STRATEGIE1. September 2016

Versicherungsbetrug: das digitale Dilemma – Fraudsters love digital

Michael Rabin, SAS (Account Advisor)SAS
Michael Rabin, SAS (Account Advisor)SAS

Die Digitalisierung des Ver­sicher­ungs­wesens ist unaufhaltsam. Zu groß sind die Effizienz­verlockungen für die Versicherer. Zu attraktiv sind digitale „Same-Day“-Services für den Versicherungs­nehmer. Tatsache ist aber auch, dass die Digitalisierung neue Einfallstore für Betrüger öffnet – vor allem für geplanten Versicherungsbetrug. Mit Big Data Analytics und insbesondere mit der Analyse der sozialen Netzwerke stehen die probaten Gegenmittel bereit. Nur wird der hybride Ansatz aus traditionellen und analytischen Methoden noch zu wenig genutzt.

von Michael Rabin, SAS (Account Advisor)

Das Phänomen Versicherungsbetrug ist unverändert für Horrorzahlen gut. Rund einer von zehn gemeldeten Schäden und Ansprüchen ist erfunden oder manipuliert, so aktuelle Schätzungen. Damit entsteht für die Versicherer in Deutschland (und damit für die Gemeinschaft der Versicherungs­nehmer) ein Schaden von mindestens 4 Milliarden Euro (Quelle: www.gdv.de/versicherungsbetrug/) – nur bei Sachversicherungen, also ohne Lebens- oder Krankenversicherungen. Zudem ist wohl in keiner anderen Branche die Bandbreite der Betrugsmethoden so groß wie bei Versicherungen: vom Einzelfall bis zu Serientätern, von kleinen Fälschungen auf Belegen bis zur gewerbsmäßigen Inszenierung von Schadensfällen im großen Stil. Letzteres hat sogar den sinisteren Kanal der Terrorismusfinanzierung durch Versicherungsbetrug erreicht.

Wer denkt, die Situation entspanne sich durch die sinnvolle Einführung zeitgemäßer digitaler Services und die dazugehörige Automatisierung – etwa weil individuelle Verarbeitungsfehler oder auch Fälle von Begünstigung entfallen –, der irrt leider gewaltig.”

Die im Rahmen der Digitalisierung heute notwendige Standardisierung, Verschlankung und Beschleunigung von Prozessen, besonders in Verbindung mit kundenfreundlichen Maßnahmen wie zum Beispiel der Einführung von Schaden-Apps oder dem Verzicht auf Originaldokumente, hat hier neue Gefahrenpotenziale geschaffen. In der Branche kursiert deshalb die Erkenntnis:

Fraudsters love digital.“

Die Gründe dafür sind bei genauerer Betrachtung einleuchtend:

Erstens verringert sich der persönliche Kontakt mit einem Sachbearbeiter, dessen „Riecher“ helfen kann, verdächtiges Verhalten von vornherein zu erkennen. Die digitale Anonymität kommt hier insbesondere internationalen Betrugsringen entgegen.
Zweitens: Professionelle Betrüger wissen, dass die automatisierte Betrugserkennung nach wie vor meist mit starren Regelwerken funktioniert. Letztere zu umgehen, fällt ihnen bei einem systematischen Vorgehen nicht allzu schwer. Betrüger testen verschiedene Vorgehensweisen aus und wissen anschließend genau, wo die Schwachstellen bei einer bestimmten Versicherung sind.

R_Tavani/bigstock.com
R_Tavani/bigstock.com
Das betrifft nicht nur einzelne Versicherungsgesellschaften, sondern die gesamten Branche. Nach einer aktuellen Untersuchung zum Reifegrad des Versicherungssektors im Hinblick auf den Einsatz von Analytics verlässt sich rund ein Drittel der Unternehmen nach wie vor nur auf regelbasierte Systeme (Quelle: SAS European Fraud Survey Research Report– David Hartley, Director, Fraud & Financial Crime). Ein weiteres Drittel setzt zusätzlich auch auf Standardanalysen. Circa 20 Prozent der Unternehmen haben laut Umfrage gar keine systematische Betrugserkennung im Einsatz. Der eigentlich zeitgemäße Ansatz einer hybriden Analyse, also der Kombination aus Regeln, Standardanalysen, Vorhersagemodellen und der Analyse sozialer Netzwerke, ist bislang noch eine Ausnahmeerscheinung (ca. zehn Prozent).

Erkennen kommt vor Beweisen

Eine hundertprozentige Erkennungsquote von Betrugsverdachtsfällen ist unrealistisch.”

Bei dem Versuch, möglichst viele Betrugsverdachtsfälle zu identifizieren, steigt bei nicht zeitgemäßer Methodik die Wahrscheinlichkeit der falschen Verdächtigung. Letztlich hat aber ein Versicherer in erster Linie die Interessen des Versichertenkollektivs zu wahren – ein Generalverdacht passt hier nicht ins Bild. Der Schutz des einzelnen integren Versicherungsnehmers muss dabei Priorität behalten. Abhilfe schafft hier der verstärkte Einsatz analytischer Verfahren. Sie liefern dem Ermittler Hochverdachtsfälle für eine vertiefende Betrugsprüfung und Beweisdokumentation. Die ehrlichen Versicherungsnehmer bleiben somit unbehelligt.

Ein weiterer Weg aus der Verdachtsfalle im Schadensfall ist die präventive Prüfung auf Anomalien bereits während der Vertragsannahme und -prüfung. Oft sind schon hier verdächtige Konstellationen erkennbar, sowohl durch die Historie als auch die Korrelation persönlicher Daten. Der neue Antragsteller hat die gleiche Wohnadresse wie bereits vier andere? Die angegebene Kontonummer taucht bereits in drei Verträgen von anderen Personen auf? Solche Auffälligkeiten sollten bereits vor Vertragsabschluss geklärt werden – was bei digitalisierten Prozessen in der Regel bedeutet: in Echtzeit.

Autor Michael Rabin
Rabin_Michael-SAS-Account-Advisor-516Michael Rabin unterstützt als SAS Account Advisor Versicherungs­unternehmen auf ihrem Weg in Richtung Digitalisierung, Big Data Analytics und künstlicher Intelligenz. Zuvor war er als Technical Account Manager in diesem Segment tätig. Seine Laufbahn begann er bei einem deutschen Versicherer (u.a. in der Geschäftssteuerung Schaden-/Unfallversicherung und im strategischen Bankenvertrieb) und ist daher auch im Bereich der klassischen Versicherungsthemen zuhause.

Anomalieerkennung braucht Daten

Nun machen nur noch die „Amateure“ unter den Versicherungsbetrügern so banale Fehler wie auffällige Adressgleichheiten (wobei andererseits die absolute Zahl der „Amateure“ sehr hoch ist und sie deshalb nicht vernachlässigt werden dürfen). Üblicherweise sind heute die Anomalien, die organisierte Betrugsringe verraten können, weit weniger offensichtlich und meist geschickt kaschiert. Weg vom Einzelfall, lautet deshalb die Devise, mit der Erkennungsraten gesteigert werden können.

Starre Regelwerke erfassen aber nur diese Einzelfälle und damit auch nur Vergehen, bei denen erkennbare Fehler gemacht werden. Analytische Methoden wie Anomalie-Erkennung dagegen betrachten die Gesamtheit der Fälle und leiten daraus Auffälligkeiten ab, können also leicht statistische Ausreißer erkennen. In einem Quartal kommen aus einer Stadt Dutzende von ähnlichen Schadensmeldungen über den annähernd selben Betrag von knapp unter 1.000 Euro? So etwas findet nur ein erfahrenes Ermittlerteam merkwürdig – oder eben ein analytisches Betrugserkennungssystem. Eine solche Plattform bildet in der Regel einen komplexen Score aus den Parametern des Schadensfalls und des Kunden und hilft damit, die den größten Erfolg versprechenden Fälle für die manuelle Weiterverfolgung auszuwählen.

Predictive Modeling, Soziale-Netzwerk-Analyse, Auflösen von Datensilos

Dabei helfen auch Methoden wie Predictive Modeling. Mit ihnen kann etwa anhand einer typischen medizinischen Diagnose der zu erwartende Krankheitsverlauf vorhergesagt werden – und mit der Krankengeschichte des Patienten abgeglichen werden. Ergeben sich im Laufe der Behandlung auffällige Differenzen, lohnt sich eine genauere Analyse.

Noch einen Schritt weiter in Richtung explorative Untersuchung geht die sogenannte Soziale-Netzwerk-Analyse und -visualisierung. Hier nutzen analytische Systeme ganze Datenbestände, um Muster und Querverbindungen aufzuzeigen, die aus den reinen Daten nicht zu erkennen sind – also etwa multidimensionale Zusammenhänge von Personalien, Wohnorten, Zahlungsverbindungen und Schadensverläufen.

Sergey Nivens/bigstock.com
Sergey Nivens/bigstock.com
Insbesondere für die Soziale-Netzwerk-Analyse ist es zunehmend wichtig, nicht nur strukturierte Daten zu nutzen (also Zahlen und Tabellen), sondern auch unstrukturierte Informationen einzubeziehen. Dazu gehören etwa der Schriftverkehr mit dem Support, Aufzeichnungen von Hotline-Gesprächen oder auch Bilder. Heute gehen die Möglichkeiten hier über die einfache Textanalyse weit hinaus: Durch Sentimentanalyse zum Beispiel ist es möglich, voll automatisiert auch die Tonalität in Bezug auf Themen in einer Konversation zu erfassen.

Entscheidend für die Effizienz von analytischen Systemen ist die Verfügbarkeit von Daten. Kurz: je mehr Daten, desto besser. Angesichts der in vielen Versicherungsunternehmen noch immer bestehenden Trennung von Datensilos, insbesondere zwischen den Sparten, ist hier Grundlagenarbeit gefordert. Gleiches gilt für die Datenqualität: je sauberer die Datenbestände, desto präziser die Aussagen und desto kleiner die potenzielle Fehlerquote.

Nur wer Fragen stellt, bekommt Antworten

Digitalisierte Versicherungsprozesse öffnen also neue Türen für Betrüger. Mit den herkömmlichen Methoden allein werden die Assekuranzen diese Entwicklung nicht stoppen können. Nachhaltigen Erfolg verspricht hier nur ein hybrider Ansatz, der alle genannten Methoden miteinander verbindet: regelbasierte Methoden als grobmaschiges Netz gegen bekannte Betrugsmaschen; Big Data Analytics gegen systematischen Betrug; Mustererkennung, Anomalie-Erkennung und Soziale-Netzwerk-Analyse zur Erkennung, auch wenn eine Betrugsmethode oder Zusammenhänge noch gar nicht bekannt sind; sowie ein Frontend für den Ermittler zur Aussteuerung und Bearbeitung der Hochverdachtsfälle. Versicherungen und ihre Ermittler müssen in die Lage versetzt werden, mit einfachen, visuellen Mitteln Fragen an das System und eine solide Datenbasis zu stellen und in Echtzeit Antworten darauf zu bekommen.

Denn bei aller Automatisierung und Entpersonalisierung des Versicherungsbetriebs: Die Vorgehensweisen der Versicherungsbetrüger standardisieren sich nicht. Ganz im Gegenteil.”aj

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert