Se ha denunciado esta presentación.
Se está descargando tu SlideShare. ×

Betrugserkennung in Versicherungen durch Machine Learning und Predictive Analytics

Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio

Eche un vistazo a continuación

1 de 22 Anuncio

Betrugserkennung in Versicherungen durch Machine Learning und Predictive Analytics

Descargar para leer sin conexión

Laut des Gesamtverbandes der Deutschen Versicherungswirtschaft ist etwa 10% des Schadenaufwands deutscher Versicherer auf Betrugsfälle zurückzuführen.1 Alleine Schaden- und Unfallversicherer verlieren dadurch 4-5 Mrd. € pro Jahr. Tendenz steigend! Bekämpft wird diese Entwicklung zumeist manuell oder mithilfe veralteter Technologien.

Effiziente Schadensregulierung und hohes Kundenserviceniveau können oftmals nicht gewährleistet werden, sobald eine höhere Genauigkeit in der Betrugserkennung erreicht werden soll. Der Einsatz moderner Datenbank-Lösungen und KI gestützter Cloud-Services ermöglicht höhere Schnelligkeit, Lernfähigkeit und Genauigkeit im Umgang mit potentiellen Betrugsfällen.

Laut des Gesamtverbandes der Deutschen Versicherungswirtschaft ist etwa 10% des Schadenaufwands deutscher Versicherer auf Betrugsfälle zurückzuführen.1 Alleine Schaden- und Unfallversicherer verlieren dadurch 4-5 Mrd. € pro Jahr. Tendenz steigend! Bekämpft wird diese Entwicklung zumeist manuell oder mithilfe veralteter Technologien.

Effiziente Schadensregulierung und hohes Kundenserviceniveau können oftmals nicht gewährleistet werden, sobald eine höhere Genauigkeit in der Betrugserkennung erreicht werden soll. Der Einsatz moderner Datenbank-Lösungen und KI gestützter Cloud-Services ermöglicht höhere Schnelligkeit, Lernfähigkeit und Genauigkeit im Umgang mit potentiellen Betrugsfällen.

Anuncio
Anuncio

Más Contenido Relacionado

Similares a Betrugserkennung in Versicherungen durch Machine Learning und Predictive Analytics (20)

Más reciente (20)

Anuncio

Betrugserkennung in Versicherungen durch Machine Learning und Predictive Analytics

  1. 1. BETRUGSERKENNUNG IN VERSICHERUNGEN DURCH USE CASE MACHINE LEARNING & PREDICTIVE ANALYTICS
  2. 2. SETTING THE SCENE 2 EINE KLARE THEMATISCHE ABGRENZUNG ERMÖGLICHT EINE FUNDIERTE ENTSCHEIDUNGSBASIS IN-SCOPE OUT-OF-SCOPE ▪ Betrugserkennung im Kontext von ▪ Schadensmeldungen ▪ Leistungsabrechnungen ▪ Verschreibungen ▪ Integration von Machine Learning & Predictive Analytics ▪ Computer Vision & NLP in der Dokumentenerfassung ▪ Automatic Reasoning und Datenanreicherung in der Fallbearbeitung ▪ Regelbasierte Betrugserkennung aus BI-Systemen ▪ Evaluation von Machine Learning Algorithmen ▪ Einfluss der Gesetzgebung ▪ Analyse bestehender IT-Systemlandschaft Zielsetzung der Use Case Analyse ▪ Unmittelbare Einordnung der Use Case Relevanz anhand transparenter Bewertungsdimensionen ▪ Bereitstellung des grundlegenden Informationsangebots zur Entwicklung einer gemeinsamen Sprache ▪ Herausstellung zentraler Prüfpunkte für eine unternehmensspezifische Detailanalyse ▪ Vermeidung unrealistischer Erwartungshaltungen ▪ Abbildung der notwendigen Analysetiefe zur Ersteinschätzung der Anwendungsreife und Marktdynamik
  3. 3. 3 ÜBERSICHT DER BEWERTUNGSDIMENSIONEN 9/10 8/10 8/10 7/10 7/10 MARKTREIFESTRATEGISCHER FITEINFACHE UMSETZUNGPERFORMANCE GEWINN KOSTEN REDUKTION 7.9 Deutlich höhere Kosten-effizienz führt in Kombination mit höherer Entscheidungsqualität zu relevanten Performance- Vorteilen. KI reduziert die Aufwände für Einzelfallprüfungen und externe Gutachter. Zudem können Opportunitätskosten vermieden werden. Pilotprojekte zur intelligenten Betrugserkennung sind bereits mit vergleichsweise geringem Aufwand realisierbar. Größter Engpass ist derzeit die interne Ressourcenverfügbarkeit von KI-Spezialisten. Technologie- vorbehalten kann kommunikativ vorgebeugt werden. Die Technologie ist verfügbar und wird stetig weiterentwickelt. Als Early Follower gilt es, jetzt mit dem Testen zu beginnen und die Erfahrungen der Innovatoren zu nutzen. Intelligente Betrugserkennung bietet hohes Potential bei vergleichsweise niedrigem Start-Investment. Die Ergebnisse eines Prototyps können unternehmensweit in verwandten Use Cases genutzt werden und bieten damit schnellen Mehrwert. GESAMT SCORE Deutlich höhere Kosteneffizienz führt in Kombination mit höherer Entscheidungsqualität zu relevanten Performance- Vorteilen. KI reduziert die Aufwände für Einzelfallprüfungen und externe Gutachter. Zudem können hohe Opportunitätskosten vermieden werden. Pilotprojekte zur intelligenten Betrugserkennung sind bereits mit vergleichsweise geringem Aufwand realisierbar. KI stellt für etablierte Versicherer Chance und Risiko zugleich dar. Insurtech Startups nutzen ebenfalls neue Technologien, haben aber weniger Ressourcen zur Verfügung. Die Basis-Technologien werden von Providern und Communities entwickelt. Praktisch sind bereits zahlreiche Projekte implemen- tiert – wenn auch nicht mit allen KI-basierten Möglichkeiten. Intelligente Betrugserkennung bietet hohes Potential bei vergleichsweise niedrigem Start-Investment. Die Ergebnisse eines Prototyps können unternehmensweit in verwandten Use Cases genutzt werden und bieten damit schnellen Mehrwert.
  4. 4. 4 BETRUGSERKENNUNG ALS INITIALES ELEMENT EINER ÜBERGREIFENDEN KI-STRATEGIE 1) Quelle: https://www.gdv.de/de/themen/news/fast-jede-zehnte-schadenmeldung-mit-ungereimtheiten-11376 Problembeschreibung Laut des Gesamtverbandes der Deutschen Versicherungswirtschaft ist etwa 10% des Schadenaufwands deutscher Versicherer auf Betrugsfälle zurückzuführen.1 Alleine Schaden- und Unfallversicherer verlieren dadurch zwischen 4 und 5 Mrd. € pro Jahr. Tendenz steigend! Bekämpft wird diese Entwicklung zumeist manuell oder mithilfe veralteter Technologien. Effiziente Schadensregulierung und hohes Kundenserviceniveau können oftmals nicht gewährleistet werden, sobald eine höhere Genauigkeit in der Betrugserkennung erreicht werden soll. Der Einsatz moderner Datenbank-Lösungen und KI gestützter Cloud-Services ermöglicht höhere Schnelligkeit, Lernfähigkeit und Genauigkeit im Umgang mit potentiellen Betrugsfällen. Ein Problem liegt dabei in der stetigen Veränderung der eingesetzten Betrugsmuster. Machine Learning ermöglicht es in diesem Kontext, durch den Abgleich mit historischen Daten und externen Einflussfaktoren, Auffälligkeiten in Echtzeit zu erkennen und Maßnahmen einzuleiten. Betrügerische Schadensansprüche können dadurch schneller und mit weniger manuellem Aufwand entdeckt werden. Eine weitere Herausforderung sind die steigenden Ansprüche der Endkunden. Ein hoher NPS führt zu einem deutlich höheren Lifetime-Value des Versicherten. Die Kunden sind es dabei aus dem privaten, immer digitaler werdenden Umfeld gewohnt, einerseits individuell aber andererseits auch sehr schnell bedient zu werden. Wird ein Dienstleister diesen Anforderungen nicht gerecht, sinkt der NPS schnell ab – was als Reaktion häufig zu kostenintensiven Marketing-Kampagnen führt. Blickwinkel ▪ Relevanz von einfacher und schneller Fallbearbeitung nimmt kontinuierlich zu ▪ Zentrale Kennzahl für die Unternehmenssteuerung ist der Net Promoter Score (NPS) ▪ Beiträge sind durch Betrugsfälle höher als notwendig Versicherte Finance & Controlling IT & Administration ▪ Trägt meist direkte Verantwortung für die Minimierung von Betrugskosten ▪ Wendet viel Zeit für die manuelle Analyse potentieller Betrugsfälle auf ▪ Muss sich stetig neuen gesetzlichen Standards anpassen ▪ Betreut zunehmend komplexe Systemlandschaften ▪ Steht regelmäßig vor Herausforderungen in Bezug auf Datenqualität und Automatisierung ▪ Ist verantwortlich für die Integration multipler Datenquellen als Basis für Reporting Lösungen
  5. 5. 5 KI HILFT VERSICHERERN IN DER ERKENNUNG NEUER UND KOMPLEXER BETRUGSMUSTER LösungsalternativenPraktisches Anwendungsbeispiel Kfz-Versicherungsbetrug Im Jahr 2016 veröffentlichte die Direct Line Insurance die dritte Ausgabe des Kfz- Versicherungs-Betrugsbarometers, in dem festgestellt wurde, dass sechs von 100 Kfz- Versicherungsansprüchen in Spanien betrügerisch sind. Schätzungen zufolge kostet der Autoversicherungsbetrug die spanischen Versicherer rund 1,2 Milliarden Euro pro Jahr. Standardprüfung Prämienzahlung, Schadensdeckung, Anspruch und ggf. Mitverschuldung werden in der Fallprüfung auf Basis spezifischer Angaben und der Kundendaten abgebildet. Zudem werden Plausibilitätsprüfungen zur Schadensursache und Ausmaß vorgenommen. Der Standardprozess ist oftmals manuell und für mutwilligen Betrug vergleichsweise einfach durchschaubar - objektive Nachweise existieren z.T. nicht. Automatisierte Musterprüfung Bereits bekannte Betrugsmuster können über Musterprüfungen mit eigenen Kundendaten oder externen Daten automatisiert geprüft werden. Beispielindikatoren sind involvierte Personen, Versicherungsabschluss, vorherige Schadensmeldungen oder Verhaltensmuster. Die Systeme hierfür sind ausgereift, in Teilen allerdings unflexibel auf neue Gegebenheiten KI-basierte Mustererkennung Jede Woche tauchen neue Betrugsszenarien auf, und es ist unerlässlich, dass eine Lösung zur Betrugserkennung kontinuierlich aktualisiert wird. Um dies zu ermöglichen, benötigt eine Betrugserkennungslösung Agilität und Flexibilität. Das Startup Shift Technology übertraf etablierte Lösungen mittels KI beispielsweise bei einer Trefferquote von 75%.
  6. 6. Effizienz 6 VERMEIDUNG VON EINZELFALLPRÜFUNGEN BEI HÖHERER ENTSCHEIDUNGSQUALITÄT PERFORMANCE GEWINN Effektivität und Effizienz waren im Bereich der Betrugserkennung lange nicht miteinander vereinbar: Je mehr Fälle individuell geprüft werden, desto höher ist die Chance, einen Betrugsfall letztendlich nicht fälschlicherweise auszuzahlen. Die Einzelfallprüfung potentieller Betrugsfälle ist allerdings zeitintensiv und damit teuer. Aus Gründen der Praktikabilität wird daher zumeist ein Grenzwert eines Scores festgelegt, auf Basis dessen entschieden wird, ob eine Einzelfallprüfung durchgeführt wird. Durch den Einsatz von Machine Learning lässt sich ein dafür zuständiger Algorithmus mit jedem verarbeiteten Datensatz weiter verbessern, wodurch deutlich weniger Fälle in einen manuellen Prüfungsprozess weitergeleitet werden müssen. Im Bereich der Kreditkarten-Betrugserkennung werden Neuronale Netze bereits seit den 90er Jahren erfolgreich eingesetzt. Auf Basis von Image Recognition und Deep Learning können jetzt außerdem handschriftliche Schadensmeldungen in die Systeme eingepflegt und mithilfe von Natural Language Processing interpretiert und kategorisiert werden. Die Schadenfälle der Versicherten werden somit insgesamt schneller abgeschlossen, was die Kundenzufriedenheit steigert und somit kostenintensive Marketingmaßnahmen zur Kundenbindung einspart. Data Scientists können dadurch stärker an zukunftsorientierten Projekten arbeiten, anstatt regelmäßige Auswertungen über Betrugsfälle bereitzustellen. Diese wertvollen Ressourcen werden dadurch nicht mehr an Projekte zur Erhaltung des Status Quo gebunden sondern können aktiv an Projekten zur Schaffung weiterer Wettbewerbsvorteile mitwirken. 9/10 Machine Learning ermöglicht es, die Anzahl von „false positives“ (als auffällig eingestufte Fälle, bei denen kein Betrug vorliegt) sowie „false negatives“ (als unauffällig eingestufte Fälle, bei denen Betrug vorliegt) durch kontinuierliche Verbesserung der zugrunde liegenden Algorithmen zu minimieren. Einzelne Anbieter werben bereits mit über 75% „Treffsicherheit“ bei automatisierter Identifikation von Verdachtsfällen. Qualität Der Einsatz statischer Algorithmen führt dazu, weder flexibel noch in Echtzeit auf neue Anforderungen reagieren zu können. Eine KI ist mithilfe von Reasoning in der Lage, kontext-sensitive Algorithmen zu nutzen, wodurch auch noch nicht als solche erkannte Betrugsmuster enttarnt werden können – zum Beispiel unter Einbeziehung von Wetter- oder Social-Media Daten. Riskovermeidung Der datenseitige Prozess der KI-gestützten Betrugserkennung lässt sich in ähnlicher Art und Weise auch auf andere Anwendungsfälle wie Churn Prediction anwenden. Gleichzeitig lassen sich auch einzelne Bausteine wiederverwenden: Die entwickelte Kombination aus Natural Language Processing und Reasoning lässt sich beispielsweise auch im Customer Support oder im Bereich von Social Media Analytics anwenden. Skalierung 8/10 9/10 8/10 9/10
  7. 7. 7 AUTOMATISIERUNG MANUELLER EINZEL- PRÜFUNG STÄRKSTER EFFIZIENZTREIBER KOSTEN REDUKTION Kostenbereich Systemkosten Ausfallkosten Sub-Kategorie Kosten für Prävention Prüfungskosten Direkte Kosten Indirekte Kosten Beschreibung Aufwände zur initialen Fehlervermeidung Aufwände zur operativen Umsetzung der Betrugserkennung Direkt durch Betrugsfälle entstehender Aufwand Durch Betrugsfälle und deren Auswirkungen entstehender indirekter Aufwand Use Case bezogene Kostenpositionen ▪ Dokumenteneingang und Verarbeitung ▪ Strukturierte Datenerfassung ▪ Monitoring von Regulierungen und Marktentwicklung ▪ Manuelle Einzelfallprüfung ▪ Beauftragung von externen Gutachtern / Prüfern ▪ Dokumentation- und Kommunikationsaufwand ▪ Mitarbeiterschulungen und Trainings ▪ Ausschüttungen bei Schadens- regulierung in Betrugsfällen ▪ Sinkender NPS bei langen Bearbeitungszeiten ▪ Ressourcen sind in Prüfungsfällen gebunden ▪ Sinkende Versichertenzahlen durch erhöhte Prämien ▪ Höhere Risikoprämien bei Rückversicherern ▪ Steigende Anzahl von Betrugs- fällen, da organisierte Kriminalität auf Anbieter mit schwacher Betrugserkennung abzielt Einflussbereiche von KI Optimierung und Automatisierung der Dokumentenverarbeitung und Reduzierung des Monitoring- Aufwands Einsparpotenzial durch die Automatisierung manueller Fallüberprüfungen Reduzierung nicht-erkannter Betrugsfälle und Ausschüttungen sowie Bearbeitungszeiten Sicherheit vor professionellen Betrugssystemen und Verhinderung betrugsbedingter Prämienerhöhung Effizienzgewinn durch KI 8/10 9/10 6/10 = sehr niedrig = sehr hoch
  8. 8. 8 MACHINE LEARNING ALS ZENTRALER BAUSTEIN EFFIZIENTER FALLPROZESSIERUNG EINFACHE UMSETZUNG Einfachheit der Lösung Die skizzierte Betrugskennung basiert auf vier wesentlichen Blöcken, die aufeinander aufbauen, teilweise eine Feedback-Schleife bilden, und als Ergebnis eine zuverlässige und automatisierte Entscheidungsfindung bereitstellen: 1) Dokumentenverarbeitung: Dokumente von Abrechnungspartnern oder Endkunden gehen über unterschiedliche Kanäle ein. Im besten Fall können standardisierte Web-Formulare ausgelesen werden – im schlechtesten Fall müssen handschriftliche Freitextfelder erfasst, interpretiert und in ein Datenbank-lesbares Format verarbeitet werden. 2) Datenbanksysteme: Die Rohdaten aus dem Dokumenteneingang werden prozessiert und in einem Datenspeicher (Data Warehouse, Data Lake, etc.) gespeichert. Gleichzeitig werden die Ergebnisse der Fallprozessierung abgelegt, wodurch die Feedbackschleife für die Machine Learning Prozesse ermöglicht wird. 3) Machine Learning: Mithilfe von Natural Language Processing und Reasoning werden die zuvor erfassten Daten analysiert. Ein Deep Learning Algorithmus ermittelt einen Score zusammen mit einem Konfidenzwert (p) als Entscheidungsbasis. Ist der Konfidenzwert unterhalb des definierten Schwellwerts (z.B. 95%), so wird eine Einzelfallprüfung durchgeführt. 4) Fallprozessierung: Als Ergebnis des Machine Learning bzw. der Einzelfallprüfung wird eine Entscheidung abgeleitet und automatisiert z.B. durch den Versand entsprechender Dokumente ausgeführt. Anträge Schadensmeldungen Abrechnungen Dokumentenverarbeitung Einzelfallprüfung p <= 0,95 Dokumentenversand Fallprozessierung p > 0,95 Datenbanksysteme Machine Learning NLP, Reasoning, Deep Learning Entscheidung Computer Vision Verarbeitung Data Warehouse Analytics Schematischer Prozessablauf 8/10
  9. 9. 0 2 4 6 8 10 Einfachheit der Lösung Inter- operabilität Test Validität Problem- bewusstsein Organisatorische Offenheit 9 MIT WENIG KOMPLEXITÄT UND DIREKTEM MEHRWERT IN KI-ANWENDUNGEN EINSTEIGEN EINFACHE UMSETZUNG Interoperabilität Wenn Quell- oder Analysesysteme direkt an die KI-Anwendung angebunden werden können, lassen sich neue Mustertypen auch in unübersichtlichen Daten erkennen und schnell in die Kalkulation einbeziehen. Bei der Betrugserkennung ist diese Integration grundsätzlich gegeben, da die Daten zumeist schon in ERP-Systemen und/oder Data Warehouse Strukturen persistiert sind. Die zusätzlichen Anwendungen zur Betrugserkennung selbst lassen sich über APIs einfach anbinden. Test-Validität Fraud-Detection kann vollumfänglich parallel zum Produktivsystem getestet werden. „Kinderkrankheiten“ im Kundenkontakt lassen sich somit vermeiden, da das System so lange verbessert werden kann, bis es die gewünschte Reife erreicht ist. Analog dazu kann mit Dokumentenverarbeitung zunächst in einer Testumgebung experimentiert werden, bevor sie in geschäftskritischen Prozessen eingesetzt wird. Problembewusstsein Die durch Betrug entstehenden Kosten drücken direkt auf das operative Ergebnis der Versicherer. Um diese zu reduzieren werden oftmals wertvolle Ressourcen gebunden. Die Reduktion von manuellem Aufwand und die Verbesserung der Betrugserkennung ist eine bekanntes Dilemma im Umgang mit Schadensfällen. Organisatorische Offenheit Mitarbeiter, die einen Arbeitsplatzverlust fürchten, werden durch Flexibilisierung ihrer Tätigkeit oftmals nicht überflüssig, sondern können effektiver eingesetzt werden. Dennoch lösen Projekte, die auf die Automatisierung von zumindest einem Teil der eigenen Arbeit abzielen, gerade bei langjährigen Mitarbeitern oftmals Ängste und damit Voreingenommenheit und Ablehnung aus. Bewertung der Umsetzungskomplexität 8/10 9/10 8/10 9/108/10 5/10
  10. 10. Ressourcen Verfügbarkeit 10 TECHNOLOGISCHE VORAUSSETZUNGEN FÜR UNTERNEHMENSERFOLG DRINGEND NOTWENDIG STRATEGISCHER FIT Ein Hauptziel des Einsatzes von künstlicher Intelligenz ist in diesem Fall, Ressourcen einzusparen bzw. effektiver einsetzen zu können. Gerade in der traditionell personalkostenintensiven Versicherungsbranche besteht dadurch ein großer Hebel. Zur Realisierung werden Implementierungs- und Wartungs-Ressourcen benötigt, die entweder intern bereitgestellt oder über externe Partner eingekauft werden. Wichtig sind dabei vor allem eine sauber konzipierte Architektur, das initiale Aufsetzen und Trainieren des KI-Modells sowie die Integration in die bestehenden System- landschaft mithilfe dynamischer Schnittstellen. Inwieweit auf Standard-Lösungen von Dienstleistern zurückgegriffen werden kann und sollte hängt von der jeweiligen Fallkomplexität ab. Grundsätzlich ist der Anwendungsfall jedoch recht klar und verglichen mit anderen KI-Anwendungen eher ressourcenarm. 7/10 Der Angst vor Stellenabbau in der internen Kommunikation durch vorbereitende Informationen und unternehmensstrategische Einblicke entgegengewirkt werden. Der Einsatz von KI reduziert allerdings nicht nur im relevanten Maße negative Effekte auf das operative Ergebnis, sondern schafft insbesondere bei börsennotierten Versicherungen Vertrauen in deren Innovationskraft. Dies ist besonders relevant vor dem Hintergrund des aktuell aufkommenden, dynamischen Insurtech Marktes. Passende Kommunikationsstrategie Besonders relevant für diesen Use Case sind Neuronale Netze und Deep Learning als Tools in der intelligenten Datenverarbeitung. Experten für diese Domäne sind oftmals nicht mit der nötigen Kapazität verfügbar und müssen aktiv rekrutiert werden. Beratungen können für Tests und PoCs völlig ausreichend sein, in einer Produktiv- Umgebung sind interne Experten für dieses Thema jedoch unerlässlich. In einigen Versicherungsunternehmen sind dedizierte KI-Teams bereits vorhanden – in anderen Unternehmen fehlen diese Ressourcen intern noch gänzlich. Know How vorhanden Computing- und Speicher-Kapazitäten sind im Vergleich zu vernachlässigende Faktoren geworden – wichtiger ist die Verfügbarkeit von Daten. Durch NLP und Computer Vision lassen sich mehr Daten als zuvor aus den vorhandenen Ressourcen nutzbar machen, die dann noch durch externe Daten angereichert werden können. Dieser Prozess ist herausfordernd, liefert aber qualitativ hochwertige Inputdaten zum Training eines eigenen, proprietären KI-Systems. Inputfaktoren erschließbar 5/10 6/10 8/10 Management Priorität Auf Grund der positiven finanziellen Effekte, die eine verbesserte Betrugserkennung im operativen Ergebnis erzielen kann, Erhöhung der Arbeitgeberattraktivität durch den Einsatz von KI und Stärkung der Wettbewerbsposition liegen die überzeugende Argumente für den Top-Management Support auf der Hand. Ein weiterer positiver Aspekt ist die vergleichsweise schnell demonstrierbare Funktionalität des neuen Systems in Form eines Proof-of-Concepts. Dieser ist möglicherweise für den Regelbetrieb noch nicht ausgereift genug, schafft aber das nötige Vertrauen in die Weiterentwicklung einer integrierten Lösung. 8/10 7/10
  11. 11. 11 MAXIMALER ERFOLG DURCH DEEP LEARNING IN KOMBINATION MIT MACHINE VISION UND NLP Einfluss neuartiger Schlüsseltechnologien Marktdurchdringung Früher MassenmarktInnovatoren Early Adopter Später Massenmarkt Nachzügler PENETRATIONSRATE Systemkomponente Rolle Marktdurch- dringung Adaptions- stadium Lösungs- charakter Deep Learning Neural Networks Enabler Early Adopter Proof-of- Concept Individuell Machine Vision Performance Treiber Früher Massenmarkt Deployment Standard Natural Language Processing Performance Treiber Früher Massenmarkt Deployment Standard Automatic Reasoning Performance Treiber Innovatoren Prototyping Individuell Cloud Computing Access Accelerator Später Massenmarkt Optimierung Standard Prototyping OptimierungDeploymentLive Testing Proof-of- Concept Adaptionsstadium TECHNOLOGISCHE REIFE MARKTREIFE 0 – 3 % 4 – 17 % 18 – 50 % 51 – 84 % 85 – 100 % 6/10
  12. 12. KI-Startups (international 12 KI-LÖSUNGEN OPEN SOURCE VERFÜGBAR, ÖKOSYSTEM UNTERSTÜTZT IMPLEMENTIERUNG Hinweis: Kein Anspruch auf Vollständigkeit, die Auswahl der Anbieter erfolgt auf Basis ihres kommunizierten Leistungsangebots bzw. öffentlichkeitswirksamen Projekten ÖKOSYSTEM VERFÜGBARKEIT MARKTREIFE Lösungsanbieter Startups Realisierungspartner Open Source Communities Bei Systemanbietern von KI-gestützter Betrugserkennung handelt es sich zumeist um generalistische Cloud- Plattformen. Diese bieten spezifische Microservices für Fraud Detection sowie zusätzliche Module beispielsweise für Bild- und Spracherkennung, welche innerhalb der Cloud-Umgebung kombinierbar sind. Die Startup-Landschaft entwickelt sich im KI-Bereich dynamisch, ist jedoch eher auf die Betrugserkennung in der Zahlungs- abwicklung spezialisiert. Ausgewählte Spezialisten für den Ver- sicherungsbereich finden sich allerdings sowohl in Europa als auch in den USA. Zur Lösungsentwicklung können spezialisierte IT-Beratungshäuser oder Forschungsinstitute und Universitäten als Partner zu Rate gezogen werden. Bei Beratungen ist das Thema Fraud Detection insbesondere in Bezug auf Zahlungsabwicklung abgedeckt. Im akademischen Umfeld werden entsprechende KI-Bereichen häufig ohne spezifischen Anwendungsfall bearbeitet. Die eigenständige Entwicklung von KI- Lösungen ist im Hinblick auf die notwendigen Software-Frameworks nicht kostenintensiv. Eine Vielzahl von Open Source Angeboten existiert mit umfassender Community-Unterstützung. Machine Learning und NLP sind dabei nicht von allen Frameworks unterstützt, lassen sich aber entweder über APIs bzw. mittel Python verknüpfen. KI-Lösungsanbieter KI-Startups (D-A-CH) Beratung / Implementierung Forschung Frameworks 7/10
  13. 13. 13 MARKTREIFE IST NACHGEWIESEN, PILOT- PROJEKTE BEI INNOVATOREN BEREITS UMGESETZT *Unternehmensbeispiele exemplarisch ausgewählt – kein Anspruch auf Vollständigkeit „FEAR OF MISSING OUT“ MARKTREIFE KI-KOMPETENZ UNTERNEHMENSGRÖSSE LEADER EARLY FOLLOWER NATIONALE UNTERNEHMEN INTERNATIONALE KONZERNE Anwendertyp* KI-Strategie* BUILD BUY PARTNER ? Je komplexer der Prüfvorgang und die Integration in die eigenen Systeme, desto sinnvoller eine eigene Lösung. Bei der Verwaltung großer Datenmengen, Compliance-Themen und der automatisierten Ansteuerung weiterer Prozesselemente eignen sich individuelle Lösungen meist besser als Standardsoftware. Entwicklungsframe- works bieten modulare Bausteine, die individuell angepasst werden können. Dies erfordert jedoch mehr Zeit und die Investition in KI-Entwickler, welche zur Zeit nicht nur rar sondern auch teuer sind. Das Einkaufen von Standardlösungen bis hin zur Übernahme von Startups, die sich dem Thema widmen, ist in der Betrugserkennung eine durchaus attraktive Variante. Durch vergleichs- weise übersichtliche Prozessflüsse und klar quantifizierbare Einsparpotenziale sowie fehlenden Hardware-Bedarf kann mit unterschiedlicher Standard- software experimentiert werden. Auch KI-as-a-Service Module von Cloud- anbietern wie Google oder Microsoft können in diesem Kontext relevant sein. Der Partneransatz ist zu empfehlen, wenn einerseits eine Standardsoftware durch externe Partner implementiert und möglicherweise parametrisiert werden soll. Andererseits kann es sinnvoll sein, wenn durch Partner aus der Forschung eine eigene proprietäre Lösung entwickelt werden soll. Gerade dieser Ansatz kann neue Geschäftsmodelle wie die Lizensierung des neuen Systems zur Refinanzierung der Entwicklung ermöglichen. Auch mit Konkurrenten können Partnerschaften von hoher Bedeutung sein – beispielsweise bei geringer Datenverfügbarkeit, gemeinschaftlicher Vorteile oder der Notwendigkeit neuer Grundlagen in einer experimenteller Umgebung. GeschäftsmodelldiversifikationFirst-Mover Marktanteile gewinnen „low-hanging fruits“ ernten Know How einkaufen Plug and Play Lösungen Individualisierte Standardlösungen (Spezial-)Lösungsentwickler Individual-Lösungen 9/10
  14. 14. 14 PRAXIS ZEIGT KLARE TENDENZ ZUR ADAPTION KI-GESTÜTZTER AUSWERTUNGSSYSTEME MARKTDYNAMIK MARKTREIFE Künstliche Intelligenz für eine bessere Versorgung Allianz: Rekord bei Einsparungen durch Betrugserkennung Generali bekämpft Betrug mit Bildforensik Als erste Krankenkasse integriert die TK einen KI-gestützten Symptomcheck in ihre Online-Angebote. Sie kooperiert mit dem Berliner Unternehmen „Ada Health“, dessen KI- Technologie Ada in die neue TK-Doc-App integriert wird. Versicherte können so Beschwerden bewerten und auf Wunsch per Videochat direkt mit einem Arzt sprechen. Link Die Allianz konnte im vergangenen Jahr über 70 Mio. € an Kosten für betrügerische Versicherungsfälle einsparen. Die Betrugserkennung konnte innerhalb eines Jahres von 7,7% auf 8,7% gesteigert werden, was mehr als 5.000 erkannte Betrugsfälle im Jahr 2017 bedeutet. Link Der durch Betrug entstehende Schaden für die Ver- sicherungen summieren sich auf 4-5 Mrd. € im Jahr. Nun will die Branche digital aufrüsten und gegensteuern. Die Generali setzt dabei auf Software zur Netzwerkerkennung oder Bildforensik, die Manipulationen an Beweisfotos aufdeckt. Link. Praktische Learnings „to-watch“ ▪ Anzahl identifizierter Betrugsfälle ▪ Eingesparte Versicherungssumme in € ▪ Quote notwendiger Einzelfallprüfungen ▪ Durchschnittliche Fallbearbeitungszeit ▪ Betrugsmuster ändern sich schneller als statische Algorithmen ▪ Integration von Social-Media und IoT-Daten ermöglich neue Methoden der Betrugserkennung ▪ Learnings aus KI in Fraud Detection können intern auf weitere Projekte (z.B. Churn Prediction) transferiert werden ▪ Monitoring der Qualität erhobener Daten als zentrales Element für den Einsatz von KI ▪ Entwicklung von Cloud-Lösungen, gerade bzgl. der einfachen Integration in bestehende System ▪ Effizienz-Optimierung-Druck als Treiber für KI-Adaption Zentrale KPIs 7/10
  15. 15. 15 EFFIZIENZGEWINNE UND POTENTIAL ZUR SKALIERUNG SIND KERNTREIBER DER INNOVATION ROBUSTHEIT DER INFRASTRUKTUR MARKTREIFE BarrierenTreiber Arbeitskosten Steigende Lohnniveaus sowohl in Europäischen Standorten als auch in den beliebten Outsourcing-Standorten in Osteuropa sowie im asiatischen Raum setzen Unternehmen zunehmend unter Druck, ihre Prozesskosten mittelfristig zu senken. Datenverfügbarkeit Daten über Schadensfälle sind in den Unternehmen vorhanden. Sauber aufgenommen und prozessiert können sie als proprietäres Asset genutzt werden, um Wettbewerbsvorteile zu generieren. Die Integration historischer sowie externer Markt- und Umgebungsdaten kann dabei zusätzlichen Mehrwert schaffen. Deep Learning / Neuronale Netze In der Datenprozessierung und Entscheidungsfindung spielt Deep Learning eine zentrale Rolle. In beiden Bereichen ist künstliche Intelligenz dem Menschen bereits überlegen. Die Output-Qualität wird sich auch künftig kontinuierlich verbessern und die Bearbeitung komplexerer Aufgaben ermöglichen. Mangel an KI-Spezialisten Die Verfügbarkeit qualifizierter Experten, die in der Lage sind Systemarchitekturen aufzusetzen, selbstlernende KI-Systeme zu trainieren und zu administrieren, kann aufgrund der hohen Nachfrage und damit entsprechenden Preisen zur Adaptionsbarriere vor allem für Mittelständler werden. Unausgereiftes Automatic Reasoning Die Technologie zur kontextuellen Verarbeitung der Informationen aus Schadensmeldungen ist den anderen benötigten KI-Bausteinen in ihrer Marktreife noch unterlegen. In Kombination mit Natural Language Processing entstehen zwar große Potentiale, diese sind allerdings aktuell noch nicht mit Standardsoftware zu erschließen. Datenschutz Im Umgang mit den Daten der Versicherten werden Richtlinien auf europäischer Ebene beschlossen. Die Cloud-Lösungen der großen Anbieter sind im Regelfall auf diese Regulierungen angepasst – im Einzelfall kann allerdings einer rechtliche Klärung vorab notwendig sein. Fehlende Standards KI Lösungen in der Betrugserkennung sind noch kein Standard „Plug and Play“-Service. Entwickler von Individualsoftware sowie Cloud- Provider sammeln Erfahrungen und definieren gemeinsam Standards. Schlüsselfertige Lösungen sind allerdings auch in Zukunft auf Grund der spezifischen Anforderungen kaum erwartbar. Cloud-Computing Rechenintensive KI-Anwendungen können heute bereits vergleichs- weise kostengünstig in der Cloud (oder auch on-premise) realisiert werden. Mit Cloud Computing können heute auch sicherheitsrelevante Daten bei geringen Latenzzeiten prozessiert werden, was beispielsweise Real-Time Scoring und Regulierung ermöglicht. 7/10
  16. 16. 16 INTELLIGENTE BETRUGSERKENNUNG AKTUELL NUR IN GROSSUNTERNEHMEN IM EINSATZ 7/10 MARKTREIFE Status quo Ausblick Automatisierte Betrugserkennung hat in der Versicherungsbranche bereits auf Basis statischer, regelbasierter Systeme Fortschritte gebracht. Die Anzahl manueller Prüfungen wurde reduziert, allerdings weisen nicht-KI basierte Systeme noch deutliche Schwächen auf. Insbesondere die Anpassung auf neue Betrugsmuster ist nicht gegeben, was eine häufige, manuelle und damit fehleranfällige Anpassungen des Algorithmus nach sich zieht. ▪ Hohe Kosten der Einzelfallprüfung ▪ Erhöhte Bearbeitungszeit von nicht eindeutig zugeordneten Fällen ▪ Latenz bei der Anpassung an neue Betrugsmuster Automatisierte Systeme zur Betrugserkennung werden zukünftig durch den Einsatz künstlicher Intelligenz um ein Vielfaches an Performanz gewinnen. Große Teile der manuellen Arbeit werden überflüssig und Mitarbeiter unterstützt, schnellere und bessere Entscheidungen zu treffen. Dadurch wird in einigen Bereichen „Real-Time“ Scoring möglich sein, bei welchem neben den eigenen Unternehmens-Daten auch zunehmend weitere externe Faktoren in die Bewertung einfließen. ▪ Hohe Performanz und Flexibilität sowie Anwendbarkeit in anderen Use Cases ▪ Skalierbarkeit bis hin zur einem Lizenzgeschäftsmodell ▪ Nutzbarmachung von IoT-Daten zur Überprüfung bisheriger „Blackbox“- Schadensfälle und Betrugsmuster Monitoren Live-Test Deployment Wo stehen wir aktuell? InnovationsführerEarly Adopter Prototyp / Proof-of-Concept Optimieren
  17. 17. CHECKLISTE: INDIVIDUELLE UMSETZUNGSRELEVANZ 17 ORIENTIERUNGSPUNKTE FÜR EINE ERFOLGREICHE USE CASE IMPLEMENTIERUNG Optimierungspotenzial Veränderungsdruck Aktionspunkte ❑ Hohe direkt Kosten durch nicht erkannte Betrugsfälle ❑ Hoher interner und externer Prüfungsaufwand ❑ Zu hohe Bearbeitungszeit bei potentiellen Betrugsfällen ❑ Niedrige Datenqualität in der Erfassung von Versicherungsansprüchen ❑ Wenig Anreicherung der Daten mit externen Kontext-Informationen Aspekte, die auf den Bedarf an einer KI-gestützten Qualitätskontrolle hindeuten ❑ NPS ist wichtigstes Differenzierungs- kriterium zum Wettbewerb ❑ Höhere Transparenz und Sicherheit im Compliance angestrebt ❑ Anpassung an sich verändernde Betrugsmuster notwendig ❑ Aktuelle Lösungen oft abhängig von einzelnen Data Scientists Faktoren, die den Handlungsdruck im Bereich Qualitätsmanagement erhöhen ❑ Präzise IST-Analyse der Bestandssysteme und konkrete Problemdefinition ❑ Definition von internen Projektressourcen oder Partnersuche ❑ Evaluation von Datenquellen (Qualität, Volumen, Schnittstellen, Verfügbarkeit) ❑ Short-List-Erstellung von KI-Lösungs- alternativen bzw. Systemerweiterungen ❑ Minimum-Viable-Testsetup aufsetzen (außerhalb des Produktivbetriebs) Konkrete Maßnahmen, die bei einem avisierten Test-Projekt zu beachten sind
  18. 18. ÜBER APPANION 18 WIR HELFEN DABEI, DIREKTEN MEHRWERT AUS IHREN DATEN ZU ERZIELEN Wir identifizieren passende KI-Anwendungsfälle und helfen bei der zielorientierten Priorisierung IDENTIFY Wir erstellen einen konkreten Plan über Anforderungen, Projektorganisation und feedbackgesteuerte Iterationsschritte PLAN Wir evaluieren geeignete Lösungen für unternehmensspezifische Anforderungen EVALUATE Wir begleiten den Entwicklungs- und Implementierungsprozess und unterstützen bei der Partnerauswahl EXECUTE Wir schaffen Entscheidungssicherheit über Prozessdesign und funktionale Prototypen TEST Wir entwickeln eine zukunftssichere Datenstrategie auf Basis der langfristigen Unternehmensziele SUSTAIN
  19. 19. 19 METHODIK BACKUP
  20. 20. UNSERE METHODIK 20 FREQUENTLY ASKED QUESTIONS Was bedeutet das Use Case Scoring? Technologische Innovationen im Bereich der künstlichen Intelligenz oder Blockchain Technologie verändern Unternehmensprozesse, Geschäftsmodelle und Verhaltens- weisen nachhaltig. Teilweise ist der Fortschritt dabei in so kurzer Zeit erreicht, dass bestehende Organisationsstrukturen sich nicht schnell genug anpassen können und es zur Disruption von relevanten Marktteilnehmern oder ganzen Märkten kommt. Mit dem Use Case Scoring haben wir eine Methode entwickelt, die einen Überblick über aktuell wichtige technologische Innovationsbereiche in unterschiedlichen Branchen gibt. In detaillierten Einzelprofilen stellen wir eine erste Einschätzung, eine strukturierte Priorisierung sowie die wichtigsten Eckdaten zur Verfugung. Unternehmen können hiermit die Dringlichkeit auf den ersten Blick einschätzen, mit der sie sich diesen Themen zuwenden sollten. Wie funktioniert die Use Case Analyse? Die Use Cases werden industriespezifisch aus unserer jahrelangen Erfahrung im Bereich Markt- und Trendbeobachtung im Digital- und Technologieumfeld einzeln geprüft und ausgewählt. Das Bewertungsmodell beruht auf fünf zentralen Dimensionen, die eine umfassende Evaluation des Anwendungsfalls ermöglichen. („Performance Gewinn“, „Kosten Reduktion“, „Marktreife“, „Strategischer Fit“ und „Einfache Umsetzung“). Alle fünf Dimensionen sind in gewichtete Einzelfaktoren segmentiert, die in den detaillierten Use Case Profilanalysen transparent bewertet werden. Aus der Erfahrung zahlreicher Strategie- und Business Intelligence Projekte, die wir in den vergangenen Jahren sowohl in DAX-Konzernen als auch im Mittelstand aktiv begleitet haben, leitet sich unser flexibler Bewertungsrahmen ab, der die zentralen Erfolgsfaktoren technologischer Innovationsprojekte abbildet. Welche Werte werden für die Use Case Bewertung zu Grunde gelegt? Bei der Analyse von technologischen Innovationen versuchen wir explizit nicht eine allgemeingültige Wahrheit zu finden – die verschiedenen Einflussdimensionen und Perspektiven erfordern im Regelfall eine unternehmensspezifische Detailanalyse. Einschätzungen, die tatsächlichen Wettbewerbsvorteil bedeuten, ergeben sich oftmals aus fokussierter Marktbeobachtung, einem fundierten Verständnis von Markt- dynamiken sowie Geschäftsmodellen. Die Absicherung von Entscheidung durch Marktforschung, langfristig angelegten Forschungsprojekten und die Erstellung umfassender PowerPoint-Analysen dauert häufig zu lange und bindet teilweise Ressourcen, mit denen bereits wichtige Fortschritte in Tests und Prototypen erzielt werden können. Unsere Alternative ist ein einfaches, intuitives Bewertungsmodell auf einer Skala von 1 (Worst-Case Voraussetzung) bis 10 (Optimalbewertung), das von einem ausgewählten Expertenkreis in einem Achtaugenprinzip geprüft und freigegeben wird. Unser Expertennetzwerk beinhaltet erfahrene Strategieberater, Business Intelligence Spezialisten, Marktanalysten und Branchenexperten mit praktischen oder wissenschaftlichem Hintergrund. Welche Gewichtung der Einzelfaktoren sorgt für eine Gesamtbewertung? Die Gewichtung der Einzelfaktoren spiegelt eine durchschnittliche Branchen- einschätzung wider. Die Gewichtungsverhältnisse können auf der Folgeseite nachvoll- zogen werden. Je nach Unternehmensvoraussetzungen und Use Case Komplexität können sich Bewertungsdimensionen unterschiedlich stark ausprägen. Eine individualisierte Einzelfallprüfung bieten wir unseren Kunden daher projektbasiert an. Wo finde ich weitere Informationen und Use Case Profile? Unser Use Case Profil-Datenbank befindet sich derzeit noch im Aufbau. Weitere Informationen erhalten sie auf appanion.com oder kontaktieren Sie uns persönlich.
  21. 21. EINFLUSS DER BEWERTUNGSDIMENSIONEN 21 DAS FLÄCHENMASS REPRÄSENTIERT DIE PROZENTUALE GEWICHTUNG (NORMIERT AUF 100 PROZENT)
  22. 22. WIR FREUEN UNS ÜBER IHR FEEDBACK! Mirko Schedlbauer Gründer Haftungsausschluss: Diese Analyse basiert auf Recherchen und Daten der zuvor genannten Quellen. Alle präsentierten Informationen wurden von Appanion und assoziierten Experten mit großer Sorgfalt recherchiert und aufbereitet. Für die präsentierten Daten und Informationen kann Appanion keine Gewährleistungen jeglicher Art übernehmen. Informationen und Daten stellen in ausgewählten Fällen individuelle Meinungen dar und bedürfen gegebenenfalls einer weiteren Interpretation als Entscheidungsgrundlage. Nach der Veröffentlichung dieses Dokuments können nicht vorhersehbare Fortschritte in Forschung oder Praxis erzielt werden, die eine alternative Einschätzung nahelegen. Appanion haftet daher nicht für Schäden, die durch die Verwendung der in dieser Analyse enthaltenen Informationen und Daten entstehen. Appanion Labs GmbH ▪ Hopfenstrasse 11 ▪ 20359 Hamburg ▪ www.appanion.com

×