DCX Produktanalyse Analyst (m/w/d)

Der Produktanalyse-Analyst arbeitet mit Maklern, Kundenbetreuern und Produktteams zusammen, um maklerorientierte Erkenntnisse zu liefern, die die Ergebnisse bei der Erneuerung von Verträgen für Kunden verbessern. Sie führen praktische Analysen durch, erstellen und validieren Modelle und prototypisieren Dashboards, die Maklerentscheidungen während der Erneuerungen informieren. Sie übersetzen Makler-Workflows in Analyseanforderungen, erstellen umsetzbare Ergebnisse und arbeiten eng mit Ingenieuren zusammen, um Modelle und Messungen zu operationalisieren.

Hauptverantwortlichkeiten

Arbeiten Sie mit Maklern und Produktbeteiligten zusammen, um Schmerzpunkte bei Erneuerungen zu erfassen und diese in klare Analyseprobleme und Erfolgskriterien zu übersetzen.

Bereiten Sie Daten aus bestehenden Systemen und Prozessen (Policen, Schadensfälle, Angebote, Maklernotizen, Bewertungshistorie) und Drittquellen auf, bereinigen und feature-engineeren Sie diese.

Erstellen, bewerten und validieren Sie Modelle, die die erforderlichen Erkenntnisse mit geeigneten Techniken liefern.

Erstellen Sie reproduzierbare Analyse-Notebooks und Modellartefakte (Feature-Definitionen, Trainingspipelines, Validierungsergebnisse).

Prototypisieren Sie maklerorientierte Dashboards und Berichts-Mock-ups, die Modellausgaben in umsetzbare Makleranweisungen übersetzen.

Arbeiten Sie mit Engineering/MLops zusammen, um Datenverträge, API-Spezifikationen und Akzeptanzkriterien für operative Modelle zu definieren; unterstützen Sie die Übergabe und Tests.

Dokumentieren Sie Modelle, Annahmen, Datenherkunft und führen Sie Bias-/Fairness-Checks gemäß Governance durch.

Erwartete Ergebnisse und Liefergegenstände

Modelle, die Erkenntnisse zur Unterstützung der Erneuerungsdiskussion liefern.

Prototyp-Dashboards und Wireframes für die Maklerarbeitsumgebung (MVP/iterative Versionen).

Feature- und Datenwörterbücher, ETL-Spezifikationsnotizen und Beispiele für SQL-Abfragen.

Playbooks und kurze "How-to"-Anleitungen für Makler, um modellgesteuerte Empfehlungen umzusetzen.

Zusammenarbeit & Stakeholder-Interaktionen (täglich)

Makler: Durchführung von Entdeckungssitzungen, Pilotierung von Dashboards, Feedback sammeln, Inhalte und Format iterieren; gelegentlich Teilnahme an Makler-Erneuerungsgesprächen zur Beobachtung von Workflows.

Validieren Sie Risikomerkmale, stimmen Sie Geschäftsregeln und Akzeptanzschwellen für automatisierte Empfehlungen ab.

Engineering: Schreiben Sie klare Akzeptanzkriterien, unterstützen Sie Benutzerakzeptanztests, überprüfen Sie Bereitstellungsschritte und überwachen Sie das Produktionsverhalten.

BI/UX: Zusammenarbeit bei Dashboard-Design, Datenvisualisierungen und Sicherstellung, dass Erkenntnisse für nicht-technische Nutzer interpretierbar sind.

Risiko / Governance: Bereitstellung von Dokumentation und Beantwortung von Modell-Governance-Anfragen; Einhaltung von Datenschutz- und Datenzugriffsrichtlinien.

Erforderliche Werkzeuge, Technologien und technische Kenntnisse (Niveaus)

Python — Mittel bis Fortgeschritten (pandas, scikit-learn, xgboost/lightgbm; testbare Skripte und Notebooks).- Statistische Modellierung — Mittel (Klassifikation/Regression, Feature Engineering, Kreuzvalidierung, Kalibrierung).

BI & Visualisierung — Mittel (Looker/Tableau/Power BI: Prototyp-Dashboards und lieferfertige Visualisierungen).

Datenlagerung — Vertraut bis Mittel (Snowflake / BigQuery / Redshift; Verständnis von Schemata, Partitionierung).

ETL / Transformation — Vertraut (dbt wünschenswert; Fähigkeit, SQL-basierte Transformationen zu erstellen und zu überprüfen).

MLOps-Erfahrung — Vertraut (Erfahrung mit Modellverpackung, grundlegendes CI/CD, Konzepte der Modellüberwachung; nicht erforderlich, um allein End-to-End bereitzustellen).

Notwendige Fähigkeiten, Ausbildung und Erfahrung

• Technische Fähigkeiten:

Python-Skripting & Data-Science-Bibliotheken

Erfahrung in Datenvisualisierung

Grundlegendes statistisches Verständnis

Vertrautheit mit Cloud-Datenlagern und ETL-Mustern.

Erfahrung mit MLOps-Konzepten (Versionierung, Überwachung) und Git.

• Geschäftliche & zwischenmenschliche Fähigkeiten:

Starkes Stakeholder-Management und Kommunikation; Fähigkeit, technische Ergebnisse in umsetzbare Makleranweisungen zu übersetzen.

Produktorientiert: Fähigkeit, MVPs zu definieren und Funktionen für die Einführung zu priorisieren.

Kommerzielles Verständnis der Dynamik von Versicherungsverlängerungen und Platzierungsergebnissen.

• Ausbildung:

Erforderlich: Bachelor-Abschluss in einem quantitativen oder analytischen Fach (z. B. Statistik, Mathematik, Informatik, Wirtschaft, Ingenieurwesen) ODER gleichwertige praktische Erfahrung.

Bevorzugt: Master-Abschluss in einem quantitativen Bereich.

• Erfahrung:

Typisch: 2–6 Jahre in Analytics/Data-Science-Rollen mit nachweisbarer praktischer Modellerfahrung.

Wünschenswert: 1–3 Jahre Erfahrung mit Versicherungs-/Finanzdienstleistungen oder Makler-Workflows; Erfahrung in der Vorbereitung von Modellen für Produktionsumgebungen.

Marsh, ein Unternehmen von Marsh McLennan (NYSE: MMC), ist der weltweit führende Versicherungsmakler und Risikoberater. Marsh McLennan ist ein globaler Marktführer in den Bereichen Risiko, Strategie und Personal und berät Kunden in 130 Ländern über vier Geschäftsbereiche: Marsh, Guy Carpenter, Mercer und Oliver Wyman. Mit einem Jahresumsatz von 24 Milliarden US-Dollar und mehr als 90.000 Mitarbeitern hilft Marsh McLennan, durch die Kraft der Perspektive das Vertrauen zum Erfolg aufzubauen. Weitere Informationen finden Sie unter marsh.com oder folgen Sie uns auf LinkedIn und X.

Marsh McLennan verpflichtet sich, ein vielfältiges, inklusives und flexibles Arbeitsumfeld zu schaffen. Wir wollen die besten Talente gewinnen und halten und Vielfalt in Bezug auf Alter, Hintergrund, Behinderung, ethnische Herkunft, familiäre Verpflichtungen, Geschlechtsidentität oder -ausdruck, Familienstand, Nationalität, Elternstatus, persönlichen oder sozialen Status, politische Zugehörigkeit, Rasse, Religion und Überzeugungen, Geschlecht, sexuelle Orientierung oder Ausdruck, Hautfarbe oder jede andere durch geltendes Recht geschützte Eigenschaft fördern.

Marsh McLennan setzt sich für hybrides Arbeiten ein, das die Flexibilität des Arbeitens aus der Ferne mit den Vorteilen der Zusammenarbeit, Vernetzung und beruflichen Entwicklung durch gemeinsames Arbeiten im Büro verbindet. Alle Marsh McLennan-Mitarbeiter sollen mindestens drei Tage pro Woche in ihrem lokalen Büro oder vor Ort bei Kunden arbeiten. Bürobasierte Teams legen mindestens einen "Ankertag" pro Woche fest, an dem das gesamte Team persönlich zusammenkommt.