80 % höhere Erkennungsrate verdächtiger Forderungen mit ML-Algorithmen

Für einen der größten Versicherer in Polen, der innovative Lösungen für den Markt entwickelt, führten wir ein Projekt durch, bei dem wir maschinelles Lernens einsetzten. Das Projekt endete mit einem beachtlichen Erfolg und prestigeträchtigen Branchenauszeichnungen für den Kunden.

Entschädigungsansprüche entstehen für Versicherungen in der Regel, wenn es tatsächlich zu einem Schadensfall gekommen ist. Leider gibt es auch Betrugsversuche. In einer solchen Situation muss innerhalb kurzer Zeit entschieden werden, ob die Zahlung verweigert werden soll oder nicht. Bevor die Zahlung einer Entschädigung aufgrund eines mutmaßlichen Betrugsversuchs verweigert wird, muss der Fall eingehend analysiert werden.

Bisher wurden die Entscheidungen von Sacharbeitern getroffen, die teilweise von Algorithmen unterstützt wurden. Der Antrag wird durch ein automatisches System bearbeitet, das im Anschluss immer noch eienr manuellen Überprüfung bedurfte. Aufgrund schlechter Algorithmen mussten die Sacharbeiter jedoch eine Vielzahl von Fällen überprüfen, auf die das System anschlug,, obwohl unter diesen der Prozentsatz der tatsächlichen Betrugsfälle gering war. Dies machte den Prozess ineffizient.

Das Team des Kunden benötigte Spezialisten, um bessere Algorithmen zu entwickeln. Solche, die nur die Fälle zur weiteren Prüfung weiterleiten würde, bei denen eine hohe Wahrscheinlichkeit besteht, dass es sich bei ihnen um Betrug handelt. Wenn sie sich nur auf diese sorgfältig ausgewählten Fälle zu konzentrieren hatten, dann würden die Sachbearbeiter ein besseres Gefühl für sie entwickeln und bessere Entscheidungen dahingehend treffen, ob eine Entschädigung einzubehalten oder auszuzahlen war.

An dem Projekt waren 9 Personen beteiligt, darunter 3 Spezialisten aus dem Team des Kunden. Im Rahmen der Erstellung eines soliden Modells haben wir maschinelles Lernens (ML) auf der Grundlage historischer Daten und einer eingehenden Prozessanalyse eingesetzt.

Der Prozess der Erstellung des KI-Modells bestand aus den folgenden Schritten:

• Prozessanalyse in Form von Produktworkshops
• Bereitstellung von Daten und Analyse ihrer Qualität/Richtigkeit.
• Bau, Lieferung und Integration der ersten Modelle.
• Rückmeldung zu den Ergebnissen.
• Iterationen, die eine schrittweise Verbesserung der Lösung ermöglichen: Daten, Modelle, Integrationen mit bestehenden Systemen

• Der Kunde konnte um 30 % mehr einsparen (im Vergleich zu früheren einfachen Modellen). Die Verbesserung der Erkennungsrate von Betrugsversuchen lag in den ersten Monaten 60 %.
• Der Prozentsatz der tatsächlichen Betrugsversuche in der durch die neuen ML-Algorithmen gemeldeten Fälle die unterliegt bei über 80 %.
• Der Return of Invest (ROI) lag bei weniger als 2 Monaten.
• 30-40 % der endgültigen Unternehmensgewinne sind von den Vorhersagemodellen abhängig.