Gian Luigi Chiesa arbeitet als Datenwissenschaftler bei FRISS und merkt, dass viele Versicherungsunternehmen Daten ungenutzt lassen im Kampf gegen Versicherungsbetrug. Mit Hilfe eines konkreten Beispiels erklärt er, wie Versicherungsunternehmen Prognosemodelle nutzten können, um von ihren eigenen Daten zu profitieren, und damit Risiken frühzeitig zu erkennen und Betrug festzustellen.
„Die in den letzten Jahren erheblich zugenommene Datenmenge hat zu ungeahnten Möglichkeiten geführt, um eine neue und tiefere Einsicht in komplexere Probleme erhalten zu können.
Herkömmliche Methoden wie Business Intelligence, einfache statistische Modelle sowie Slice und Dice wurden vor ungefähr 30 bis 40 Jahren entwickelt.
Viele Unternehmen greifen immer noch ausschließlich auf diese herkömmlichen Methoden zurück, die eine Beantwortung tiefgreifender Fragen Ihrer Datensätze jedoch nicht ermöglichen.
Maschinelles lernen für Versicherungsunternehmen
Heutzutage sind viele moderne Tools erhältlich wie: maschinelles Lernen, deep Learning, Netzwerkanalyse. Solche Tools können in Ihrem Business eingesetzt werden und einen hohen Mehrwert bieten.
Eines der einflussreichsten und leistungsstärksten Unternehmen in der Unterhaltungsindustrie, das solche Methoden bereits stark einsetzt, ist Netflix.
Vor einigen Jahren sah sich Netflix mit so vielen Inhalten konfrontiert, dass die Nutzer einfach den Überblick verlieren würden.
Um dieses Problem zu lösen, richtete Netflix riesige Netzwerke ein, die Nutzer und Inhalt aufeinander abstimmen. Die Stärke dieser Methode spricht für sich.
Das Unternehmen schätzt, dass ca. 75% der Zuschaueraktivitäten von diesen Empfehlungen gesteuert werden. Welche Möglichkeiten bietet dies für die Versicherungswelt?
Die Versicherungsnehmer werden auf natürliche Weise an ihre Schadensmeldungen geknüpft. Wie Netflix Nutzer und Inhalt miteinander verbindet, können wir Versicherungsnehmer und Schadensmeldungen miteinander verknüpfen.
Netzwerkanalysen
Wir können vor allem Kategorien festlegen… zum Beispiel Personen, Unternehmen, Pseudonyme, Objekte … was wiederum Autos, Adressen, Standorte und Vorgänge sein können… wie beispielsweise die Eingabe einer Schadensmeldung, eines Unfalls oder die Eingabe einer Versicherungspolice.
Es macht Sinn, ein Netzwerk auf der Grundlage dieser Kategorien zu bilden.
Und in solchen Netzwerken können wir nach interessanten Mustern suchen. Wie das Netzwerk von Netflix einen Nutzer als jemanden identifizieren kann, dem wahrscheinlich der Film Fight Club gefällt, kann unser Netzwerk eine Person als potentiellen Versicherungsbetrüger „entlarven”.
Solche prognostizierten Profile können den Wert Ihres Portfolios erheblich steigern. Wenn diese Methode gleich zu Beginn angewandt wird, wenn Leute eine Versicherungspolice abschließen, können Sie differenzieren, wie auf der Grundlage des prognostizierten Profils mit diesen Leuten umgegangen wird.
100 % Straight Through Processing
In Zukunft kann die Evolution dieser Tools zu einer ehrlicheren Versicherung führen, mit weniger Spielraum für Betrug und möglicherweise zu einer 100% automatisierten Abwicklung von Forderungen und Versicherungsanträgen.
Diese Tools zahlen sich am Ende aus.“
