Bevor wir uns diversen Definitionen und Erklärungen widmen, verrate ich Ihnen ein kleines Geheimnis: Ich bin ein Musik-Geek. Daher auch der Titel dieses Blogartikels – vielleicht kennen Sie das berühmte Guns N’ Roses-Album „Appetite for Destruction“ von 1987? Zunächst fand das Werk in der Musikbranche wenig Beachtung, erst später wurden einige großartige Titel dieses Albums angemessen gewürdigt. Und damit wären wir auch schon beim Thema: Warum ist es so wichtig, dass Versicherungen ihre Risikobereitschaft mit Genauigkeit oder auch Präzision verknüpfen? Wenn sie dies nämlich versäumen, entgehen ihnen wichtige Daten. Anders ausgedrückt: Es wäre die reinste Selbstzerstörung – „Appetite for Destruction“ – Sie verstehen?
Warum wir hundertprozentige Genauigkeit brauchen
Beginnen wir mit der Definition einiger Begriffe zur Klassifizierung von Betrug:
Genauigkeit: Anzahl korrekt klassifizierter Schadenfälle geteilt durch Anzahl aller gefundenen Schadenfälle
Trefferquote: Anzahl korrekt klassifizierter Schadenfälle geteilt durch Anzahl aller Betrugsfälle in einem historischen Datensatz
F1: zweifache Genauigkeit x Trefferquote geteilt durch Genauigkeit plus Trefferquote
Unsere kürzlich durchgeführte Studie hat gezeigt, dass nach Einschätzungen von Versicherungsprofis in 18 % der Schadenfälle Betrug im Spiel ist. Wenn man einen Datensatz von 200.000 Schadenfällen betrachtet, wird man früher oder später garantiert auf einen Betrugsfall stoßen. Wenn Sie mithilfe eines Betrugserkennungsmodells nur einen Fall klassifizieren, finden Sie möglicherweise nur den offensichtlichsten Betrugsfall. Aus Sicht der Data Science sagt man, es liegt mit einer Wahrscheinlichkeit von 99,9 % ein Betrugsfall vor. Die Genauigkeit wäre in diesem Fall 100 %. Diese Erfolgsquote würde jeder Schadensachbearbeiter liebend gern seinem Vorgesetzten präsentieren.
Ehrliche Kunden im Blick behalten
Was spricht also dagegen?
Im obigen Beispiel würde die Mehrheit der Betrüger durchs Raster fallen. Denn während wir glauben, dass es eine hundertprozentige Genauigkeit gibt und alle Betrugsfälle klassifiziert werden, wurde in Wirklichkeit nur einer von 200.000 Schadenfällen vom System markiert.
Wenn Sie alle Betrugsfälle aufdecken wollen, müssen Sie alle 200.000 Schadenfälle klassifizieren. Dies würde eine Null-Toleranz-Strategie ermöglichen, aber die Kollegen aus der Sonderermittlung würden mit fälschlicherweise als positiv klassifizierten Schadenfällen überschwemmt. Da die meisten Kunden ehrlich sind, verdienen sie eine schnelle Regulierung ohne unnötige Verzögerungen seitens der SIU-Abteilung.
Um eine vernünftige Auswahl für weitere Ermittlungen treffen zu können, müssen Sie bei der Klassifizierung von Betrugsfällen selektiver vorgehen.
Das optimale Gleichgewicht finden
Aus diesem Grund ist es uns wichtig, mit unseren Kunden zusammenzuarbeiten, um Genauigkeit und Risikobereitschaft in Einklang zu bringen. Mithilfe unserer leistungsstarken KI-Techniken wie Prognosemodellen, Netzwerkanalyse und Text-Mining in Kombination mit über 600 vorkonfigurierten Risiko- und Betrugsindikatoren wird automatisch jede Art von potenziellem Betrug erkannt.
Wenn die SIU-Kapazität begrenzt ist, regulieren wir die Genauigkeit im System hoch, sodass nur die risikoreichsten Fälle für weitere Ermittlungen markiert werden. Wenn genügend Kapazitäten vorhanden sind und es vernünftige Verfahren für die Weiterverfolgung von Warnungen gibt, sind eine geringere Genauigkeit und eine höhere Trefferquote wünschenswert.
Werden mehr Anträge geprüft, erhalten unsere Modelle auch mehr Rückmeldungen von der SIU-Abteilung. Anhand dieses Feedbacks werden unsere Modelle automatisch neu trainiert, was letztlich zu einer höheren Genauigkeit führt. Dieses ständige positive Feedback kommt der Betrugserkennungsrate unserer Kunden erheblich zugute. Ein Gleichgewicht zwischen Genauigkeit und Trefferquote zu finden, ist für unsere Kunden von großem Wert.
Dieser Herausforderung stellen sich unsere Datenanalysten bei der Implementierung von FRISS Tag für Tag. Wenn wir dieses optimale Gleichgewicht finden, bin ich glücklich. Und wenn ich meine Kollegen mit schlechten Musikwitzen überhäufen kann, natürlich auch …
Über den Autor
Daan Bakker ist Datenanalyst bei FRISS. In seinem Job dreht sich alles um Betrugserkennung. Daan und seine Kollegen aus der Data-Science-Abteilung machen die Produkte und Algorithmen von FRISS jeden Tag ein Stückchen besser. Ihre Motivation: ehrliche Versicherungen für alle.
