Proof of Concepts (PoC’s) kennen tal van voordelen. Ze zijn populair en worden vaak gezien als een eenvoudige manier om leveranciers onderling te vergelijken. Maar is dat eigenlijk wel zo? Het nadeel van een PoC is dat je eerst een aantal hordes moet nemen, zoals het regelen van een fatsoenlijk budget en de juiste resources, voordat je van de voordelen kunt profiteren. Erger nog, PoC’s kunnen je rendement op investering vertragen. Om dit verder te toe te lichten, ga ik dieper in op drie grote problemen met PoC’s, plus een andere manier om te kiezen voor de beste oplossing waarbij deze problemen niet spelen. Maar laten we eerst eens kijken hoe PoC’s precies worden gebruikt.
Hoe worden PoC’s gebruikt?
Meestal worden PoC’s ingezet in het voortraject van belangrijke technische beslissingen. Verzekeraars gebruiken een PoC om te bepalen welke leveranciers beter presteren, net zoals je bijvoorbeeld supercars zou vergelijken.
Het verschil is dat je bij de aankoop van een supercar naar tal van zaken kijkt. Welke supercar het snelst optrekt van 0 naar 100 km per uur is slechts voor een gering aantal mensen de doorslaggevende factor. Als het om verzekeringen gaat, lijkt de proefrit zich niettemin vooral te concentreren op één onderdeel: wie kan de meeste fraudegevallen detecteren in mijn set historische gegevens? Er wordt niet gekeken naar rijgedrag, brandstofverbruik, over-the-air updates, kosten van onderhoud, afschrijving na 10 jaar of ‘het uiterlijk’, zoals de kopers van supercars doen. Voor veel verzekeraars is dit al geruime tijd de doorslaggevende factor.
De uitdaging van een PoC is vervolgens om te bepalen wanneer er überhaupt sprake is van fraude. Als een verzekeraar alleen maar fraude wil opsporen die hij kent uit het verleden, zou hij waarschijnlijk geen nieuwe oplossing aanschaffen. Dit betekent dat onderzoekers er een taak bij krijgen. Ze moeten nu de resultaten van de PoC’s beoordelen. Maar zou het voor een maatschappij niet veel logischer zijn om direct te profiteren van nieuwe technologie in plaats van terug te kijken naar claims die al afgehandeld zijn?
3 redenen waarom een PoC niet altijd de beste keuze is.
1: De verborgen kosten van een PoC
Los van de kosten van de feitelijke PoC, moet je ook nog rekening houden met de onderzoekskosten achteraf. Uit ervaring weten we dat veel verzekeraars dit nog wel eens willen vergeten. Ze beseffen niet hoeveel werk er zit in de beoordeling van de resultaten en zijn hier soms twee of drie keer langer mee bezig dan gepland. Het is echt een zeer tijdrovende klus om elke leverancier afzonderlijk te onderzoeken, maar tegelijkertijd is dit ook een essentieel onderdeel van het PoC-proces.
Claims die in het verleden al zijn gemarkeerd als frauduleus zijn gelukkig geen probleem. Die analyse kun je eenvoudig overlaten aan de IT-afdeling. Maar hoe zit het met de nieuwe claims die je onderzoekers de eerste keer over het hoofd hebben gezien? We weten dat deze nogmaals moeten worden beoordeeld, maar wie gaat dit doen?
2: Integratie in het core-systeem
Ten tweede, als een verzekeraar overstapt op automatische verwerking (STP) om tijd vrij te maken voor de onderzoekers zou je meer efficiency en automatisering verwachten, toch? Dat geldt alleen als de oplossing voor fraudedetectie is geïntegreerd in het bestaande core-systeem. Als je het gebruikt als een zelfstandig systeem dat niet real-time werkt, zou het goed kunnen dat het al binnen een paar maanden door niemand meer wordt gebruikt.
Schadebehandelaars zouden het systeem een paar keer per dag moeten raadplegen en een manier moeten vinden om de resultaten handmatig te integreren in hun dagelijkse routine. En omdat ze toch al onder druk staan om efficiënter te werken, is dit een extra uitdaging waar waarschijnlijk niemand op zit te wachten. Onthoud dat integratie hier het sleutelwoord is, ongeacht hoe ‘toekomstbestendig’ je core-systeem ook is.
3: Zelflerende modellen
Tot slot is er nog een functionaliteit die we niet mogen vergeten: zelflerende modellen. Deze zijn heel belangrijk voor fraudedetectiesoftware, maar kunnen tijdens een PoC niet worden beoordeeld. Zoals we weten passen veel fraudedetectiebedrijven inmiddels AI toe in hun kerntechnologie om aansluiting te houden in onze moderne wereld. Maar het is belangrijk dat naarmate fraude zich verder ontwikkelt, de AI-modellen zich mee ontwikkelen. Ze moeten leren van menselijk beoordelingsvermogen en ingrijpen.
AI-modellen moeten worden gevoed met menselijke input, bijvoorbeeld dat een claim ten onrechte is gemarkeerd als fraude, zodat ze dezelfde fout niet nog een keer maken. Maar toch hebben niet alle leveranciers deze functionaliteit geïntegreerd in hun software. Daarom worden zelflerende modellen tijdens PoC’s niet geëvalueerd. De PoC is een momentopname en het is vrijwel onmogelijk om de impact van zelflerende modellen vast te stellen als de resultaten niet regelmatig worden gecontroleerd. Dit wordt nog lastiger als je er na de implementatie door de leverancier alleen voor staat.
En nu?
De vraag die alle verzekeringsmaatschappijen zich zouden moeten stellen is: wil ik echt wel een PoC uitvoeren als er aan de software die ik beoordeel zoveel aspecten ontbreken?
Helaas kan een PoC om die reden soms inderdaad een kwestie van weggegooid geld zijn. Om nog even terug te komen op de vergelijking met de supercartest: je weet op basis van de resultaten welke auto het snelst is, maar alleen op die specifieke dag en alleen op dat kleine stukje asfalt. Is dat echt wat je wilt? Er is nog steeds niets bekend over het brandstofgebruik of het rijgedrag.
In de verzekeringswereld moet je weten welke leverancier betrouwbaar is en klaar is om mee te racen in een dagelijks Supercar-kampioenschap. Dus, hoe zorgen we hiervoor?
Laten we in plaats daarvan een pilot doen
Als het om auto’s gaat, weten we precies hoe we te werk moeten gaan. We vragen vrienden of collega’s naar hun ervaringen en we doen een proefrit. Een dan het liefst niet één proefrit maar een paar. Stel dat we hier gewoon een paar maanden voor hadden? Zou dat niet ideaal zijn?
Voor fraude geldt in principe hetzelfde. Voer eerst een pilot-implementatie uit. Zo kun je de oplossing rustig een paar maanden in de praktijk uittesten en als het je bevalt, abonneer je je op de SaaS-oplossing. Zo niet dan betaal je alleen de kosten van de evaluatie en configuratie. Maar laat ik je vertellen dat je op de eerste dag dat de pilot live gaat meer fraude zult vinden dan wanneer je probeert fraude vast te stellen in gevallen die al zijn afgesloten.
Bij FRISS kun je altijd een gesprek aanvragen met onze referenties. We willen dat je alles weet wat er te weten valt over de supercar waarmee je gaat rijden. We geven je een proefrit van een maand en willen niet alleen horen hoe snel de auto gaat, maar ook hoe betrouwbaar hij is en hoeveel brandstof hij gebruikt op de lange termijn.
Als je hierna nog steeds een POC overweegt, raad ik je aan om in plaats daarvan voor een FRISS-proefrit te gaan. Maak kennis met onze auto, de weg, het merk en de medewerkers in de garage. Ik beloof je dat je van gedachten zult veranderen. En misschien begrijp je dan ook waarom ons motto is: “Insurance is a beautiful thing”.
