Helvetia hat sich zum Ziel gesetzt, die Auszahlungen zu Unrecht eingereichter Versicherungsschäden in den kommenden Jahren deutlich zu senken. Dabei soll vor allem künstliche Intelligenz (KI) helfen, auch komplizierte Betrugsverdachtsfälle zu identifizieren und zur Bekämpfung von Versicherungsmissbrauch (BVM) beizutragen.
In einer 2020 gestarteten Vorstudie wurde die zukünftige Umgebung zur Bekämpfung von Versicherungsmissbrauch (BVM) bestimmt und geeignete Lösungsszenarien bestehend aus Standard-Software und der Anwendung eigener Fähigkeiten im Bereich Data und Analytics erarbeitet.
Herausforderung
Der Markt für Fraud-Detection-Software ist breit gefächert. Neben branchenneutralen Produkten nehmen vermehrt auf die Versicherungsbranche spezialisierte Anbieter unter Anwendung von KI eine starke Wettbewerbsposition ein.
Doch Reifegrad und Nutzen angepriesener KI-Komponenten sind nicht auf den ersten Blick greifbar. Die Leistungsfähigkeit KI-basierter Produkte sollte gegenüber konventionellen, auf regelbasierten Prüfungen basierenden Produkten bei dem Investitionsentscheid klar herausgearbeitet werden.
Zudem können Schadenfälle und die dazu ermittelbaren Informationen sehr unterschiedlich sein. Die Effektivität einer Betrugslösung steigt mit der Fähigkeit, auch unterschiedlichste Informationen bewertbar zu machen. Die Fähigkeit zur fallweisen Anreicherung von Zusatzinformationen aus internen wie externen Datenquellen stellt damit einen wichtigen Faktor zum Erreichen erwarteter Erfolgsquoten, und damit in der Bewertung von Kaufsoftware dar.
Für die Vorstudie ergaben sich dadurch folgende Aufgabenfelder:
Die Betrugserkennung entfaltet ihr Potential genau dann, wenn sie dem Sachbearbeiter frühzeitig im Erfassungsprozess zur Verfügung steht und so in den natürlich Arbeitsablauf integriert werden kann. Dies enge Verzahnung mit dem Prozess erfordert flexible Integrationsmöglichkeiten der jeweiligen Lösung sowie eine hohe Transparenz über die Indikatoren für eine Betrugseinschätzung.
Das breite Spektrum benötigter Informationen in der Betrugserkennung stellt hohe Anforderungen an die Datenbereitstellung aus den Kern-Versicherungsprozessen und nimmt einen hohen Stellenwert bei Prüfung von technischer und zeitlicher Machbarkeit ein.
Eine grosse Varianz und geringe Transparenz beworbener ML- / AI-basierter-Funktionalitäten bei «Fraud-Dectection»-Angeboten erfordern intensive Produkt-Analysen und einen stringenten Auswahlprozess mit klaren Kriterien und Kennzahlen, um eine möglichst grosse Vergleichsbasis der Leistungsfähigkeit der Lösungen herzustellen.
Vorgehen
Für die Vorstudie wurde das KDX.Partners-Vorgehensmodell zur Softwareauswahl angewendet. Die finalen Kandidaten des Auswahlprozesses wurden in den Helvetia Business Case-Szenarien verprobt. Neben dem Einkaufsprozess mit dem gewählten Lösungsanbieter wurde eine vielschichtige Planung entlang mehrerer flankierender Transformations-Projekte vorangetrieben.
Der Auswahlprozess wurde über mehrere Runden, ausgehend von einer initialen Marktstudie, über einen Request-for-Information (RFI) bis zum Request-for-Proposal (RFP) durchgeführt. Für den RFP wurden rund 130 funktionale und nicht-funktionale Kriterien in mehreren Bewertungs-Dimensionen zusammengetragen und bewertet. Dabei wurde insbesondere der Nutzen und die Herangehensweise bei Einsatz der ML-Komponenten durch Kriterien, Interviews und Referenzgespräche herausgearbeitet.
Durch das Helvetia «Advanced Analytics»-Team wurde im Rahmen eines Proof-on-Concepts die Option einer eigenentwickelten Betrugserkennungs-Lösung, aufbauend auf der Helvetia Analytics Infrastruktur geprüft. Die Ergebnisse des eigenentwickelten Lösungsansatzes wurden durch KDX.Partners ausgewertet, für die Software-Auswahl normiert und in den Entscheidungsprozess einbezogen.
Ausgehend von den Ergebnissen des RFP und des Proof-of-Concept wurden mehrere Business Case-Szenarien entsprechend den Charakteristiken der Varianten von BUY und MAKE kalkuliert und in den verantwortlichen Architektur- bzw. Führungs-Gremien geprüft.
Für das ausgewählte Szenario wurde eine Einführungs-Roadmap. Ein besonderes Augenmerk bei der Planung lag auf der Abhängigkeitsanalyse zu mehreren umfassenden Transformationsvorhaben mit Auswirkung auf die zugrunde liegende Anwendungs- und Prozesslandschaft der Helvetia für die Betrugserkennung.
Entlang des Einkaufsprozesses der Helvetia wurde die Verhandlung bis zum Vertragsabschluss inhaltlich moderiert, zur Sicherstellung finanzieller und betrieblicher Erfolgsfaktoren in der längerfristigen Zusammenarbeit zwischen dem Software-Anbieter und der Betriebsorganisation der Helvetia.
Ergebnis
KDX.Partners hat den Auswahl- und Beschaffungsprozess sowie die Erarbeitung der Projekt-Roadmap durch eine durchgängige Moderation, klare Struktur und unter Einbezug aller beteiligten Fach- und IT-Bereiche zu einer transparenten Investitionsentscheidung geführt.
Im Ergebnis wurde aus einer Vielzahl sehr unterschiedlicher Handlungsoptionen die zukunftsfähigste Lösung identifiziert und ein breit abgestützter Konsens zur Freigabe der Projekt-Roadmap erreicht, der alle inhaltlichen und zeitlichen Anforderungen des Business Cases abdeckt und das Projekt mit flankierenden Transformationsvorhaben integriert.
KDX.Partners hat es verstanden, unsere Vorstudie trotz komplexer Ausgangslage zu strukturieren und alle notwendigen Parteien in den Prozess einzubinden. Dank der durchgängigen Moderation konnten wir am Ende einen breit abgestützten und nachvollziehbaren Entscheid treffen.