Herausforderung: hohe manuelle Aufwände bei Prüfprozessen
Im Bereich der Schadenprüfung und Schadensregulierung entstehen häufig hohe Aufwände durch die manuelle Nachprüfung diverser Belegarten. In vielen Fällen ist diese Prüfung ökonomisch nicht sinnvoll, da entweder keine Kürzung der Auszahlung umgesetzt werden kann oder diese so gering ausfällt, dass die Prüfkosten diesen Betrag übersteigen. Zielführend ist, die Information über den möglichen Prüferfolg bzw. die Prüfnotwendigkeit möglichst früh verfügbar zu machen und zur Steuerung des Arbeitsgutes im Sinne einer Hell-Dunkel-Steuerung bzw. Fallpriorisierung zu nutzen.
Erhöhung der Dunkelverarbeitungsquote durch maschinelles Lernen
Durch den Einsatz moderner mathematisch-statistischer Verfahren (Künstliche-Intelligenz(KI)-/Machine-Learning-Verfahren) kann eine höhere Automatisierung des Prozesses erreicht werden – dies reduziert manuelle Prüfaufwände massiv. Durch Machine-Learning-Algorithmen werden diejenigen Rechnungen identifiziert, die einen möglichst hohen Prüferfolg versprechen, um diese für die manuelle Prüfung zu priorisieren. Somit werden nur noch besonders prüfenswerte Fälle an die Sachbearbeiter:innen ausgesteuert, die große Masse der Rechnungen wird dunkel verarbeitet.
Operationalisierung: KI wirksam machen
Ziel ist die Einbettung des Modells in den entsprechenden operativen Regulierungsprozess. Der erste Schritt hierzu ist der Bau eines operativ lauffähigen Minimal-Modells. Ein solches Modell kann dann bspw. im Anschluss an die entsprechende Regelwerksprüfung vor der Aussteuerung an die Sachbearbeiter:innen integriert werden. Typischerweise werden derartige ML-Modelle aus technischer Sicht als Microservices über REST-APIs an die entsprechenden Schnittstellen der Leistungssysteme angebunden. Je nach Voraussetzung erfordert die Einbindung in den Prüfungsprozess (Aufruf des Microservice und Prozesssteuerung auf Basis des Modell-Scores) i. d. R. ein IT-Umsetzungsprojekt.
Wertbeitrag: welcher Nutzen ist durch die Optimierung des Leistungsprozesses zu erwarten?
Die optimale Aussteuerung zu prüfender Fälle sowie die Optimierung der Hell-Dunkel-Steuerung im Beleggut reduziert manuelle Aufwände und führt damit zu einem höheren Automatisierungsgrad. Zudem ist es möglich, höhere Kürzungssummen durch optimierte Fallprüfung durch die verfügbaren Mitarbeiter:innen zu erreichen und somit das Gesamt-Prüfergebnis zu steigern.
Grundsätzlich lässt sich diese Form von ML-gestützter Prozessautomatisierung auf zahlreiche weitere Anwendungsfälle im Umfeld der Leistungsprüfung und Schadenregulierung anwenden.
