Textanalyse in der Versicherungsbranche: Betrugsindikatoren in Schadensmeldungen erkennen TDWI 2015 // BI in der Finanzindustrie Dr. Hans Holger Rath, Senior Product Manager Attensity Europe GmbH Über Attensity Wir helfen den weltweit führenden Marken, ihre Kundenkonversationen in Unternehmenswerte zu wandeln – egal wo sie stattfinden: Twitter • Facebook 15+ 12 550 150+ • Google+ • Blogs • Foren • Rezensionen • E-Mails • Umfragen • CRM • Berichte Jahre Erfahrung in Textanalyse und CEM Patente in Natural Language Processing (NLP) und Data Ingestion Millionen Social Media Quellen Installationen weltweit WELTWEIT NLP-Entwicklerteam GRÖSSTES 2 Versicherungsbetrug in Deutschland, Europa und USA 10 % Betrugsquote in Deutschland, Europa, USA Deutschland (GDV, 2011) » 42 Mrd. Euro Schadenaufwendungen p.a. » Ca. 4 Mrd. Euro Schaden durch Betrug p.a. 100 % Europa (Accenture, 2013) » 8-12 Mrd. Euro Schaden durch Betrug p.a. Alle Forderungen USA (NICB, NAIC) » Über 30 Mrd. US$ Schaden durch Betrug p.a. » Nur in 1-3 % der Forderungen wird Betrug entdeckt 10 % Alle Zahlen beziehen sich auf Schaden- und Unfallversicherungen Erkannter Betrug Betrug 1 bis 3 % 0% 4 Bei Kfz, Hausrat und Haftpflicht wird am häufigsten betrogen Allianz: » Am meisten betrogen wird bei der KfzVersicherung » Über 50 % der Kfz-Schadensfälle mit betrügerischer Absicht » Bei Lebens- und Krankenpolicen liegt die Betrugsquote unter 1 % Zurich: Zahlungsforderungen bei defekten Laptops: » Bei 36 % konnte Betrug nachgewiesen werden » Bei 9 % verstummte die Forderung nach weiteren Nachfragen Quelle: GDV 5 Arten des Betrugs » Schadensverlauf wird „angepasst“, damit Schaden versichert ist » Falsche Angabe der Schadenshöhe » Schaden frei erfunden „10 bis 15 % aller Betrugsfälle gehen auf das Konto organisierter Kriminalität.“ (Allianz) „Gerade die kleineren Betrügereien sind in der Summe ein großes Problem für die Versichertengemeinschaft.“ (GDV) Quelle: GDV 6 Gartner 2014: Wie Versicherer Betrug adressieren können » Versicherer, die eine umfassende und insbesondere funktionsübergreifende DatenanalyseStrategie verfolgen, sind erfolgreicher, als solche, die eine fragmentierte Strategie anwenden » Interne und relevante externe Daten in einem logischen Datenpool vereinen und nach bekannten und unbekannten Betrugsmustern durchsuchen » Die in den Systemen gefundenen Betrugsindikatoren priorisieren und korrelieren, um neue Muster zu erkennen » Profile für Konten, Kunden und andere Einheiten bilden und hinsichtlich anomaler Transaktionen überwachen 7 Accenture 2013: Umfrage bei Europas Versicherern » Größte und wichtigste Herausforderung für 75 % der europäischen Versicherer im Kontext Schadensbearbeitung: Neue Systeme integrieren, die Multi-Channel-Zugriff anbieten » 84 % empfinden ihre existierenden Systeme als zu unflexibel und unmodern, um Schadensforderungen effektiv zu bearbeiten und damit Betrug effektiv zu bekämpfen » 51 % haben nicht die Kapazität, alle verfügbaren Daten zu sammeln und zu analysieren » Das gilt insbesondere für Daten aus Telemetrie und GPS sowie unstrukturierte Daten wie bspw. Social Media 8 Textquellen für die Betrugserkennung » » » » » » » » » » » » » Schadensformulare E-Mails Notizen der Sachbearbeiter Rechtlich relevante Dokumente Arztbriefe Medizinische Berichte & Gutachten Polizeiberichte Technische Untersuchungsberichte Unfallberichte & -gutachten Zeugenaussagen Sachverständigenberichte Social Media (Twitter, Facebook, Blogs, Foren, usw.) Interne historische Daten über Versicherte 9 Exkurs: Was ist Textanalyse? Textanalyse von Vorgangsnotizen: Fiktives Beispiel „Keine sichtbaren Verletzungen bekannt. Bis vor kurzem wussten wir nur, dass der Busfahrer nach dem Unfall über Schmerzen im Knie klagte. Wir kannten noch nicht einmal den Namen des Ansprst. Jetzt wissen wir, dass Ansprst durch Anwalt vertreten wird, 2010 und 2013 in ähnliche Unfälle verwickelt war und eigene Unfallvers besitzt. Anwalt hat bisher keine medizinischen Infos weitergegeben. Uns bekannt: Akute Schulter-Prellung. MRT zeigt Bandscheiben-Protrusion bei c5-6 und c6-7.“ 11 Themen erkennen „Keine sichtbaren Verletzungen bekannt. Bis vor kurzem wussten wir nur, dass der Busfahrer nach dem Unfall über Schmerzen im Knie klagte. Wir kannten noch nicht einmal den Namen des Ansprst. Jetzt wissen wir, dass Ansprst durch Anwalt vertreten wird, 2010 und 2013 in ähnliche Unfälle verwickelt war und eigene Unfallvers besitzt. Anwalt hat bisher keine medizinischen Infos weitergegeben. Uns bekannt: Akute Schulter-Prellung. MRT zeigt Bandscheiben-Protrusion bei c5-6 und c6-7.“ Themen: Person, Körperteil, Verletzung, Verletzungsursache, Versicherung, Diagnostik, Dokument, … 12 Ereignisse und Beziehungen herauslesen „Keine sichtbaren Verletzungen bekannt. Bis vor kurzem wussten wir nur, dass der Busfahrer nach dem Unfall über Schmerzen im Knie klagte. Wir kannten noch nicht einmal den Namen des Ansprst. Jetzt wissen wir, dass Ansprst durch Anwalt vertreten wird, 2010 und 2013 in ähnliche Unfälle verwickelt war und eigene Unfallvers besitzt. Anwalt hat bisher keine medizinischen Infos weitergegeben. Uns bekannt: Akute Schulter-Prellung. MRT zeigt Bandscheiben-Protrusion bei c5-6 und c6-7.“ Themen: … Ereignisse & Beziehungen: Anwaltliche Tätigkeit, Versicherungsprofil, Medizinische Behandlung, … 13 Indikatoren für Betrug und Subrogation identifizieren „Keine sichtbaren Verletzungen bekannt. Bis vor kurzem wussten wir nur, dass der Busfahrer nach dem Unfall über Schmerzen im Knie klagte. Wir kannten noch nicht einmal den Namen des Ansprst. Jetzt wissen wir, dass Ansprst durch Anwalt vertreten wird, 2010 und 2013 in ähnliche Unfälle verwickelt war und eigene Unfallvers besitzt. Anwalt hat bisher keine medizinischen Infos weitergegeben. Uns bekannt: Akute Schulter-Prellung. MRT zeigt Bandscheiben-Protrusion bei c5-6 und c6-7.“ Themen: … Ereignisse & Beziehungen: … Betrugsindikator, Subrogationsindikator 14 Natural Language Processing (NLP) ist der Schlüssel „Keine sichtbaren Verletzungen bekannt. Bis vor kurzem wussten wir nur, dass der Busfahrer nach dem Unfall über Schmerzen im Knie klagte. Wir kannten noch nicht einmal den Namen des Ansprst. Jetzt wissen wir, dass Ansprst durch Anwalt vertreten wird, 2010 und 2013 in ähnliche Unfälle verwickelt war und eigene Unfallvers besitzt. Anwalt hat bisher keine medizinischen Infos weitergegeben. Uns bekannt: Akute Schulter-Prellung. MRT zeigt Bandscheiben-Protrusion bei c5-6 und c6-7.“ Themen: … Ereignisse & Beziehungen: … Betrugsindikator, Subrogationsindikator 15 BI mit Textanalyse kombinieren, um auch Texte auszuwerten Business Intelligence Textanalyse Texte Dokumente, CRM-Notizen, Mails, Fragebögen, Social Media, etc. Sprachverarbeitung und Semantik Fachspezifische Kategorien Themen, Aussagen, Kategorien Data Warehouse Daten Datenbank, ERP, CRM, etc. Geschäftsprozesse 16 Betrugserkennung mit Textanalyse: Ein Vorgehensmodell Vorgehensmodell* Bewertungsmodelle und Wörterbücher » Betrug » Unfallversicherung » Subrogation » Haftpflichtvers. » Geschäftsregeln » Kfz-Versicherung » Claim-Filter » Schadensvers. Direkte Weiterverarbeitung Passender Claim-Prüfer » Claim-Datenbank SIU » Textquellen » Internet Content » OCR/ICR Content Alle ClaimDaten fusionieren » E-Mail » Social Media Claim-Daten analysieren und bewerten Bewertete Claims weiterleiten Intelligenter Workflow SubrogationsEinheit » Daten von Dritten Supervisor *) Zum Patent angemeldet durch TCS bei USPTO & EPO 18 Domänenspezifische Linguistik Szenario: Unfall mit Geschäftswagen » Claim-Datenbank Domänenspezifika » Textquellen » Internet Content » OCR/ICR Content Konzept: Weichgewebeverletzung Dehnung, Verstauchung, Schwellung, Kontusion, Prellung, usw. » E-Mail Indikator: Kombinierte Konzepte » Weichgewebeverletzung » Involvierter Anwalt schickt Desinformationen Zu bearbeitende Claims » Person ist Kreditnehmer » Verletzter liefert wenig Details Wird ermöglicht durch: » Semantik (Wörterbücher) » Taxonomien 19 Betrugsindikatoren erkennen Fusionierte Claim-Daten: Claims durchlaufen verschiedene Filter, die Betrugs- und Subrogationsindikatoren identifizieren und Claims den nächsten Bearbeitungsschritten zuweisen Nächste Bearbeitungsschritte: Ebene 2 Bewertung Ebene 3 Verdachtsmoment Ebene 1 Kein Verdacht, keine Subrogation Ebene 1 Kein Verdacht => schnelle Weiterbearbeitung Ebene 2 Erste Anzeichen für Verdacht => könnte weiter analysiert werden Ebene 3 Starke Anzeichen für Verdacht => sollte weiter analysiert werden Ebene 4 Hochgradig verdächtig => muss vom Sachbearbeiter SIU/Subrogation bearbeitet werden Ebene 4 Verdächtige Claims Hoher Verdacht für Betrug oder Möglichkeit der Subrogation Hochgradig konfigurierbar - alle Parameter sind unter Kontrolle des Nutzers 20 Demo 22 Kumulierte Ansicht der Forderungen. Über 50 % beziehen sich auf Verletzungen von: Hals, Rücken, Schulter, Arm und Knie. Muster von Verdachtsindikatoren lassen sich mit BI aus extrahierten Infos ableiten. Bspw. liefert eine Korrelationsanalyse historischer Betrugsdaten die gesuchten Muster für Verdachtskombinationen. Forderungsdetails zeigen zusätzliche Infos wie Geschlecht, Familie, Alter, Gesundheitsprofil, usw. Einige der Verdachtsindikatoren sind öffentlich bekannt, einige sind spezifisch für ein Produkt und andere kristallisieren sich über die Zeit heraus! Die Grafik zeigt die Top10-Indikatoren. Kombinationen von Verdachtsindikatoren sortieren die Forderung in Verdachtsebenen ein. Umso mehr Indikatoren, desto höher die Betrugswahrscheinlichkeit! 23 Textansicht der Forderung mit den erkannten Themen, die typisch für diesen Versicherungstyp sind 24 Als Beispiel der Verdachtsebene 3 hat diese Forderung vier Indikatoren! 25 Da Forderung in Ebene 3, wird Status auf „Sende an Special Investigation Unit“ gesetzt 26 Einsatzmöglichkeiten & Vorteile Einsatzmöglichkeiten & Vorteile Betrugserkennung Claim-Weiterleitung Verdächtige Claims genauer und früher Claims ohne oder mit nur geringem identifizieren und kategorisieren Quantität und Qualität der an SIU weitergeleitete Claims erhöhen, um Ressourcennutzung zu optimieren Verdachtsmoment bzw. Subrogationsmöglichkeiten schnell weiterleiten, um die Verarbeitung zu beschleunigen Kosten der Claim-Bearbeitung einsparen Kundenzufriedenheit erhöhen Subrogation Anspruchshöhe Möglichkeiten zur Subrogation genauer und früher Anspruchshöhe weiter reduzieren, indem auch identifizieren Möglichkeiten nach Volumen, Erfolgswahrscheinlichkeit und erwartetem Aufwand bewerten und kategorisieren Identifikationsrate und durchschnittlichen Wert erhöhen unstrukturierte Daten berücksichtigt werden Schadensquote verbessern Vertragsabschluss Claim-Auswertungen vor Vertragsabschluss heranziehen, um Risiken und früheren Betrug zu berücksichtigen 28 Zusammengefasst Leidensdruck Lösung Ergebnis 29 Vielen Dank! Fragen? Antworten! Dr. Hans Holger Rath, Senior Product Manager [email protected] facebook.com/Attensity Twitter.com/Attensity Weitere Infos: http://bit.ly/tdwi2015 Ausstellung Stand 24
© Copyright 2024 ExpyDoc
