Automatisches Erkennen von Betrugsfällen in Versicherungen

"Der Krug geht solange zum Brunnen, bis er bricht." Dieses Motto kennen die Betrugsabteilungen der Versicherungen. Und so wird darauf vertraut, dass bei den Stichprobenkontrollen eines Tages auffällt, wo und auf welche Weise dem Unternehmen gerade Schaden zugefügt wird. Dabei spielen natürlich Erfahrung aber auch Zufall und Glück eine entscheidende Rolle.

Doch bei der großen Menge an Kunden, Angestellten oder wie später dargestellt auch Ärzten und den daraus resultierenden Versicherungsfällen wird bei der üblichen stichprobenartigen Prüfung nur ein Teil der Betrugsfälle wirklich aufgedeckt.
Um die Zahl der aufgedeckten Betrugsfälle zu erhöhen und den kompletten Datenbestand nach Auffälligkeiten zu untersuchen, werden zunehmend Techniken des Data Minings verwendet. Data Mining beschreibt dabei die automatisierte Erkennung spezieller (Betrugs-) Muster in den Firmendaten, so dass sämtliche Transaktionen und Versicherungsfälle nach entsprechenden Mustern durchsucht werden können. Der Vorteil ist, dass nicht länger sämtliche Daten von Hand nach einzelnen Auffälligkeiten durchforstet werden müssen: Einmal gefundene Muster werden automatisiert im Gesamtdatenbestand gesucht, um die verdächtigen Fälle zu finden. Die Betrugsabteilung überprüft daher nicht mehr stichprobenhaft einen Teil sämtlicher Fälle, sondern nur noch diejenigen, die durch das Data Mining als wahrscheinlich erkannt wurden. Die Anzahl der tatsächlich erkannten Betrugsfälle sowie die Erfolgsquote können auf diese einfache Weise deutlich erhöht werden.

Data Mining bietet dabei zwei Möglichkeiten der Betrugserkennung. Einmal wird Data Mining auf bekannte Betrugsfälle angewendet. Diese werden analysiert und die Muster, die auf einen Betrugsfall hindeuten und sich eindeutig von einem Nicht-Betrugsfall unterscheiden, werden über das Data Mining identifiziert. Im nächsten Schritt wird nach solchen Mustern im Gesamtdatenbestand der Versicherungen oder Banken gesucht. Sämtliche Fälle, die ähnliche Muster beinhalten werden aufgelistet und von der Betrugsabteilung noch einmal genauestens geprüft. Der Erfolg ist beidseitig. "Weiße Schafe" müssen nicht länger durch die Abteilung unter die Lupe genommen werden, da sich bei ihnen kein auffälliges Verhalten zeigt. Die Bearbeitungszeit der "weißen Schafe" sinkt deutlich und die Kundenzufriedenheit steigt. Schwarze Schafe werden im Data Mining-Prozess gekennzeichnet und können von der Betrugsabteilung näher untersucht werden. Durch die Priorisierung werden Zeit und Kosten gespart und die Zahl der identifizierten Fälle steigt. Die Abwicklungszeit der Versicherungsfälle kann dadurch verkürzt und die Kundenzufriedenheit zusätzlich gesteigert werden.

Dr. Jörg Reinnarth, Experte für Data Mining bei Altran IT, erklärt den Erfolg von Data Mining durch die sich fortwährend verbessernden Modelle: "Data Mining ist ein lernender Prozess. Je mehr Fälle aufgedeckt werden, umso effizienter wird die Aufklärung. Die Modelle werden mit fortlaufender Verwendung damit immer erfolgreicher." Weitere entdeckte Betrugsfälle führen somit zu einem stetigen Lernerfolg, so dass die Vorhersage-Quote des Modells weiter gesteigert wird.

Im anderen Fall hilft das Data Mining bei der Auffindung neuer Betrugsmuster, die bisher unbekannt waren. Durch statistische Analysen wird automatisiert nach Ausreißern und weiteren Auffälligkeiten gesucht, die die Betrugsabteilung dann genauer untersuchen kann. Stellt sich ein Fall als Betrug heraus, werden im nächsten Schritt analog zu oben die genauen Muster dieses Betrugsfalls ermittelt und nach weiteren ähnlichen Fällen im Datenbestande gesucht.

"Es ist erstaunlich, wie wenig Informationen ausreichen, um ein aussagekräftiges Muster zu einem Betrugsfall zu erstellen.", weiß Markus Ehl, Business Manager bei Altran IT, einem auf Data Mining spezialisierten Beratungsunternehmen. Tauschen z.B. zwei Ärzte (Augenarzt und Ohrenarzt), die im gleichen Gebäude sitzen, die Patientenkarten untereinander aus, um nicht praktizierte Leistungen abzurechnen, ist es mit Hilfe von Data Mining möglich, diese Form des Betruges zu erkennen. Zusätzliches Einbeziehen von geographischen Merkmalen ermöglicht eine Erkennung von kriminellen Netzwerken oder Einzelfällen. Dies zeigt ein aktueller Fall bei der Erkennung von Abrechnungsbetrug bei Ärzten für eine Krankenkasse. Ein interessanter Weg um die anhaltende Diskussion der steigenden Gesundheitskosten etwas einzudämmen.

Data Mining hilft also aus bekannten Betrugsfällen Muster zu gewinnen, so dass der Gesamtdatenbestand automatisch nach solchen Fällen durchsucht werden kann. Auf diese Weise werden Arbeit und Kosten reduziert und die Zahl der aufgedeckten Fälle deutlich erhöht. Gleichzeitig können statistische Analysen des Data Minings auch verwendet werden, um bisher unerkannte Betrugsmethoden zu entdecken.

Quelle: Pressemitteilung Altran IT