Federato sammelt 15 Millionen US-Dollar, um Versicherungskunden beim Risikomanagement zu unterstützen

Will Ross und William Steenbergen waren Forscher für künstliche Intelligenz in Stanford, die an Klima- und Atmosphärenmodellierung bzw. Reinforcement Learning arbeiteten, als sie begannen, an der Modellierung von Waldbränden und Wirbelstürmen für die Versicherungsbranche zusammenzuarbeiten. Sie waren überrascht zu erfahren, wie groß der Unterschied zwischen dem war, was die Daten den Versicherern sagten, was sie tun sollten, und dem, was die Transportunternehmen tatsächlich taten, so Ross. Nachdem sie das Problem untersucht hatten, starteten Steenbergen und Ross Federato, um Versicherern eine einheitliche Ansicht von Informationen für die Auswahl und Preisgestaltung von Risiken bereitzustellen.

Jetzt sammelt Federato neues Kapital, um das Geschäft auszubauen. Emergence Capital leitete eine Serie-A-Finanzierungsrunde in Höhe von 15 Millionen US-Dollar für das Unternehmen, die kürzlich mit der Beteiligung von Investoren wie Caffeinated Capital und Pear abgeschlossen wurde. Ein Teil des Geldes wird in die Aufstockung der Belegschaft fließen, teilte Ross TechCrunch per E-Mail mit, wodurch die derzeit 23 Mitarbeiter von Federato bis Ende des Jahres auf 50 wachsen würden.

Laut Ross steht die Versicherungsbranche heute vor drei großen Herausforderungen: der Zunahme wetterbedingter Naturkatastrophen; „Verlustunsicherheit“ bei Versicherungsrisiken, einschließlich Cyberangriffen und staatlich geförderter Ransomware; und Zahlungsinflation, verursacht durch Urteile gegen Versicherer in einem streitigen Umfeld. Er wies darauf hin, dass Russland Cyberangriffe auf amerikanische Unternehmen sponsere, die möglicherweise unter die für Cyberrichtlinien typischen „Kriegsausschlussklauseln“ fallen oder nicht, und dass jüngste Urteile im Zusammenhang mit der Opioidkrise, Unfällen mit gewerblichen und Asbestlastwagen die Frage aufwerfen darüber, ob es Unternehmen erlaubt sein sollte, Risiken zu übertragen.

"Viele Versicherer kommen zu Federato auf der Suche nach einem Tool zur Steigerung der betrieblichen Effizienz, was das einheitliche Underwriting-Flow-Element der Plattform sehr gut leistet", sagte Ross. „In Wirklichkeit kaufen sie letztendlich, weil sie den Wert des Reinforcement-Learning-Ansatzes für das Portfoliomanagement verstehen, der unschätzbare Erkenntnisse für das Management von Portfoliorisiken, den Ausgleich und das Wachstum ihres Portfoliovolumens liefert. ‚Geschäft.“

Mithilfe der Plattform können Kunden (hauptsächlich Versicherer) Risiken visuell überwachen und ihre Policenportfolios verwalten, indem sie Workflows nutzen, um den Bedarf an manuellen Aufgaben wie Risikodatenrecherche und Entwicklung von Underwriting-Beratung zu minimieren.

Bildnachweis: Federato

Federato behauptet auch, maschinelles Lernen zu verwenden, um ein gemeinsames Framework für das Portfoliomanagement zu schaffen und gleichzeitig sicherzustellen, dass es für die Einschränkungen jedes Unternehmens optimiert ist. Die Plattform verwendet eine „mathematische Darstellung“ von Underwriting-Strategien, um Trends zu erkennen, sagt Ross, und verfeinert sie bei Bedarf.

"Das Schöne an Federatos Ansatz ist, dass alle seine Verträge mit seinen Kunden klarstellen, dass es keine proprietären Kundeninformationen teilt oder bündelt", erklärte Ross. „[Jedes] Meta-Learning, das auf sehr hochrangigen Nutzungsdaten basiert, hilft immer dabei, ein gewisses Maß an Burggraben zu entwickeln, aber die Kunden wissen, dass ihre Kundendaten und Verlusterfahrungen nicht geteilt werden.“

Ross positioniert Federato als Alternative zu internen Dienstleistern wie Accenture und EY sowie traditionellen Anbietern wie FirstBest und Pegasystems. Er lehnte es ab, die Anzahl der derzeitigen Kunden des Startups offenzulegen, nannte aber einige namentlich, darunter Insurate, QBE North America und Propeller Bonds.

Ross sagt, dass Federato in der zweiten Hälfte dieses Jahres wahrscheinlich die Gewinnschwelle erreichen wird.

„Die P&C-Versicherungsbranche befindet sich in einer einzigartigen antizyklischen Situation...