Fünf Wege, wie Technologie die Betrugsbekämpfung verbessern kann

Betrug war schon immer ein zusätzliches Risiko, das die Versicherer bei der Bearbeitung von Anträgen und der Bewertung von Ansprüchen eingehen. Und das Risiko steigt, weil die digitale Transformation es Betrügern ermöglicht, Schwachstellen auszunutzen und neue Angriffsmöglichkeiten zu finden. Technologie kann Versicherern aber auch helfen, kriminelle Aktivitäten aufzudecken und vermeidbare Verluste zu verhindern.

#1 Blockchain

Blockchain ist eine aufstrebende Technologie, deren Potenzial erst noch voll ausgeschöpft werden muss. Aber es gibt viele spannende Anwendungsfälle in allen Branchen und Sektoren, und die Versicherung ist keine Ausnahme.

Der Wert der Blockchain liegt in ihrer Fähigkeit, unveränderliche und verlässliche Aufzeichnungen zu erstellen. Das liegt daran, dass die Technologie mit verteilten Ledgern arbeitet, d. h. sie ist eine dezentralisierte Lösung. Mit anderen Worten: Es gibt nur eine Version der Wahrheit, da niemand Informationen zu seinem Vorteil manipulieren kann.

Jede wichtige Transaktion und jeder Datensatz in einem Netzwerk ist fälschungssicher und überprüfbar, so dass die Versicherer mit konsistenten und zuverlässigen Daten arbeiten können. Blockchain kann Vertrauen und Genauigkeit über den gesamten Versicherungslebenszyklus hinweg schaffen, von der Angebotserstellung bis hin zur Schadensmeldung, und viele der Schwachstellen beseitigen, die von Betrügern bei der Erstellung von Policen und der Einreichung von Schadensmeldungen ausgenutzt werden.

So können Blockchain-basierte Aufzeichnungen beispielsweise Betrug mit doppelter Abzweigung verhindern. Dies ist der Fall, wenn jemand Ansprüche bei mehr als einer Versicherungsgesellschaft einreicht. Da die Blockchain einen klaren Prüfpfad bietet, würde sie ungültige Anträge für ein und denselben Anspruch verhindern. Weitere Anwendungsfälle sind Identitätsprüfungen und die Überprüfung der Herkunft von versicherten Gegenständen.

#2 Datenanreicherung

Versicherungen sind auf verlässliche, aktuelle und genaue Daten angewiesen. Je mehr Datenpunkte den Versicherern zur Verfügung stehen, desto einfacher ist es, Risiken zu bewerten. Hier kann die Datenanreicherung einen großen Beitrag zur Betrugsprävention leisten. Die Digitalisierung bedeutet, dass Versicherer Daten aus einer Vielzahl von Quellen sammeln und filtern können, die sonst ohne Online-Verbindung nur schwer in Echtzeit zugänglich wären.

Öffentliche Aufzeichnungen und Daten privater Unternehmen können ein genaueres und vollständigeres Bild des Versicherungsrisikos und der Wahrscheinlichkeit betrügerischer Aktivitäten vermitteln. Automatisierung und Integration ermöglichen es den Versicherern, die Angaben eines Antragstellers bereits in der Angebotsphase zu validieren, indem sie mehrere Datensätze wie Schadenverlauf, Namen und Adressen, Kreditinformationen, Daten aus sozialen Medien, Beobachtungslisten und öffentliche Datenbanken miteinander abgleichen. Ebenso können die Versicherer auf viel mehr Quellen zurückgreifen, um Ansprüche zu überprüfen.

Wenn digital befähigte Versicherer Datendrehscheiben aufbauen, die mit Drittanbietern integriert werden können, maximieren sie die Vorteile strukturierter und unstrukturierter Daten. Die Anreicherung von Daten hilft nicht nur bei der Erkennung von Betrug und dem Aufzeigen von Anomalien, sondern kann auch die Antrags- und Schadenbearbeitung beschleunigen und damit das Kundenerlebnis verbessern.

#3 Maschinelles Lernen

Maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz (KI). Um Betrug zu erkennen, nutzt maschinelles Lernen die KI, um Erfahrungen und Wissen zu sammeln, um neue Betrugsmodelle zu erkennen. Es handelt sich um eine selbstlernende Technologie, die keine zusätzliche Programmierung erfordert, um neuen Herausforderungen zu begegnen. Herkömmliche Betrugserkennungssysteme stützen sich auf rote Flaggen oder Betrugsindikatoren, um verdächtige Informationen innerhalb eines bestimmten Rahmens zu erkennen, während maschinelles Lernen anpassungsfähig und dynamisch ist.

Maschinelles Lernen kann Zusammenhänge aufzeigen, die für das menschliche Auge unsichtbar sind, große Mengen strukturierter und unstrukturierter Daten auf verdächtige Muster analysieren und Trends erkennen. Deep Anomaly Detection (DAD) ist ein Beispiel für eine Technik des maschinellen Lernens und ist besonders nützlich bei der Verhinderung von Schadensbetrug. DAD analysiert echte Schadensfälle und erstellt ein Modell, das mit größeren Datensätzen verglichen werden kann, um Anomalien zu erkennen.

#4 Computer Vision

Das maschinelle Sehen spielt bei der Risikobewertung und der Betrugsbekämpfung eine immer wichtigere Rolle, insbesondere in Kombination mit künstlicher Intelligenz. Computer Vision liefert beispielsweise eindeutige und objektive Beweise für Schäden an Autos, Gebäuden und anderen Gegenständen, die von Sach- und Unfallversicherungen abgedeckt werden, und verhindert so überhöhte Ansprüche und minimiert die Möglichkeiten für Betrüger, Daten zu manipulieren. Ebenso kann sie Versicherern helfen, Risiken zu bewerten und beim Abschluss von Policen Genauigkeit zu gewährleisten.

Mit zunehmender Verfeinerung der Technologie, die durch Verbesserungen im Bereich der künstlichen Intelligenz und des maschinellen Lernens verstärkt wird, ergeben sich zahlreiche Anwendungsmöglichkeiten in der Schaden- und Unfallversicherung sowie in der Lebens- und Krankenversicherung. Computer Vision kann die Echtheit von Dokumenten und Identitäten feststellen sowie Sachschäden und Gesundheitszustände verifizieren und wird zunehmend eingesetzt, um den Informationsaustausch zwischen Versicherern und ihren Kunden zu verbessern.

#5 Prädiktive Analytik

Predictive Analytics ist eine Art der Datenanalyse, bei der große Datensätze analysiert und interpretiert werden, um Annahmen (oder Vorhersagen) über Risiken und die Wahrscheinlichkeit, dass etwas passiert, zu treffen. So kann die Datenanalyse beispielsweise Cyber-Signale generieren, die eine Risikoexposition identifizieren und ein Cyber-Ereignis vorhersagen. Verhaltensdaten werden häufig verwendet, um verdächtige Kundenmuster aufzudecken, die auf möglichen Betrug oder die Wahrscheinlichkeit eines Betrugs hinweisen. Dazu kann die Analyse sozialer Medien und anderer Plattformen gehören, auf denen ein Kunde aktiv ist.

Wie die Erkennung von Anomalien nutzt auch die prädiktive Analyse künstliche Intelligenz und maschinelles Lernen, um Muster zu erkennen und Risiken und Ungereimtheiten aufzuzeigen, die sonst übersehen würden. So können Versicherer proaktiv hohe Betrugsrisiken erkennen, die Zeichnung von nicht vertrauenswürdigen Kunden vermeiden und den Wahrheitsgehalt eines Schadens feststellen.