Ein Fall für KI: Betrugserkennung im Schadenmanagement
Sponsored Post

ChatGPT ist in aller Munde. Auch in der Versicherungsbranche werden mögliche Anwendungsfälle für selbstlernende Technologien diskutiert. Einer davon: Betrugserkennung. Wie Künstliche Intelligenz (KI) fingierte Fälle automatisch erkennt und wie sich die KI-Modelle in die bestehende Architektur einer Versicherungs-IT einbinden lassen.

KI-Modelle werden zum wahren Game-Changer für die Automatisierung. Die Anwendungsmöglichkeiten in der Versicherungsindustrie sind breit gefächert: von Verbesserungen bei der Risikoselektion im Underwriting, über Aufwandsprognosen bei Massenschadenereignissen bis hin zur weitgehenden Automatisierung des Underwritings oder der Schadenabwicklung.

Bei den meisten dieser Fälle – zum Beispiel bei der Betrugserkennung im Rahmen des Schadenmanagements – geht es im Kern um Triage-Modelle. Diese sollen einen effizienten und gleichzeitig effektiven Einsatz von Betrugsspezialisten sicherstellen. In anderen Worten: Welche Vorgänge können bedenkenlos automatisiert werden und wo sollte ein Mensch genauer hinschauen?

Jede zehnte Schadenmeldung ist ein Betrugsfall

Laut Gesamtverband der deutschen Versicherungswirtschaft (GDV) ist jede zehnte Schadenmeldung ein Betrugsfall. Davon wird jedoch nur ein geringer Anteil aufgedeckt. Dies führt zu Schäden in Milliardenhöhe für Versicherungsunternehmen. KI-Modelle basierend auf Deep Learning sind für die Betrugserkennung im Versicherungsumfeld besonders geeignet. Sie erreichen mit geringem Trainingsaufwand eine sehr gute Prognosewahrscheinlichkeit für einen Betrugsverdacht.

Dabei arbeiten die KI-Modelle in der Regel ausschließlich mit Daten, die der Kunde mit der Schadenmeldung oder aufgrund von Informationsanforderungen im Rahmen der Erstschadenbearbeitung der Versicherung übermittelt. Das können Schadenbilder, Schadenberichte, Rechnungen, der gewählte Meldeweg, aber auch die Uhrzeit einer Schadenmeldung sein.

Ein intelligentes Input-Management kann diese Daten bereits beim Eintreffen in der Versicherung sammeln und auswerten. Die KI prüft die eingereichten Daten und erkennt verräterische Muster. Anschließend generiert sie eine Einschätzung zur Betrugswahrscheinlichkeit und fügt sie dem erzeugten Datensatz bei. Die meisten Schadeninformationen, die ein Kunde einreicht, sind unabhängig von einer konkreten Police oder einem konkreten Versicherer. So lassen sich die KI-Modelle einheitlich trainieren und anschließend skalieren. Voraussetzung dafür ist, dass mehrere Versicherungen das entsprechende Modell nutzen. Wird dieses darüber hinaus direkt an eine Input-Management-Lösung angebunden, entfällt der typischerweise sehr hohe Aufwand für die Integration lokaler Datenquellen aus der versicherungsinternen IT sowie der Wartung dieser Schnittstellen.

Schnellere Schadenbearbeitung erhöht die Kundenzufriedenheit

Durch die Automatisierung im Schadenmanagement und zeitliche Straffung der Betrugsprüfung verbessert sich die Servicequalität und damit auch die Kundenzufriedenheit. Mitarbeitende haben mehr Zeit, sich anspruchsvolleren Aufgaben zu widmen und komplexe Fälle zu prüfen. Zudem arbeiten die intelligenten Technologien mit geringeren Fehlerquoten und identifizieren Zusammenhänge, die Menschen nicht erkennen können. Mit einem erfahrenen Partner wie SPS, lassen sich diese Potenziale einfach realisieren, ohne hohen initialen Aufwand bei der Integration der KI-Module.

Autor: Christian Ott ist Director Global Solution Design Insurance bei SPS. Er ist ausgewiesener Spezialist für die Versicherungswirtschaft, Business Process Management und Nearshoring. Ott hat für verschiedene Unternehmensberatungen gearbeitet und vor seiner Tätigkeit für SPS für die Allianz in Deutschland und Rumänien die Optimierung von Backoffice-Prozessen sowie den Aufbau eines Shared-Service Centers verantwortet.

SPS Germany GmbH
Tel.: +49 (0) 951 9168 200
sps.de@spsglobal.com
www.spsglobal.com