Versicherungsbetrug in der Schadenregulierung: Verdachtsfälle per ML finden

KI-Tagesseminar · 1 Tag

Vom Schadendatensatz zum erklärbaren Betrugs-Score, der die Prüfarbeit sinnvoll lenkt

Das nehmen Sie mit

• Aus Schadenhistorie, Verträgen, Korrespondenz und Geodaten leiten Sie Betrugsindikatoren ab und gleichen seltene Betrugsfälle mit SMOTE oder Resampling aus.
• Scoring-Modelle, Anomalieerkennung und Netzwerkanalyse ordnen Sie fachlich ein und beurteilen ihre Güte anhand von Precision, Recall und ROC.
• Für die Schadenabteilung legen Sie Schwellenwerte und Prüfquoten fest, die Arbeitsvorräte und Kundenzufriedenheit gleichermaßen berücksichtigen.
• Rechtliche Grenzen der DSGVO, die Rolle des HIS und eine glaubwürdige ROI-Rechnung fließen in Ihren Fahrplan zum Frühwarnsystem ein.

Ablauf

1. Teil 1

   Modul 1 – Ausgangslage: Wie Versicherungsbetrug auftritt und erkannt wird

   • Spannweite der Fälle: vom überhöht gemeldeten Kleinschaden bis zum organisierten Täterring
   • Feste Prüfregeln und ihre Schwäche: Betrüger passen ihr Vorgehen an, sobald ein Muster bekannt ist
   • Reale Fälle: welche Signale erfahrene Schadenprüfer deuten und was ein Modell davon übernehmen kann
   • Abwägung zwischen entschlossener Abwehr und der Zufriedenheit redlicher Versicherungsnehmer
2. Teil 2

   Modul 2 – Datenbasis: Aus Schadenakten werden Betrugsindikatoren

   • Ergiebige Quellen: Schadenhistorie, Vertragsdaten, Korrespondenz mit Kunden und Geodaten des Schadenorts
   • Wenige Betrugsfälle unter vielen echten Schäden: Klassen ausgleichen mit SMOTE oder Resampling
   • Feature Engineering: aus Rohdaten Merkmale wie Meldeverzug oder gehäufte Vorschäden ableiten
   • Übung: In einem Beispieldatensatz ermitteln Sie die Merkmale mit der größten Aussagekraft für Betrug
   • Datenschutz von Beginn an einplanen, damit die Auswertung zulässig bleibt und dennoch ergiebig ist
3. Teil 3

   Modul 3 – Verfahren: Scoring, Anomalien, Netzwerke und Freitext

   • Schadenfälle nach Verdachtsgrad bewerten mit Gradient Boosting und Random Forest
   • Bisher unbekannte Muster entdecken: Anomalieerkennung mit Isolation Forest und Autoencoder
   • Verdeckte Verbindungen zwischen Beteiligten, Werkstätten und Gutachtern per Graph Analytics offenlegen
   • Hinweise aus dem Freitext der Schadenmeldung herausziehen mit NLP und LLM
   • Übung: Sie trainieren ein Betrugs-Scoring und deuten die ausgegebenen Gütekennzahlen
   • Precision, Recall und ROC einordnen: ab welcher Güte ein Modell in die Regulierung darf
4. Teil 4

   Modul 4 – Steuerung: Vom Score zur Prüfentscheidung in der Schadenabteilung

   • Schwellenwerte und Prüfquoten so wählen, dass die Arbeitsvorräte der Betrugsabwehr beherrschbar bleiben
   • Begründungen für Sachbearbeitung und Gericht nachvollziehbar machen mit SHAP und XAI
   • False Positives begrenzen, damit ehrliche Kunden nicht unter Generalverdacht geraten
   • Arbeitsteilung im Tagesgeschäft: Modell markiert, Schadenprüfer bewertet, Ermittlung übernimmt
   • Übung: Aus einem vorliegenden Score leiten Sie konkrete Prüfschritte für den Schadenfall ab
5. Teil 5

   Modul 5 – Rahmen und Einführung: Recht, Partner, Wirtschaftlichkeit

   • DSGVO-konforme Betrugsanalyse: tragfähige Rechtsgrundlagen und Grenzen, die nicht überschritten werden
   • Datenaustausch mit dem HIS und die Kooperation mit Ermittlungsbehörden sauber organisieren
   • Was Projekte gelingen lässt und welche Fehler Neueinsteiger häufig begehen
   • Den ROI der Betrugserkennung belastbar nachweisen, etwa über vermiedene Fehlzahlungen
   • Fahrplan von der ersten Datenanalyse bis zum produktiven Frühwarnsystem in der Regulierung