Die Bewältigung der Schadensquote (Versicherungsfälle) und die Identifizierung von Betrug sind ständige Herausforderungen für Versicherer, die ihre finanzielle Gesundheit schützen wollen. In diesem Markt, wo jeder Schadensfall finanzielle Auswirkungen hat und Risiken erhöht, ist die Fähigkeit, Betrug vorherzusagen und zu verhindern, unerlässlich. Mit dem Fortschritt neuer Technologien wie künstlicher Intelligenz (KI) und Machine Learning ergeben sich neue Möglichkeiten, diesen Herausforderungen zu begegnen.

Mit dem Ziel, fortschrittliche Technologien in ihre Prozesse zu integrieren, hat eine der wichtigsten Versicherungsgesellschaften Brasiliens act digital beauftragt. Das Projekt umfasste die Implementierung eines prädiktiven Modells basierend auf KI und Machine Learning, das verdächtige Muster und ungerechtfertigte Schadensfälle identifizieren konnte, um millionenschwere Verluste zu vermeiden.

Die Lösung verschaffte dem Unternehmen einen umfassenden und detaillierten Überblick über seine Operationen, wodurch effektivere Präventivmaßnahmen möglich wurden. Bereits im ersten Jahr nach der Implementierung sparte die Versicherung über 16 Millionen R$, was die positive Wirkung prädiktiver Analysen auf das Schadens- und Betrugsmanagement zeigt.

Zudem stieg die durchschnittliche Erfolgsquote von Rückforderungsanträgen („Glosas“ – Ablehnungen von Zahlungen für erbrachte Leistungen) von etwa 50 % auf 70 %. Diese Ergebnisse führten zu einer prognostizierten Einsparung von 490 Millionen R$ innerhalb von fünf Jahren. Lesen Sie alle Details des Projekts!

Kunde: hundertjährige Präsenz im Versicherungsmarkt

Das 1895 gegründete Unternehmen ist einer der größten Versicherer Brasiliens. Seit 2007 ist es ein börsennotiertes Unternehmen, was die Beziehungen zu Investoren und dem Markt stärkte. Derzeit bedient die Gruppe über 7 Millionen Kunden mit Produkten wie Kranken-, Zahn-, Lebens- und Rentenversicherungen sowie Investitionslösungen.

Durch diese Produkte erfüllt das Unternehmen seine Mission, ein besseres Leben zu garantieren, indem es Unterstützung, Sicherheit und Autonomie bietet. Seine Lösungen konzentrieren sich auf den Schutz der körperlichen, emotionalen und finanziellen Gesundheit.

Mit über 4.000 Mitarbeitern verfügt der Versicherer über ein breites Netzwerk von Experten, darunter Makler, Ärzte, Berater und andere Fachleute aus den Bereichen Versicherungen und Investitionen.

Herausforderung: höhere Genauigkeit in der Analyse von Schäden, Rückforderungsanträgen und Betrug

Das Unternehmen verzeichnete finanzielle Verluste aufgrund von Betrug, ungerechtfertigten Schadensfällen und fehlerhaften Zahlungen. Zum Beispiel verursachten nicht erkannte „Glosas“ (Ablehnungen von Zahlungen für Leistungen) vermeidbare Kosten. Das Problem war, dass das Analyse-System des Unternehmens nicht die erforderliche Präzision bot, um diese Verluste zu reduzieren und Prozesse zu optimieren.

Der Versicherer nutzte bereits ein Analyse-Tool, aber es war veraltet und entsprach nicht den operativen Anforderungen. Beispielsweise identifizierte das Tool nur zwei Abweichungstypen, und wichtige Analysen (z. B. zu material- und medikamentenbezogenen Rückforderungsanträgen) fehlten.

Erwartete Ziele:

• Finanzielle Verluste reduzieren.
• Risiken von Betrug, Fehlverhalten und Missbrauch vorhersagen.
• Mehr Variablen und Szenarien analysieren.
• Analytische und prädiktive Fähigkeiten des Unternehmens verbessern.

Lösung: verbessertes System mit KI und Machine Learning

Um den dargestellten Herausforderungen zu begegnen, wurde ein prädiktives Modell entwickelt, um Rückforderungen (Glosas) zu identifizieren und zu verhindern. Dabei wurde eine robuste Datenbank strukturiert und mit anderen transaktionalen Datenquellen integriert. Die Lösung umfasste die Visualisierung der Daten und die kontinuierliche Überwachung der Leistung des prädiktiven Modells, wodurch effizientere präventive Maßnahmen ermöglicht wurden.

Methoden

Es wurden Methoden wie Design Thinking, Human-Centered Design und DesignOps verwendet, um den Designprozess zu unterstützen. Zudem kam das „Duplo Diamante“-Tool zum Einsatz, um UX-Forschung durchzuführen und Prototypen zu entwickeln.

Eingesetzte Technologien

Google Cloud Platform (GCP): verwendet für die Strukturierung und Governance der Daten.

Python: implementiert, um das maschinelle Lernen des prädiktiven Modells zu entwickeln.

Tableau: genutzt für die Datenvisualisierung.

Miro: Tool zur Durchführung und Dokumentation der UX-Forschung.

Adobe XD: verwendet für die Prototypenerstellung der Lösung.

Implementierte Systemänderungen

Abweichungen: Das Tool, das zuvor nur zwei Arten von Abweichungen analysierte, berücksichtigt nun acht Variablen.

Materialien und Medikamente: Das System begann, Situationen im Zusammenhang mit dem Einsatz von Materialien und Medikamenten zu analysieren (die ebenfalls zu Rückforderungen führen könnten).

Erweiterte prädiktive Analyse: Die Software dehnte die prädiktive Analyse auf alle Arten von Konten aus, einschließlich des administrativen und technischen Bereichs, während sie zuvor nur auf letzteren beschränkt war.

Massen-Rückforderungen (Glosas): Eine Funktion, die das System bisher nicht anbot.

Dashboards: Datenpanels mit Informationen, die von den Teams überwacht werden können.

Ergebnisse: Millioneneinsparungen durch Schadensfälle und Abweichungen

Die Implementierung der Lösung brachte dem Unternehmen erhebliche Verbesserungen, optimierte Prozesse und reduzierte Verluste. Die technische und administrative Analyse von Rückforderungen wurde automatisiert, was eine schnellere Erkennung von Betrug ermöglichte. Dadurch stieg die operative Effizienz, was zu einer signifikanten Reduzierung von Betrug und Rückforderungen führte und Einsparungen für den Versicherer generierte.

Hauptergebnisse

Prozessautomatisierung: Verbesserung der technischen und administrativen Analyse von Rückforderungen.

Schnelle Betrugserkennung: Erhöhte Geschwindigkeit bei der Identifizierung von Betrug.

Operative Optimierung: Reduzierung manueller Schritte in der Rückforderungsanalyse.

Finanzielle Einsparungen: Deutliche Verringerung von Betrug und Rückforderungen, was zu Einsparungen für das Unternehmen führte. Im ersten Jahr sparte das Unternehmen 16,6 Mio. R.DiePrognosefu¨rfu¨nfJahrebela¨uftsichaufEinsparungenvonbiszu490Mio.R.DiePrognosefu¨rfu¨nfJahrebela¨uftsichaufEinsparungenvonbiszu490Mio.R.

Größere Effektivität: Die durchschnittliche Effektivitätsrate bei der Analyse von Rückforderungen stieg von etwa 50 % auf 70 %.

Wie wir Ihrem Unternehmen helfen können

Die Dienstleistungen von act digital gewährleisten Sicherheit und Präzision und bieten innovative Lösungen mit modernsten Technologien. Effektives Datenmanagement und effiziente operative Prozesse helfen Versicherern, sich an den neuen digitalen Markt anzupassen.

Wir liefern Innovation durch ein modernes und digitales Geschäftsumfeld, überwachen und analysieren Daten in Echtzeit. Wir entwickeln prädiktive Modelle, die Betrug und ungerechtfertigte Schadensfälle vorhersagen, und bieten maßgeschneiderte Lösungen, die auf die spezifischen Bedürfnisse jedes Kunden zugeschnitten sind. Entdecken Sie einige unserer wichtigsten Ansätze in diesem Sektor!

IoT und Machine Learning: Wir integrieren vernetzte Geräte und fortschrittliche Algorithmen, um Daten in Echtzeit zu sammeln und zu analysieren, Muster zu erkennen und Risiken vorzubeugen.

Cloud Computing: Wir nutzen Cloud-Plattformen, um große Datenmengen sicher und effizient zu speichern und zu verarbeiten.

Künstliche Intelligenz: Wir entwickeln KI-Modelle, um Betrug vorherzusagen und zu mindern, die Entscheidungsfindung und das Risikomanagement zu verbessern.

Strategisches Datenmanagement: Wir implementieren fortschrittliche Datenmanagement-Praktiken, um die Integrität, Sicherheit und Nutzbarkeit der Daten für strategische Entscheidungen zu gewährleisten.

Benötigt Ihr Unternehmen eine fortschrittliche Lösung für prädiktive Analysen? Wir können helfen. Sprechen Sie mit unseren Experten!