen: ab 358,80 €/Nutzer/Jahr
• Systemwartung und Datenpflege: 3–6 Personentage pro Jahr intern

Konservativer ROI-Szenario (10.000 Verträge, 1 Jahr):

• Identifizierte Unterversicherungen (angenommen 15 %): 1.500 Verträge
• Erfolgreich angepasste Verträge (angenommen 30 % Conversion): 450 Verträge
• Durchschnittliche Prämienerhöhung je Vertrag: 180 €/Jahr
• Mehrprämie Jahr 1: 81.000 €/Jahr
• Systemkosten gesamt: ca. 15.000–20.000 € einmalig + 5.000 €/Jahr laufend
• Break-even: Innerhalb des ersten Jahres — wenn Conversion-Rate stimmt

Was nicht eingerechnet ist: Der Wert vermiedener Kulanz-Zahlungen bei Schäden — der ist real, aber nicht vorhersehbar. Und der Wert vermiedener Haftungsansprüche gegen Makler — der ist ebenfalls real, aber noch schwerer zu quantifizieren.

Drei typische Einstiegsfehler

Fehler 1 — Schlechte Datenbasis, falsches Ergebnis. Wenn Bestandsdaten veraltet sind — Gebäudegröße aus 2003, Adresse nicht normiert, Baujahr fehlt bei 20 Prozent der Verträge — wird das Screening jede Menge falsch-positive und falsch-negative Ergebnisse liefern. Der häufigste Fehler: Man koppelt das System an, sieht 3.000 als “unterversichert” markierte Verträge und schickt blind Outreach-Wellen los. Ein Drittel der Kontaktierten hat gar kein Problem — das zerstört Kundenvertrauen statt es aufzubauen. Datenqualität prüfen vor Systemstart, nicht danach.

Fehler 2 — Veralteter Index im Screening-Modell. Das tückischste Scheitern passiert, wenn das Modell selbst veraltet. Wer den GDV-Anpassungsfaktor einmal hartkodiert und dann nicht aktualisiert, screent gegen eine Basis, die jährlich 5–15 Prozent von der Realität abweicht. Nach drei Jahren hat das System hunderte Verträge als “ausreichend versichert” klassifiziert, die in Wahrheit deutlich unterversichert sind. Pflicht: Index-Datenquellen müssen quartalsweise automatisch aktualisiert werden. Wenn das nicht gewährleistet ist, ist manuelles Screening ehrlicher.

Fehler 3 — Identifikation ohne Konsequenz. Das System liefert eine Liste. Niemand hat Zeit, 1.500 Kunden proaktiv anzusprechen. Die Liste liegt drei Monate im CRM — dann kommt die nächste Kampagnen-Saison. Dieses Scheitermuster ist in der Praxis häufiger als zugegeben: Mehr Information erzeugt nicht automatisch mehr Handlung. Vor der Einführung muss klar sein, wer konkret die Ansprachen führt, wie der Prozess aussieht und was die erwartete Conversion-Rate ist. Ohne Outreach-Kapazität ist ein Screening-System wertlos.

Was mit der Einführung wirklich passiert

Phase 1 (Monate 1–3) — Stille Überraschung: Die erste Datenauswertung fördert fast immer mehr Unterversicherungen zu Tage, als intern erwartet. Bestandsbetreuerinnen und -betreuer, die ihren Bestand “kennen”, sind regelmäßig überrascht, wie groß die Lücke ist. Erste Reaktion: Zweifel am System (“das kann nicht stimmen”). Empfehlung: Stichprobenvalidierung von 20–30 Verträgen manuell, um das Vertrauen zu etablieren.

Phase 2 (Monate 3–6) — Rollenkonflikt beim Makler: Makler im Netz stehen vor einer neuen Aufgabe: Kunden anrufen und eine schlechte Nachricht überbringen (“Ihre Versicherungssumme reicht nicht”). Das fühlt sich kontraintuitiv an — man ruft an, um Mehrprämie zu verkaufen, aber die Botschaft ist eigentlich “Sie waren bisher unzureichend geschützt.” Hier braucht es Gesprächsleitfäden und Training. Ohne das tendieren Makler dazu, die Liste zu ignorieren oder das Gespräch zu führen, ohne die Dringlichkeit deutlich zu machen.

Phase 3 (ab Monat 6) — Vertrauensgewinn oder -verlust: Kunden, die proaktiv informiert werden und die Anpassung vornehmen, und dann tatsächlich einen Schaden erleben, berichten regelmäßig positiv über “ihre Versicherung, die aufgepasst hat”. Kunden, die nicht informiert wurden und im Schadensfall eine proportionale Kürzung erleben, berichten das Gegenteil. Der langfristige Reputationseffekt ist real — er ist nur schwer direkt messbar.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Meine Bestandsbetreuer kennen ihre Kunden. Die merken, wenn was nicht stimmt.” Das stimmt — für langjährige Kundenbetreuer mit überschaubarem Bestand und regelmäßigem Kontakt. Aber: Der Bestandsbetreuer mit 800 Verträgen und 30 Neukunden pro Quartal führt realistische Jahresgespräche mit 15–20 Prozent seines Portfolios. Die restlichen 80 Prozent bekommen im besten Fall einen Brief. Das System ersetzt nicht das Kundenwissen des Betreuers — es identifiziert die Fälle, die ohne System gar nicht geprüft werden. Das sind oft gerade die ruhigen Langzeitkunden, bei denen niemand Anlass sieht, die Summe zu hinterfragen.

“Wenn wir Unterversicherungen identifizieren, müssen wir die Prämien erhöhen — das wollen Kunden nicht.” Richtig beobachtet. Aber: Eine proportional gekürzte Entschädigung nach §75 VVG wollen Kunden noch weniger. Das Gespräch ist unangenehm, aber es ist das deutlich bessere Gespräch als “wir zahlen nur 70 Prozent Ihres Schadens”. Wer das Argument ernst nimmt, kommt nicht um die Frage herum: Wollen wir Kunden wirklich unterversichert lassen, um Beschwerden heute zu vermeiden?

“Das lohnt sich nur für große Versicherer mit riesigen Portfolios.” Nein — aber der Break-even verschiebt sich. Bei unter 2.000 Verträgen sind die API-Kosten im Verhältnis zur Mehrprämie kaum sinnvoll. Ab 5.000 Verträgen rechnet sich ein jährliches Screening. Für Makler mit 500–1.000 Gewerbe-Wohngebäudekunden kann auch die manuelle Variante (Wert14 per Einzelabfrage ab 358,80 €/Jahr) sinnvoll sein — als Haftungsschutz, nicht als Automatisierungsgewinn.

Woran du merkst, dass das zu dir passt

Es passt, wenn:

• Dein Wohngebäude- oder Hausrat-Bestand mehr als 2.000 Verträge umfasst und regelmäßige Portfolio-Reviews bislang nicht stattfinden
• Deine Bestandsdaten (Adresse, Baujahr, Wohnfläche, aktuelle Versicherungssumme) digital und strukturiert vorliegen
• Du ein Makler- oder Agentenetz hast, das Outreach-Kapazität für 10–20 Prozent des Bestands pro Jahr aufbringen kann
• Die rechtliche Abteilung den Umgang mit §61 VVG und §75 VVG als offenes Thema sieht und Handlungsbedarf erkennt

Es passt nicht, wenn:

• Dein Bestand liegt unter 2.000 Verträgen: Der API-Aufwand und die Einrichtungskosten übersteigen den Mehrprämien-Ertrag — nutze stattdessen Wert14 manuell bei bekannten Risikofällen
• Deine Verträge werden nicht durch einen digitalen Marktindex-Feed aktualisiert und du hast keine IT-Kapazität für die Integration: Ohne aktuellen Baupreisindex-Anschluss produziert das System sofort veraltete Ergebnisse
• Deine Bestandsdaten liegen in Papierform oder unstrukturierten Formaten vor: Ohne strukturierten Risiko-Datensatz (Adresse + Wohnfläche + aktuelle Versicherungssumme) gibt es nichts zum Abgleichen
• Du hast keinen Plan für den Outreach nach der Identifikation: Eine Liste ohne Handlung ist wertlos — und ein Makler, der Unterversicherungen kennt und ignoriert, haftet persönlich nach §61 VVG

Das kannst du heute noch tun

Starte mit einem manuellen Plausibilitätscheck in deinem Bestand — ohne Systemkosten, ohne API, in einer Stunde. Nimm 20 zufällige Wohngebäudeverträge aus deinem Portfolio, gib jede Adresse manuell in das Wert14-Tool ein (Testzugang bei SkenData.com beantragen) und vergleiche den ermittelten aktuellen Wiederherstellungswert mit der aktuellen Versicherungssumme.

Wenn mehr als fünf von zwanzig Verträgen eine Unterdeckung von über 15 Prozent zeigen, hast du ausreichend Evidenz für einen Business Case und eine Pilotphase.

Alternativ kannst du den folgenden Prompt nutzen, um eine erste interne Entscheidungsvorlage zu erstellen:

Quellen & Methodik

• GDV Fakten zur Versicherungswirtschaft, Herbst 2025 — Beitragsentwicklung und Marktdaten Wohngebäudeversicherung; gdv.de/resource/blob/192950 (abgerufen April 2026)
• InsurLab Germany / SkenData GmbH, 2021 — “Digitale Gebäudewertermittlung mit Wert14”: Anwendungsberichte von Versicherern mit Unterversicherungsverzicht; insurlab-germany.com/skendata (abgerufen April 2026)
• §75 VVG (Versicherungsvertragsgesetz) — Gesetzliche Grundlage der Unterversicherungsregel: Entschädigung = Schaden × Versicherungssumme / Versicherungswert; gesetze-im-internet.de/vvg_2008/__75.html
• §61 VVG (Beratungs- und Dokumentationspflichten) — Maklerpflichten bei Unterversicherungsrisiken; dejure.org/gesetze/VVG/61.html
• Berliner Schadenseminar, Anpassungsfaktoren-Archiv — GDV-Anpassungsfaktor 2022: 20,97; 2023: 24,06 (Steigerung 14,73 %); schadenseminar.de/indizes/anpassungsfaktoren (abgerufen April 2026)
• SkenData Wert14 Produktseite — Preise ab 49,90 €/Nutzer/Monat, API-Integration, 30+ Versicherer mit Unterversicherungsverzicht; skendata.com/produkte (abgerufen April 2026)
• Hinweis zur Methodik: Conversion-Raten und Break-even-Szenarien in diesem Artikel sind Schätzwerte auf Basis von Erfahrungswerten aus Portfolio-Screeningprojekten, nicht aus kontrollierten Studien. Individuelle Ergebnisse hängen stark von Bestandsqualität und Outreach-Kapazität ab.