Ihre Herausforderungen bei den aktuellen Möglichkeiten zur Betrugserkennung

Nach der Einschätzung des Gesamtverbandes der Deutschen Versicherungswirtschaft (GDV) entsteht jährlich ein Schaden von fünf Milliarden Euro durch Versicherungsbetrug. Das sind fast zehn Prozent der Versicherungsleistungen. Das Potenzial an Kosteneinsparungen für Versicherer ist demnach enorm und viele Versicherer in Deutschland setzen sich intensiv mit dem Thema Versicherungsbetrug auseinander.

Wie funktioniert Betrugserkennung bisher?

Alle Bearbeitungsschritte in einem Schadenmanagementsystem sind auf eine schnelle Erfassung des Sachverhalts und die Einbeziehung von Dienstleistern ausgelegt. Nach Eingang eines neuen Versicherungsfalls in seinem elektronischen Arbeitskorb, legt der Sachbearbeiter den Schaden zur weiteren Bearbeitung im System an.

Die Betrugserkennung lebt bisher davon, dass Schadensachbearbeiter bei gewissen Fallkonstellationen hellhörig werden und den Fall an einen Betrugsspezialisten weiterleiten.

Für diese Sensibilität müssen die Mitarbeiter viele Jahre an Erfahrung mitbringen und gezielt geschult werden. In manchen Fällen wird das Hinweis- und Informationssystem (HIS) nach vorhandenen Meldungen durchsucht. Für komplexere Fälle helfen, wenn vorhanden, Informationen aus dem Data-Warehouse-System. Letztendlich muss der Schadensachbearbeiter aber die Entscheidung, ob es sich um einen Betrugsfall handelt, auf Grund seiner Erfahrung treffen.

Warum ist Innovation in der Betrugserkennung für Versicherer notwendig?

Laut des Gesamtverbandes der Deutschen Versicherungswirtschaft ist etwa 10% des Schadenaufwands deutscher Versicherer auf Betrugsfälle zurückzuführen. Alleine Schaden- und Unfallversicherer verlieren dadurch zwischen 4 und 5 Mrd. € pro Jahr. Tendenz steigend!

Bekämpft werden diese Betrugsfälle zumeist manuell oder mithilfe veralteter Technologien, die allerdings der schnellen Entwicklung nicht mehr standhalten.

  1. Die Auslastung der Sachbearbeiter erhöht sich stark. Einerseits steigt allein durch die Vielzahl neuer Versicherungsarten, wie beispielsweise der Smartphone-Versicherung, die absolute Zahl an Versicherungsfällen. Andererseits steigt auch die relative Anzahl an Betrugsversuchen tendenziell an (ca 1% pro Jahr).
  2. Zusätzlich erfolgt in der Versicherungsbranche ein Generationswechsel, da viele erfahrende Mitarbeiter in den Ruhestand eintreten und von jüngeren Mitarbeitern ersetzt werden. Diese bleiben meist nicht mehr ihr Leben lang beim gleichen Unternehmen. Diesem ständigen Verlust von Erfahrung müsste mit massivem Schulungsaufwand entgegengewirkt werden.
  3. Als dritter Faktor ist die Komplexität der Erkennung von Betrugsversuchen stark angestiegen. Einerseits entstehen immer mehr Daten, die für die Betrugsprüfung hinzugezogen werden können. Andererseits macht sich auch der „Gegenspieler” die Automatisierung zunutze und arbeitet mit kreativen Lösungen, um beispielsweise mit massenhaften Bagatellschäden unter der Aufmerksamkeitsschwelle zu bleiben und trotzdem hohe Summen abzuschöpfen.

Künstliche Intelligenz kann viele akuten Probleme der Betrugserkennung adressieren.Quelle: eigene Darstellung

Zusammengenommen führen diese drei Faktoren zu unterschiedlichen Problemen:

  • Neben langen Durchlaufzeiten für die Schadensbearbeitungsprozesse steigt durch die hohe Auslastung und den Zeitdruck auch die Unzufriedenheit der Mitarbeiter,
  • wodurch schließlich die Qualität in Form von niedrigen Erkennungsraten leidet.

Ihre Vorteile durch den Einsatz der intelligenten Betrugserkennung

Die Herausforderungen meistern

Die zunehmenden Herausforderungen können nicht immer weiter mit klassischen Methoden gemeistert werden. Neue, besser skalierbare Ansätze sind erforderlich um das steigende Datenaufkommen und die neuen Kommunikationskanäle adäquat bedienen zu können.

Eines vorweg: es wird nicht die eine KI geben, welche alle Probleme auf einen Schlag löst. Zu den in der obigen Abbildung genannten Faktoren existieren jedoch Lösungen, welche auf KI-Bausteinen basieren. Durch eine Architektur, bei der mehrere KI-Bausteine sinnvoll zusammenwirken, wird der komplette Prozess derart unterstützt, dass er für die Zukunft bestens gewappnet ist.

Kontextinformationen als Substrat der Automatisierung

Auch in klassischen Prozessen existiert meist eine Dunkelverarbeitung, die offensichtliche Fälle automatisiert entscheiden kann. Diese ist zumeist regelbasiert oder auf Basis einfacher statistischer Verfahren modelliert. Als Beispiel können Sie sich eine Regel vorstellen, welche abhängig vom Betrag, der Schadenssumme oder der Kredithöhe, den Fall „durchwinkt” oder an einen Sachbearbeiter eskaliert. Betrüger profitieren von solch einfachen Regeln, indem sie aus öffentlich verfügbaren Daten große Mengen an Rechnungen für Bagatellschäden generieren.

Der Erfolg der klassischen Verfahren ist durch zwei Faktoren limitiert:

  1. Es können nur strukturiert vorliegende Daten, wie Schadenssumme, Vertragsdauer oder Alter herangezogen werden. Diese müssen entweder vom Kunden oder einem Sachbearbeiter erfasst oder aus gepflegten Datenbanken abgerufen werden. Der Umfang dieser Daten ist daher beschränkt oder nur kostenintensiv, d. h. durch manuelle Arbeit, erweiterbar.
  2. Selbst wenn mehr Informationen verfügbar wären, kommen die eingesetzten klassischen Entscheidungsalgorithmen oft schlecht mit vielen Informationen gleichzeitig zurecht. (siehe beispielsweise den „Fluch der Dimensionalität”)

Um diese beiden Beschränkungen aufzuheben wird auf der Seite der KI-gestützten Betrugserkennung die Datenbasis zuerst um eine intelligente Dokumentanalyse erweitert. Diese extrahiert aus unstrukturierten Unterlagen – wie Bildern und Freitexten – relevante Informationen in Form von einfach nutzbaren strukturierten Daten. Beispielsweise können so Fahrzeugtypen, Wetterinformationen, Datums- und Ortsangaben automatisiert bereitgestellt werden.

Dank neuerer DeepLearning-Modelle, welche besser mit vielen Eingangsdaten zurechtkommen, kann die Erkennungsrate durch eine Vielzahl an zusätzlichen Datenquellen verbessert werden. Von kundenindividuellen Statistiken wie Antwortzeiten und Historie bis zu öffentlichen Informationen aus Verkaufsportalen und Social Media sind viele Möglichkeiten realisierbar.

Arbeitskraft sinnvoll investiert

Dank der verbesserten Datenbasis, der Standardisierung der Verarbeitung von Daten und der damit einhergehenden Automatisierbarkeit von Fällen, sinkt die Arbeitslast bei den Sachbearbeitern und die wertvolle menschliche Arbeitskraft kann sinnvoller genutzt werden. D. h. mehr Zeit für den Kunden und mehr Zeit um komplexe und neuartige Fälle zu bearbeiten. Denn auch die beste KI lernt letztlich aus den von Menschen geschaffenen Beispielen und Trainingsdaten.

Daher ist der erste Schritt bei der KI-gestützten Betrugserkennung eine Priorisierung (Scoring) der Fälle. Welche lassen sich in bekannte Muster einsortieren, welche haben ein hohes Betrugspotential, zu welchen ist die Datenbasis schlecht und eine unsichere Aussage wahrscheinlich?

Zusammengenommen: Auf welche Fälle sollte die Aufmerksamkeit gelenkt werden? Diese Priorisierung ist nicht in Stein gemeißelt, sondern von der aktuellen Situation abhängig. Bei geringen Fallzahlen können die Experten einen hohen Anteil der Fälle bewerten und so kontinuierliches Feedback für die Weiterentwicklung der KI geben, aber auf welche hundert Fälle sollten sie sich bei einer Großschadenslage mit sehr hohen Fallzahlen konzentrieren?

Zentraler Wissensspeicher für komplexe Betrugsanalyse

Das Verfahren der klassischen Betrugserkennung ist ein langer und fehleranfälliger Prozess, da viele Informationen recherchiert und berücksichtigt werden müssen. Es werden deshalb in der Regel nur Fälle geprüft, bei denen es einen konkreten Grund oder Hinweis gibt. In der Praxis wird bei einer solchen Prüfung überwiegend nach dem Beweis für ein beim Schadensachbearbeiter bereits vorhandenem Gefühl gesucht. Eine solche Vorgehensweise erfordert eine jahrelange Erfahrung in der Schadenbearbeitung.

Wenn erfahrene Mitarbeiter das Unternehmen verlassen, geht mit Ihnen ein beachtlicher Teil des Wissens abhanden.

Die geprüften Fälle teilen sich außerdem auf alle Sachbearbeiter auf wodurch jeder, gemessen an der Gesamtheit der Fälle, nur einen kleinen Teil des Ganzen sieht. Eine zentrale KI-Komponente kann Muster in allen Daten gemeinsam finden und zeitgleich das Wissen aus wesentlich mehr Fällen nutzen, weil es in den darunterliegenden KI-Modellen kodiert ist.

Durch die Priorisierung aller Fälle haben die Mitarbeiter zunehmen mit den interessanten und neuen Fällen zu tun. Auch dieser nicht automatisierbare Anteil kann durch KI-Bausteine, im Rahmen einer allgemeinen Prozessoptimierung, unterstützt werden. Das folgende Bild zeigt ein Reifegradmodell und wie die Entlastung der Mitarbeiter durch zunehmenden Automatisierungsgrad zunimmt.

Reifegradmodell der Prozessoptimierung.Quelle: eigene Darstellung

Eine einfache Automatisierung umfasst beispielsweise die Eliminierung wiederkehrender Tätigkeiten durch Aufzeichnen und Abspielen von Makros. Fortgeschrittenere Techniken wie die Robotic Process Automation (RPA) ermöglichen eine erweiterte Makroerstellung, welche auch unterschiedliche Anwendungen automatisiert bedienen kann.

Eine intelligente Automatisierung lernt die benötigten Schritte vom Anwender und kann sie auch in Varianten anwenden. Damit kann eine Teilautomatisierung die Mitarbeiter auch in komplexen Fällen unterstützen, indem beispielsweise relevante Informationen und Querverbindungen zu ähnlichen Fällen zusammengetragen werden. Dadurch kann die Nutzung intelligenter Systeme erfahrenen Mitarbeitern helfen, neue und komplexere Betrugsmuster zu erkennen. Bei weniger erfahrenen Mitarbeitern wird sie dazu führen, die Erkennungsquote der nicht sofort erkennbarer Betrugsfälle deutlich zu erhöhen.

Die Funktionsweise von intelligenter Betrugserkennung

KI-Komponenten lassen sich als eigenständige Micro-Services hervorragend in bestehende BPM-Lösungen, wie z. B. Camunda BPM, integrieren. Wie unser Beispiel im unteren Bild zeigt, beginnt die Unterstützung des Prozesses mit der Aufbereitung der Daten aus den verschiedenen Eingangskanälen durch eine intelligente Dokumentenanalyse. Diese kann aus den Datenquellen bereits eine Vielzahl an strukturierten Informationen extrahieren und ist damit eine gute Vorbereitung – Nicht nur für die Betrugserkennung, sondern auch für den gesamten weiteren Prozess.

KI-gestützter Prozess zur Betrugserkennung.Quelle: eigene Darstellung

Die KI-Betrugserkennung begleitet im Anschluss den gesamten Prozessablauf kontinuierlich und bezieht so neu gewonnene Informationen aus den einzelnen Prozessschritten mit in die Bewertung ein. Diese Informationen nutzt es, um frühzeitig einen Betrugsfall zu erkennen und so weitere Bearbeitungsschritte zu sparen. Fälle mit einer hohen Betrugswahrscheinlichkeit können direkt an die zentrale Betrugsverarbeitung weitergeleitet werden.

Alles basiert auf Daten

Aus Prozesssicht ist die Aufgabe der KI-Betrugserkennung einfach formuliert. Aber was benötigt sie um diese Aufgabe zu erfüllen? Eine erste und einfache Antwort wäre: mindestens das, was ein Experte auf dem Gebiet auch benötigt, nämlich Informationen über den Fall und viel Erfahrung.

Daher fußt der Einsatz der KI auf dem Zugang zu möglichst vielen Informationsquellen. Ist das gegeben, kann ein wesentlicher Vorteil des KI-Modells genutzt werden: Es kann sehr schnell Informationen aus sehr vielen verschiedenen Datenquellen erfassen und in Beziehung zueinander setzen. Auf diese Weise können selbst komplexe Zusammenhänge identifiziert werden, die im klassischen Prozess nicht sichtbar sind. Wenn beispielsweise die automatisch erfasste Antwortzeit des Versicherten sehr hoch ist und in Kombination mit vielen Zeugenaussagen auftritt, könnte das auf Absprachen unter den Beteiligten hindeuten.

Informationsquellen des KI-Modells.Quelle: eigene Darstellung

Die notwendigen Daten können der KI-Betrugserkennung auf verschiedene Weisen zugänglich gemacht werden, je nach vorhandenem Prozessmodell. Da die Komponente in den Workflow integriert wird, können Basisdaten über den Fall und den bisherigen Prozessverlauf direkt übergeben werden. Weitere interne (Kundendaten, Fallhistorie, Richtlinien) und auch externe Datenquellen (Geodaten, Wetterdaten) können über Datenbankschnittstellen oder REST-APIs angebunden werden. Sollten Informationen nur über Bedienoberflächen verfügbar sein, kann auf Robotic Process Automation für die Einbindung zurückgegriffen werden.

All diese Daten können jedoch nur sinnvoll genutzt werden, wenn sie auch in einer gewissen Historie verfügbar sind. Damit die Bedeutung und die Zusammenhänge der Daten erlernt werden können, müssen sie zu vergangenen Fällen mit bekanntem Ergebnis in Bezug gesetzt werden. Zu guter Letzt ist das Resultat der KI-Betrugserkennung eine Einschätzung der Betrugswahrscheinlichkeit. Diese steht dann weiteren Regelsystemen zur Verfügung, um kontextabhängig zu entscheiden, ob weitere Schritte eingeleitet werden müssen.

Unsere Dienstleistung für Ihre intelligente Betrugserkennung

Jeder Versicherer hat seine eigene Infrastruktur und sehr individuelle Prozessabläufe, weswegen pauschale Ansätze in der Regel der Realität nicht gerecht werden können.

Die Systeme und Datenbanken sind oftmals historisch gewachsen und können sehr heterogen sein, sodass selbst bei marktüblichen Lösungen „von der Stange” starke Anpassungen notwendig sind.

Daher ist es uns wichtig, dass wir Ihre Ziele und Ihre Anforderungen an eine intelligente Betrugserkennung sehr gut verstehen.

  • Dies geht nur in einem engen gemeinsamen Austausch zwischen allen relevanten Beteiligten Ihrerseits und unserem Team, welches die Lösung umsetzt. In einem ersten Gespräch oder Workshop sondieren wir gemeinsam Ihre aktuelle Situation und die Rahmenbedingungen, diskutieren Ihr Zielsetzung und identifizieren die Voraussetzungen für den Einsatz einer intelligenten Betrugserkennung. Gemeinsam erarbeiten wir einen Fahrplan.
  • Falls Sie bereits eine moderne und effiziente Infrastruktur haben, die auf eine Digitalisierung sämtlicher Prozessschritte setzt, ist eine Anwendung von künstlicher Intelligenz und Verfahren des maschinellen Lernens viel greifbarer für Sie, als Sie vielleicht denken.

Falls Sie sich nicht ganz sicher sind, inwieweit Ihre Systemlandschaft bereits geeignet für eine KI-gestützte Automatisierung ist, möchten wir im Folgenden auf einige wichtige Aspekte eingehen, die zu beachten sind und bei denen wir Sie gerne zielgenau in den nächsten Schritten unterstützen:

Digitaler Datenbestand und Data Warehouse

Je größer der digitale Anteil Ihres Datenbestandes ist, desto besser. Analoge Teile der Kommunikation, z. B. Briefe, werden oft bereits digitalisiert abgelegt. Hier kann der Einsatz von künstlicher Intelligenz bereits helfen um diese weiter zu strukturieren (siehe unser Angebot zur Dokumentenanalyse). Eine hundertprozentige Digitalisierung ist jedoch nicht Voraussetzung für Schritte in Richtung KI-Betrugserkennung. Selbst wenn nur die digitalen Teile des Fallaufkommens unterstützt werden können, ist dies bereits ein unmittelbarer Mehrwert. Insbesondere da der Grad der Digitalisierung kontinuierlich steigt. Aber auch ein gut strukturierter Datenbestand liegt, durch eine historische gewachsene Systemlandschaft, oft fragmentiert vor. Diese Fragmente werden üblicherweise durch ein Data Warehouse zentral verfügbar gemacht. Dies ist nicht nur für hochqualitative KI-Verfahren, sondern auch für alle anderen Analysen und Prozesse eine erhebliche Erleichterung.

Integration über definierte Schnittstellen

Wie bei der Funktionsweise der KI-Betrugserkennung beschrieben, sind Schnittstellen zu verschiedenen Datenquellen förderlich. Die KI-Komponente selbst wiederum wird von vielen Punkten des Prozesses angesprochen. Gemeinsam mit Ihnen arbeiten wir die benötigten Schnittstellen, Zugriffsmuster und die Einbettung in Ihre Prozesse aus. Wie bekommt die KI die benötigten Daten? Inwieweit kann und darf sie in die Prozesse eingreifen? Welche Interaktionen mit menschlichen Mitarbeitern sollen erfolgen? Diese und noch viel mehr Fragen gilt es zu beantworten um die benötigten Schnittstellen zu ihren Systemen und Mitarbeitern zu identifizieren und das KI-System entsprechend dimensionieren zu können.

Technologieauswahl

Wie eingangs erwähnt, können sich die Prozesse und Strukturen zwischen den Versicherungen aber auch innerhalb eines Hauses stark unterscheiden. Zudem wirkt sich der benötigte bzw. gewünschte Einsatz und Funktionsumfang der KI-Integration sehr stark auf die technologische Umsetzung aus. Es gibt eine immense Anzahl an Produkten, Verfahren, Algorithmen und entsprechenden Bibliotheken. Eine Lösung besteht häufig aus einer Kombination mehrerer Verfahren, die sich nach Ihren Bedürfnissen und den vorhandenen Rahmenbedingungen richten werden. Mit unserem Know-how suchen wir die passenden Werkzeuge für Ihre Problemstellung aus.

Umsetzung

Falls es erforderlich ist oder Sie dies wünschen, demonstrieren wir Ihnen in einer Machbarkeitsstudie, ob die Lösung gemäß der Zielsetzung sinnvoll umsetzbar ist. Dabei, sowie bei der vollständigen Implementierung des Projekts, legen wir Wert auf eine agile Vorgehensweise: In enger Kooperation mit Ihnen erstellen wir die Lösung schrittweise und integrieren sie fortlaufend in Ihre Strukturen. So können wir auf Änderungen flexibel reagieren und sorgen für maximale Transparenz. Unser Kerngedanke dabei ist, dass jeder Schritt und jedes Zwischenprodukt bereits einen echten Mehrwert für Sie schafft.

Die KI-Verfahren können im Kontext der KI-Betrugserkennung als Module verstanden werden, die Ihre bisherige Fallprozessierung ergänzen und bereichern. In der Regel wird sie zumindest kurz- und mittelfristig keine Ihrer bisherigen Prozesse ersetzen. Gegebenenfalls müssen einige Ihrer Prozesse allerdings angepasst werden.

Ihr Ansprechpartner

Dr. Harald Bosch

Managing Consultant
Inhaltsverzeichnis
Ihr Ansprechpartner Dr. Harald Bosch Managing Consultant