Herausforderung: hohe manuelle Aufwände bei Prüfprozessen

Im Bereich der Schadenprüfung und Regulierung 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 (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 in Wirkung bringen

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 Voraussetzungen erfordert die Einbindung in den Prüfungsprozess (Aufruf Microservice und Prozesssteuerung auf Basis des Modell-Scores) i.d.R. ein IT-Umsetzungsprojekt.

Wertbeitrag: welcher Nutzen ist zu erwarten durch die Optimierung des Leistungsprozesses?

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. Kommen Sie bei Interesse jederzeit gerne auf uns zu!

Ansprechpartner

Dr. Markus Knappitsch
Head of Data Business Consulting Insurance & Banking
Kontaktieren Sie uns!

Herr Dr. Knappitsch verantwortet bei der Comma Soft AG die Sparten Insurance und Banking. Zudem ist er als Lead Consultant in steuernder Funktion tätig. Sein Fokus liegt auf der Optimierung und Digitalisierung von Prozessen im Versicherungsumfeld mit Hilfe statistischer Methoden und des Maschinellen Lernens. Im Zentrum steht dabei stets die Verbindung relevanten Domänenwissens mit modernen Verfahren zur Datenanalyse.
Kontaktieren Sie uns!

Herr Dr. Knappitsch verantwortet bei der Comma Soft AG die Sparten Insurance und Banking. Zudem ist er als Lead Consultant in steuernder Funktion tätig. Sein Fokus liegt auf der Optimierung und Digitalisierung von Prozessen im Versicherungsumfeld mit Hilfe statistischer Methoden und des Maschinellen Lernens. Im Zentrum steht dabei stets die Verbindung relevanten Domänenwissens mit modernen Verfahren zur Datenanalyse.