1. BETRUGSERKENNUNG IN VERSICHERUNGEN DURCH
USE CASE
MACHINE LEARNING & PREDICTIVE ANALYTICS

2. SETTING THE SCENE
2
EINE KLARE THEMATISCHE ABGRENZUNG ERMÖGLICHT EINE FUNDIERTE ENTSCHEIDUNGSBASIS
IN-SCOPE
OUT-OF-SCOPE
▪ Betrugserkennung im Kontext von
▪ Schadensmeldungen
▪ Leistungsabrechnungen
▪ Verschreibungen
▪ Integration von Machine Learning & Predictive Analytics
▪ Computer Vision & NLP in der Dokumentenerfassung
▪ Automatic Reasoning und Datenanreicherung in der Fallbearbeitung
▪ Regelbasierte Betrugserkennung aus BI-Systemen
▪ Evaluation von Machine Learning Algorithmen
▪ Einfluss der Gesetzgebung
▪ Analyse bestehender IT-Systemlandschaft
Zielsetzung der Use Case Analyse
▪ Unmittelbare Einordnung der Use Case Relevanz anhand
transparenter Bewertungsdimensionen
▪ Bereitstellung des grundlegenden Informationsangebots
zur Entwicklung einer gemeinsamen Sprache
▪ Herausstellung zentraler Prüfpunkte für eine
unternehmensspezifische Detailanalyse
▪ Vermeidung unrealistischer Erwartungshaltungen
▪ Abbildung der notwendigen Analysetiefe zur
Ersteinschätzung der Anwendungsreife und Marktdynamik

3. 3
ÜBERSICHT DER BEWERTUNGSDIMENSIONEN
9/10 8/10 8/10 7/10 7/10
MARKTREIFESTRATEGISCHER FITEINFACHE UMSETZUNGPERFORMANCE GEWINN KOSTEN REDUKTION
7.9
Deutlich höhere Kosten-effizienz
führt in Kombination mit
höherer Entscheidungsqualität
zu relevanten Performance-
Vorteilen.
KI reduziert die Aufwände für
Einzelfallprüfungen und externe
Gutachter. Zudem können
Opportunitätskosten vermieden
werden.
Pilotprojekte zur intelligenten
Betrugserkennung sind bereits
mit vergleichsweise geringem
Aufwand realisierbar.
Größter Engpass ist derzeit die
interne Ressourcenverfügbarkeit
von KI-Spezialisten. Technologie-
vorbehalten kann kommunikativ
vorgebeugt werden.
Die Technologie ist verfügbar
und wird stetig weiterentwickelt.
Als Early Follower gilt es, jetzt
mit dem Testen zu beginnen
und die Erfahrungen der
Innovatoren zu nutzen.
Intelligente Betrugserkennung bietet hohes Potential bei vergleichsweise niedrigem
Start-Investment. Die Ergebnisse eines Prototyps können unternehmensweit in
verwandten Use Cases genutzt werden und bieten damit schnellen Mehrwert.
GESAMT
SCORE
Deutlich höhere Kosteneffizienz
führt in Kombination mit
höherer Entscheidungsqualität
zu relevanten Performance-
Vorteilen.
KI reduziert die Aufwände für
Einzelfallprüfungen und externe
Gutachter. Zudem können hohe
Opportunitätskosten vermieden
werden.
Pilotprojekte zur intelligenten
Betrugserkennung sind bereits
mit vergleichsweise geringem
Aufwand realisierbar.
KI stellt für etablierte Versicherer
Chance und Risiko zugleich dar.
Insurtech Startups nutzen
ebenfalls neue Technologien,
haben aber weniger Ressourcen
zur Verfügung.
Die Basis-Technologien werden
von Providern und Communities
entwickelt. Praktisch sind bereits
zahlreiche Projekte implemen-
tiert – wenn auch nicht mit allen
KI-basierten Möglichkeiten.
Intelligente Betrugserkennung bietet hohes Potential bei vergleichsweise niedrigem
Start-Investment. Die Ergebnisse eines Prototyps können unternehmensweit in
verwandten Use Cases genutzt werden und bieten damit schnellen Mehrwert.

4. 4
BETRUGSERKENNUNG ALS INITIALES ELEMENT
EINER ÜBERGREIFENDEN KI-STRATEGIE
1) Quelle: https://www.gdv.de/de/themen/news/fast-jede-zehnte-schadenmeldung-mit-ungereimtheiten-11376
Problembeschreibung
Laut des Gesamtverbandes der Deutschen Versicherungswirtschaft ist etwa 10% des
Schadenaufwands deutscher Versicherer auf Betrugsfälle zurückzuführen.1 Alleine
Schaden- und Unfallversicherer verlieren dadurch zwischen 4 und 5 Mrd. € pro Jahr.
Tendenz steigend! Bekämpft wird diese Entwicklung zumeist manuell oder mithilfe
veralteter Technologien.
Effiziente Schadensregulierung und hohes Kundenserviceniveau können oftmals nicht
gewährleistet werden, sobald eine höhere Genauigkeit in der Betrugserkennung
erreicht werden soll. Der Einsatz moderner Datenbank-Lösungen und KI gestützter
Cloud-Services ermöglicht höhere Schnelligkeit, Lernfähigkeit und Genauigkeit im
Umgang mit potentiellen Betrugsfällen.
Ein Problem liegt dabei in der stetigen Veränderung der eingesetzten Betrugsmuster.
Machine Learning ermöglicht es in diesem Kontext, durch den Abgleich mit
historischen Daten und externen Einflussfaktoren, Auffälligkeiten in Echtzeit zu
erkennen und Maßnahmen einzuleiten. Betrügerische Schadensansprüche können
dadurch schneller und mit weniger manuellem Aufwand entdeckt werden.
Eine weitere Herausforderung sind die steigenden Ansprüche der Endkunden. Ein
hoher NPS führt zu einem deutlich höheren Lifetime-Value des Versicherten. Die
Kunden sind es dabei aus dem privaten, immer digitaler werdenden Umfeld gewohnt,
einerseits individuell aber andererseits auch sehr schnell bedient zu werden. Wird ein
Dienstleister diesen Anforderungen nicht gerecht, sinkt der NPS schnell ab – was als
Reaktion häufig zu kostenintensiven Marketing-Kampagnen führt.
Blickwinkel
▪ Relevanz von einfacher und schneller Fallbearbeitung nimmt
kontinuierlich zu
▪ Zentrale Kennzahl für die Unternehmenssteuerung ist der
Net Promoter Score (NPS)
▪ Beiträge sind durch Betrugsfälle höher als notwendig
Versicherte
Finance &
Controlling
IT &
Administration
▪ Trägt meist direkte Verantwortung für die Minimierung von
Betrugskosten
▪ Wendet viel Zeit für die manuelle Analyse potentieller
Betrugsfälle auf
▪ Muss sich stetig neuen gesetzlichen Standards anpassen
▪ Betreut zunehmend komplexe Systemlandschaften
▪ Steht regelmäßig vor Herausforderungen in Bezug auf
Datenqualität und Automatisierung
▪ Ist verantwortlich für die Integration multipler Datenquellen als
Basis für Reporting Lösungen

5. 5
KI HILFT VERSICHERERN IN DER ERKENNUNG NEUER
UND KOMPLEXER BETRUGSMUSTER
LösungsalternativenPraktisches Anwendungsbeispiel
Kfz-Versicherungsbetrug
Im Jahr 2016 veröffentlichte die Direct Line
Insurance die dritte Ausgabe des Kfz-
Versicherungs-Betrugsbarometers, in dem
festgestellt wurde, dass sechs von 100 Kfz-
Versicherungsansprüchen in Spanien
betrügerisch sind. Schätzungen zufolge kostet
der Autoversicherungsbetrug die spanischen
Versicherer rund 1,2 Milliarden Euro pro Jahr.
Standardprüfung
Prämienzahlung, Schadensdeckung, Anspruch und ggf.
Mitverschuldung werden in der Fallprüfung auf Basis spezifischer
Angaben und der Kundendaten abgebildet. Zudem werden
Plausibilitätsprüfungen zur Schadensursache und Ausmaß
vorgenommen. Der Standardprozess ist oftmals manuell und für
mutwilligen Betrug vergleichsweise einfach durchschaubar -
objektive Nachweise existieren z.T. nicht.
Automatisierte Musterprüfung
Bereits bekannte Betrugsmuster können über Musterprüfungen
mit eigenen Kundendaten oder externen Daten automatisiert
geprüft werden. Beispielindikatoren sind involvierte Personen,
Versicherungsabschluss, vorherige Schadensmeldungen oder
Verhaltensmuster. Die Systeme hierfür sind ausgereift, in Teilen
allerdings unflexibel auf neue Gegebenheiten
KI-basierte Mustererkennung
Jede Woche tauchen neue Betrugsszenarien auf, und es ist
unerlässlich, dass eine Lösung zur Betrugserkennung
kontinuierlich aktualisiert wird. Um dies zu ermöglichen, benötigt
eine Betrugserkennungslösung Agilität und Flexibilität. Das
Startup Shift Technology übertraf etablierte Lösungen mittels KI
beispielsweise bei einer Trefferquote von 75%.

6. Effizienz
6
VERMEIDUNG VON EINZELFALLPRÜFUNGEN
BEI HÖHERER ENTSCHEIDUNGSQUALITÄT
PERFORMANCE GEWINN
Effektivität und Effizienz waren im Bereich der Betrugserkennung lange nicht
miteinander vereinbar: Je mehr Fälle individuell geprüft werden, desto höher ist die
Chance, einen Betrugsfall letztendlich nicht fälschlicherweise auszuzahlen. Die
Einzelfallprüfung potentieller Betrugsfälle ist allerdings zeitintensiv und damit teuer. Aus
Gründen der Praktikabilität wird daher zumeist ein Grenzwert eines Scores festgelegt,
auf Basis dessen entschieden wird, ob eine Einzelfallprüfung durchgeführt wird.
Durch den Einsatz von Machine Learning lässt sich ein dafür zuständiger Algorithmus mit
jedem verarbeiteten Datensatz weiter verbessern, wodurch deutlich weniger Fälle in
einen manuellen Prüfungsprozess weitergeleitet werden müssen. Im Bereich der
Kreditkarten-Betrugserkennung werden Neuronale Netze bereits seit den 90er Jahren
erfolgreich eingesetzt. Auf Basis von Image Recognition und Deep Learning können jetzt
außerdem handschriftliche Schadensmeldungen in die Systeme eingepflegt und mithilfe
von Natural Language Processing interpretiert und kategorisiert werden.
Die Schadenfälle der Versicherten werden somit insgesamt schneller abgeschlossen, was
die Kundenzufriedenheit steigert und somit kostenintensive Marketingmaßnahmen zur
Kundenbindung einspart. Data Scientists können dadurch stärker an
zukunftsorientierten Projekten arbeiten, anstatt regelmäßige Auswertungen über
Betrugsfälle bereitzustellen. Diese wertvollen Ressourcen werden dadurch nicht mehr an
Projekte zur Erhaltung des Status Quo gebunden sondern können aktiv an Projekten zur
Schaffung weiterer Wettbewerbsvorteile mitwirken.
9/10
Machine Learning ermöglicht es, die Anzahl von „false positives“ (als auffällig
eingestufte Fälle, bei denen kein Betrug vorliegt) sowie „false negatives“ (als unauffällig
eingestufte Fälle, bei denen Betrug vorliegt) durch kontinuierliche Verbesserung der
zugrunde liegenden Algorithmen zu minimieren. Einzelne Anbieter werben bereits mit
über 75% „Treffsicherheit“ bei automatisierter Identifikation von Verdachtsfällen.
Qualität
Der Einsatz statischer Algorithmen führt dazu, weder flexibel noch in Echtzeit auf neue
Anforderungen reagieren zu können. Eine KI ist mithilfe von Reasoning in der Lage,
kontext-sensitive Algorithmen zu nutzen, wodurch auch noch nicht als solche erkannte
Betrugsmuster enttarnt werden können – zum Beispiel unter Einbeziehung von
Wetter- oder Social-Media Daten.
Riskovermeidung
Der datenseitige Prozess der KI-gestützten Betrugserkennung lässt sich in ähnlicher
Art und Weise auch auf andere Anwendungsfälle wie Churn Prediction anwenden.
Gleichzeitig lassen sich auch einzelne Bausteine wiederverwenden: Die entwickelte
Kombination aus Natural Language Processing und Reasoning lässt sich beispielsweise
auch im Customer Support oder im Bereich von Social Media Analytics anwenden.
Skalierung
8/10
9/10
8/10
9/10

7. 7
AUTOMATISIERUNG MANUELLER EINZEL-
PRÜFUNG STÄRKSTER EFFIZIENZTREIBER
KOSTEN REDUKTION
Kostenbereich Systemkosten Ausfallkosten
Sub-Kategorie Kosten für Prävention Prüfungskosten Direkte Kosten Indirekte Kosten
Beschreibung Aufwände zur initialen
Fehlervermeidung
Aufwände zur operativen Umsetzung
der Betrugserkennung
Direkt durch Betrugsfälle
entstehender Aufwand
Durch Betrugsfälle und deren
Auswirkungen entstehender
indirekter Aufwand
Use Case bezogene
Kostenpositionen
▪ Dokumenteneingang und
Verarbeitung
▪ Strukturierte Datenerfassung
▪ Monitoring von Regulierungen
und Marktentwicklung
▪ Manuelle Einzelfallprüfung
▪ Beauftragung von externen
Gutachtern / Prüfern
▪ Dokumentation- und
Kommunikationsaufwand
▪ Mitarbeiterschulungen und
Trainings
▪ Ausschüttungen bei Schadens-
regulierung in Betrugsfällen
▪ Sinkender NPS bei langen
Bearbeitungszeiten
▪ Ressourcen sind in Prüfungsfällen
gebunden
▪ Sinkende Versichertenzahlen
durch erhöhte Prämien
▪ Höhere Risikoprämien bei
Rückversicherern
▪ Steigende Anzahl von Betrugs-
fällen, da organisierte Kriminalität
auf Anbieter mit schwacher
Betrugserkennung abzielt
Einflussbereiche von
KI
Optimierung und Automatisierung
der Dokumentenverarbeitung und
Reduzierung des Monitoring-
Aufwands
Einsparpotenzial durch die
Automatisierung manueller
Fallüberprüfungen
Reduzierung nicht-erkannter
Betrugsfälle und Ausschüttungen
sowie Bearbeitungszeiten
Sicherheit vor professionellen
Betrugssystemen und Verhinderung
betrugsbedingter Prämienerhöhung
Effizienzgewinn
durch KI
8/10
9/10 6/10
= sehr niedrig = sehr hoch

8. 8
MACHINE LEARNING ALS ZENTRALER BAUSTEIN
EFFIZIENTER FALLPROZESSIERUNG
EINFACHE UMSETZUNG
Einfachheit der Lösung
Die skizzierte Betrugskennung basiert auf vier wesentlichen Blöcken, die aufeinander
aufbauen, teilweise eine Feedback-Schleife bilden, und als Ergebnis eine zuverlässige
und automatisierte Entscheidungsfindung bereitstellen:
1) Dokumentenverarbeitung: Dokumente von Abrechnungspartnern oder
Endkunden gehen über unterschiedliche Kanäle ein. Im besten Fall können
standardisierte Web-Formulare ausgelesen werden – im schlechtesten Fall müssen
handschriftliche Freitextfelder erfasst, interpretiert und in ein Datenbank-lesbares
Format verarbeitet werden.
2) Datenbanksysteme: Die Rohdaten aus dem Dokumenteneingang werden
prozessiert und in einem Datenspeicher (Data Warehouse, Data Lake, etc.)
gespeichert. Gleichzeitig werden die Ergebnisse der Fallprozessierung abgelegt,
wodurch die Feedbackschleife für die Machine Learning Prozesse ermöglicht wird.
3) Machine Learning: Mithilfe von Natural Language Processing und Reasoning
werden die zuvor erfassten Daten analysiert. Ein Deep Learning Algorithmus
ermittelt einen Score zusammen mit einem Konfidenzwert (p) als
Entscheidungsbasis. Ist der Konfidenzwert unterhalb des definierten Schwellwerts
(z.B. 95%), so wird eine Einzelfallprüfung durchgeführt.
4) Fallprozessierung: Als Ergebnis des Machine Learning bzw. der Einzelfallprüfung
wird eine Entscheidung abgeleitet und automatisiert z.B. durch den Versand
entsprechender Dokumente ausgeführt.
Anträge
Schadensmeldungen
Abrechnungen
Dokumentenverarbeitung
Einzelfallprüfung
p <= 0,95
Dokumentenversand
Fallprozessierung
p > 0,95
Datenbanksysteme
Machine Learning
NLP, Reasoning, Deep Learning
Entscheidung
Computer Vision Verarbeitung
Data Warehouse Analytics
Schematischer Prozessablauf
8/10

9. 0
2
4
6
8
10
Einfachheit
der Lösung
Inter-
operabilität
Test
Validität
Problem-
bewusstsein
Organisatorische
Offenheit
9
MIT WENIG KOMPLEXITÄT UND DIREKTEM
MEHRWERT IN KI-ANWENDUNGEN EINSTEIGEN
EINFACHE UMSETZUNG
Interoperabilität
Wenn Quell- oder Analysesysteme direkt an die KI-Anwendung angebunden werden
können, lassen sich neue Mustertypen auch in unübersichtlichen Daten erkennen und
schnell in die Kalkulation einbeziehen. Bei der Betrugserkennung ist diese Integration
grundsätzlich gegeben, da die Daten zumeist schon in ERP-Systemen und/oder Data
Warehouse Strukturen persistiert sind. Die zusätzlichen Anwendungen zur
Betrugserkennung selbst lassen sich über APIs einfach anbinden.
Test-Validität
Fraud-Detection kann vollumfänglich parallel zum Produktivsystem getestet werden.
„Kinderkrankheiten“ im Kundenkontakt lassen sich somit vermeiden, da das System so
lange verbessert werden kann, bis es die gewünschte Reife erreicht ist. Analog dazu
kann mit Dokumentenverarbeitung zunächst in einer Testumgebung experimentiert
werden, bevor sie in geschäftskritischen Prozessen eingesetzt wird.
Problembewusstsein
Die durch Betrug entstehenden Kosten drücken direkt auf das operative Ergebnis der
Versicherer. Um diese zu reduzieren werden oftmals wertvolle Ressourcen gebunden.
Die Reduktion von manuellem Aufwand und die Verbesserung der Betrugserkennung
ist eine bekanntes Dilemma im Umgang mit Schadensfällen.
Organisatorische Offenheit
Mitarbeiter, die einen Arbeitsplatzverlust fürchten, werden durch Flexibilisierung ihrer
Tätigkeit oftmals nicht überflüssig, sondern können effektiver eingesetzt werden.
Dennoch lösen Projekte, die auf die Automatisierung von zumindest einem Teil der
eigenen Arbeit abzielen, gerade bei langjährigen Mitarbeitern oftmals Ängste und
damit Voreingenommenheit und Ablehnung aus.
Bewertung der Umsetzungskomplexität
8/10
9/10
8/10
9/108/10
5/10

10. Ressourcen Verfügbarkeit
10
TECHNOLOGISCHE VORAUSSETZUNGEN FÜR
UNTERNEHMENSERFOLG DRINGEND NOTWENDIG
STRATEGISCHER FIT
Ein Hauptziel des Einsatzes von künstlicher Intelligenz ist in diesem Fall, Ressourcen
einzusparen bzw. effektiver einsetzen zu können. Gerade in der traditionell
personalkostenintensiven Versicherungsbranche besteht dadurch ein großer Hebel.
Zur Realisierung werden Implementierungs- und Wartungs-Ressourcen benötigt, die
entweder intern bereitgestellt oder über externe Partner eingekauft werden.
Wichtig sind dabei vor allem eine sauber konzipierte Architektur, das initiale Aufsetzen
und Trainieren des KI-Modells sowie die Integration in die bestehenden System-
landschaft mithilfe dynamischer Schnittstellen. Inwieweit auf Standard-Lösungen von
Dienstleistern zurückgegriffen werden kann und sollte hängt von der jeweiligen
Fallkomplexität ab. Grundsätzlich ist der Anwendungsfall jedoch recht klar und
verglichen mit anderen KI-Anwendungen eher ressourcenarm.
7/10
Der Angst vor Stellenabbau in der internen Kommunikation durch vorbereitende
Informationen und unternehmensstrategische Einblicke entgegengewirkt werden. Der
Einsatz von KI reduziert allerdings nicht nur im relevanten Maße negative Effekte auf
das operative Ergebnis, sondern schafft insbesondere bei börsennotierten
Versicherungen Vertrauen in deren Innovationskraft. Dies ist besonders relevant vor
dem Hintergrund des aktuell aufkommenden, dynamischen Insurtech Marktes.
Passende Kommunikationsstrategie
Besonders relevant für diesen Use Case sind Neuronale Netze und Deep Learning als
Tools in der intelligenten Datenverarbeitung. Experten für diese Domäne sind oftmals
nicht mit der nötigen Kapazität verfügbar und müssen aktiv rekrutiert werden.
Beratungen können für Tests und PoCs völlig ausreichend sein, in einer Produktiv-
Umgebung sind interne Experten für dieses Thema jedoch unerlässlich. In einigen
Versicherungsunternehmen sind dedizierte KI-Teams bereits vorhanden – in
anderen Unternehmen fehlen diese Ressourcen intern noch gänzlich.
Know How vorhanden
Computing- und Speicher-Kapazitäten sind im Vergleich zu vernachlässigende
Faktoren geworden – wichtiger ist die Verfügbarkeit von Daten. Durch NLP und
Computer Vision lassen sich mehr Daten als zuvor aus den vorhandenen Ressourcen
nutzbar machen, die dann noch durch externe Daten angereichert werden können.
Dieser Prozess ist herausfordernd, liefert aber qualitativ hochwertige Inputdaten zum
Training eines eigenen, proprietären KI-Systems.
Inputfaktoren erschließbar
5/10
6/10
8/10
Management Priorität
Auf Grund der positiven finanziellen Effekte, die eine verbesserte Betrugserkennung
im operativen Ergebnis erzielen kann, Erhöhung der Arbeitgeberattraktivität durch den
Einsatz von KI und Stärkung der Wettbewerbsposition liegen die überzeugende
Argumente für den Top-Management Support auf der Hand.
Ein weiterer positiver Aspekt ist die vergleichsweise schnell demonstrierbare
Funktionalität des neuen Systems in Form eines Proof-of-Concepts. Dieser ist
möglicherweise für den Regelbetrieb noch nicht ausgereift genug, schafft aber das
nötige Vertrauen in die Weiterentwicklung einer integrierten Lösung.
8/10
7/10

11. 11
MAXIMALER ERFOLG DURCH DEEP LEARNING IN
KOMBINATION MIT MACHINE VISION UND NLP
Einfluss neuartiger Schlüsseltechnologien Marktdurchdringung
Früher MassenmarktInnovatoren Early Adopter Später Massenmarkt Nachzügler
PENETRATIONSRATE
Systemkomponente Rolle
Marktdurch-
dringung
Adaptions-
stadium
Lösungs-
charakter
Deep Learning
Neural Networks
Enabler Early Adopter
Proof-of-
Concept
Individuell
Machine Vision
Performance
Treiber
Früher
Massenmarkt
Deployment Standard
Natural Language
Processing
Performance
Treiber
Früher
Massenmarkt
Deployment Standard
Automatic Reasoning
Performance
Treiber
Innovatoren Prototyping Individuell
Cloud Computing
Access
Accelerator
Später
Massenmarkt
Optimierung Standard
Prototyping OptimierungDeploymentLive Testing
Proof-of-
Concept
Adaptionsstadium
TECHNOLOGISCHE REIFE
MARKTREIFE
0 – 3 % 4 – 17 % 18 – 50 % 51 – 84 % 85 – 100 %
6/10

12. KI-Startups (international
12
KI-LÖSUNGEN OPEN SOURCE VERFÜGBAR,
ÖKOSYSTEM UNTERSTÜTZT IMPLEMENTIERUNG
Hinweis: Kein Anspruch auf Vollständigkeit, die Auswahl der Anbieter erfolgt auf Basis ihres
kommunizierten Leistungsangebots bzw. öffentlichkeitswirksamen Projekten
ÖKOSYSTEM VERFÜGBARKEIT
MARKTREIFE
Lösungsanbieter Startups Realisierungspartner Open Source Communities
Bei Systemanbietern von KI-gestützter
Betrugserkennung handelt es sich
zumeist um generalistische Cloud-
Plattformen.
Diese bieten spezifische Microservices
für Fraud Detection sowie zusätzliche
Module beispielsweise für Bild- und
Spracherkennung, welche innerhalb der
Cloud-Umgebung kombinierbar sind.
Die Startup-Landschaft entwickelt sich im
KI-Bereich dynamisch, ist jedoch eher auf
die Betrugserkennung in der Zahlungs-
abwicklung spezialisiert.
Ausgewählte Spezialisten für den Ver-
sicherungsbereich finden sich allerdings
sowohl in Europa als auch in den USA.
Zur Lösungsentwicklung können
spezialisierte IT-Beratungshäuser oder
Forschungsinstitute und Universitäten als
Partner zu Rate gezogen werden.
Bei Beratungen ist das Thema Fraud
Detection insbesondere in Bezug auf
Zahlungsabwicklung abgedeckt. Im
akademischen Umfeld werden
entsprechende KI-Bereichen häufig ohne
spezifischen Anwendungsfall bearbeitet.
Die eigenständige Entwicklung von KI-
Lösungen ist im Hinblick auf die
notwendigen Software-Frameworks nicht
kostenintensiv. Eine Vielzahl von Open
Source Angeboten existiert mit
umfassender Community-Unterstützung.
Machine Learning und NLP sind dabei
nicht von allen Frameworks unterstützt,
lassen sich aber entweder über APIs bzw.
mittel Python verknüpfen.
KI-Lösungsanbieter KI-Startups (D-A-CH) Beratung / Implementierung
Forschung
Frameworks
7/10

13. 13
MARKTREIFE IST NACHGEWIESEN, PILOT-
PROJEKTE BEI INNOVATOREN BEREITS UMGESETZT
*Unternehmensbeispiele exemplarisch ausgewählt – kein Anspruch auf Vollständigkeit
„FEAR OF MISSING OUT“
MARKTREIFE
KI-KOMPETENZ
UNTERNEHMENSGRÖSSE
LEADER
EARLY
FOLLOWER
NATIONALE UNTERNEHMEN INTERNATIONALE KONZERNE
Anwendertyp*
KI-Strategie*
BUILD BUY
PARTNER
?
Je komplexer der Prüfvorgang und die
Integration in die eigenen Systeme,
desto sinnvoller eine eigene Lösung.
Bei der Verwaltung großer
Datenmengen, Compliance-Themen
und der automatisierten Ansteuerung
weiterer Prozesselemente eignen sich
individuelle Lösungen meist besser als
Standardsoftware. Entwicklungsframe-
works bieten modulare Bausteine, die
individuell angepasst werden können.
Dies erfordert jedoch mehr Zeit und
die Investition in KI-Entwickler, welche
zur Zeit nicht nur rar sondern auch
teuer sind.
Das Einkaufen von Standardlösungen
bis hin zur Übernahme von Startups,
die sich dem Thema widmen, ist in der
Betrugserkennung eine durchaus
attraktive Variante. Durch vergleichs-
weise übersichtliche Prozessflüsse und
klar quantifizierbare Einsparpotenziale
sowie fehlenden Hardware-Bedarf
kann mit unterschiedlicher Standard-
software experimentiert werden. Auch
KI-as-a-Service Module von Cloud-
anbietern wie Google oder Microsoft
können in diesem Kontext relevant
sein.
Der Partneransatz ist zu empfehlen, wenn einerseits eine Standardsoftware durch
externe Partner implementiert und möglicherweise parametrisiert werden soll.
Andererseits kann es sinnvoll sein, wenn durch Partner aus der Forschung eine
eigene proprietäre Lösung entwickelt werden soll. Gerade dieser Ansatz kann neue
Geschäftsmodelle wie die Lizensierung des neuen Systems zur Refinanzierung der
Entwicklung ermöglichen. Auch mit Konkurrenten können Partnerschaften von
hoher Bedeutung sein – beispielsweise bei geringer Datenverfügbarkeit,
gemeinschaftlicher Vorteile oder der Notwendigkeit neuer Grundlagen in einer
experimenteller Umgebung.
GeschäftsmodelldiversifikationFirst-Mover Marktanteile gewinnen
„low-hanging fruits“ ernten Know How einkaufen
Plug and Play Lösungen Individualisierte Standardlösungen
(Spezial-)Lösungsentwickler Individual-Lösungen
9/10

14. 14
PRAXIS ZEIGT KLARE TENDENZ ZUR ADAPTION
KI-GESTÜTZTER AUSWERTUNGSSYSTEME
MARKTDYNAMIK
MARKTREIFE
Künstliche Intelligenz für eine bessere Versorgung
Allianz: Rekord bei Einsparungen durch Betrugserkennung
Generali bekämpft Betrug mit Bildforensik
Als erste Krankenkasse integriert die TK einen KI-gestützten
Symptomcheck in ihre Online-Angebote. Sie kooperiert mit
dem Berliner Unternehmen „Ada Health“, dessen KI-
Technologie Ada in die neue TK-Doc-App integriert wird.
Versicherte können so Beschwerden bewerten und auf
Wunsch per Videochat direkt mit einem Arzt sprechen. Link
Die Allianz konnte im vergangenen Jahr über 70 Mio. € an
Kosten für betrügerische Versicherungsfälle einsparen. Die
Betrugserkennung konnte innerhalb eines Jahres von 7,7%
auf 8,7% gesteigert werden, was mehr als 5.000 erkannte
Betrugsfälle im Jahr 2017 bedeutet. Link
Der durch Betrug entstehende Schaden für die Ver-
sicherungen summieren sich auf 4-5 Mrd. € im Jahr. Nun
will die Branche digital aufrüsten und gegensteuern. Die
Generali setzt dabei auf Software zur Netzwerkerkennung
oder Bildforensik, die Manipulationen an Beweisfotos
aufdeckt. Link.
Praktische
Learnings
„to-watch“
▪ Anzahl identifizierter Betrugsfälle
▪ Eingesparte Versicherungssumme in €
▪ Quote notwendiger Einzelfallprüfungen
▪ Durchschnittliche Fallbearbeitungszeit
▪ Betrugsmuster ändern sich schneller als statische Algorithmen
▪ Integration von Social-Media und IoT-Daten ermöglich neue
Methoden der Betrugserkennung
▪ Learnings aus KI in Fraud Detection können intern auf weitere
Projekte (z.B. Churn Prediction) transferiert werden
▪ Monitoring der Qualität erhobener Daten als zentrales
Element für den Einsatz von KI
▪ Entwicklung von Cloud-Lösungen, gerade bzgl. der einfachen
Integration in bestehende System
▪ Effizienz-Optimierung-Druck als Treiber für KI-Adaption
Zentrale
KPIs
7/10

15. 15
EFFIZIENZGEWINNE UND POTENTIAL ZUR
SKALIERUNG SIND KERNTREIBER DER INNOVATION
ROBUSTHEIT DER INFRASTRUKTUR
MARKTREIFE
BarrierenTreiber
Arbeitskosten
Steigende Lohnniveaus sowohl in Europäischen Standorten als auch in
den beliebten Outsourcing-Standorten in Osteuropa sowie im
asiatischen Raum setzen Unternehmen zunehmend unter Druck, ihre
Prozesskosten mittelfristig zu senken.
Datenverfügbarkeit
Daten über Schadensfälle sind in den Unternehmen vorhanden. Sauber
aufgenommen und prozessiert können sie als proprietäres Asset
genutzt werden, um Wettbewerbsvorteile zu generieren. Die
Integration historischer sowie externer Markt- und Umgebungsdaten
kann dabei zusätzlichen Mehrwert schaffen.
Deep Learning / Neuronale Netze
In der Datenprozessierung und Entscheidungsfindung spielt Deep
Learning eine zentrale Rolle. In beiden Bereichen ist künstliche
Intelligenz dem Menschen bereits überlegen. Die Output-Qualität wird
sich auch künftig kontinuierlich verbessern und die Bearbeitung
komplexerer Aufgaben ermöglichen.
Mangel an KI-Spezialisten
Die Verfügbarkeit qualifizierter Experten, die in der Lage sind
Systemarchitekturen aufzusetzen, selbstlernende KI-Systeme zu
trainieren und zu administrieren, kann aufgrund der hohen Nachfrage
und damit entsprechenden Preisen zur Adaptionsbarriere vor allem für
Mittelständler werden.
Unausgereiftes Automatic Reasoning
Die Technologie zur kontextuellen Verarbeitung der Informationen aus
Schadensmeldungen ist den anderen benötigten KI-Bausteinen in ihrer
Marktreife noch unterlegen. In Kombination mit Natural Language
Processing entstehen zwar große Potentiale, diese sind allerdings aktuell
noch nicht mit Standardsoftware zu erschließen.
Datenschutz
Im Umgang mit den Daten der Versicherten werden Richtlinien auf
europäischer Ebene beschlossen. Die Cloud-Lösungen der großen
Anbieter sind im Regelfall auf diese Regulierungen angepasst – im
Einzelfall kann allerdings einer rechtliche Klärung vorab notwendig sein.
Fehlende Standards
KI Lösungen in der Betrugserkennung sind noch kein Standard „Plug
and Play“-Service. Entwickler von Individualsoftware sowie Cloud-
Provider sammeln Erfahrungen und definieren gemeinsam Standards.
Schlüsselfertige Lösungen sind allerdings auch in Zukunft auf Grund der
spezifischen Anforderungen kaum erwartbar.
Cloud-Computing
Rechenintensive KI-Anwendungen können heute bereits vergleichs-
weise kostengünstig in der Cloud (oder auch on-premise) realisiert
werden. Mit Cloud Computing können heute auch sicherheitsrelevante
Daten bei geringen Latenzzeiten prozessiert werden, was
beispielsweise Real-Time Scoring und Regulierung ermöglicht.
7/10

16. 16
INTELLIGENTE BETRUGSERKENNUNG AKTUELL
NUR IN GROSSUNTERNEHMEN IM EINSATZ
7/10
MARKTREIFE
Status quo Ausblick
Automatisierte Betrugserkennung hat in der Versicherungsbranche bereits auf Basis
statischer, regelbasierter Systeme Fortschritte gebracht. Die Anzahl manueller
Prüfungen wurde reduziert, allerdings weisen nicht-KI basierte Systeme noch deutliche
Schwächen auf. Insbesondere die Anpassung auf neue Betrugsmuster ist nicht
gegeben, was eine häufige, manuelle und damit fehleranfällige Anpassungen des
Algorithmus nach sich zieht.
▪ Hohe Kosten der Einzelfallprüfung
▪ Erhöhte Bearbeitungszeit von nicht eindeutig zugeordneten Fällen
▪ Latenz bei der Anpassung an neue Betrugsmuster
Automatisierte Systeme zur Betrugserkennung werden zukünftig durch den Einsatz
künstlicher Intelligenz um ein Vielfaches an Performanz gewinnen. Große Teile der
manuellen Arbeit werden überflüssig und Mitarbeiter unterstützt, schnellere und
bessere Entscheidungen zu treffen. Dadurch wird in einigen Bereichen „Real-Time“
Scoring möglich sein, bei welchem neben den eigenen Unternehmens-Daten auch
zunehmend weitere externe Faktoren in die Bewertung einfließen.
▪ Hohe Performanz und Flexibilität sowie Anwendbarkeit in anderen Use Cases
▪ Skalierbarkeit bis hin zur einem Lizenzgeschäftsmodell
▪ Nutzbarmachung von IoT-Daten zur Überprüfung bisheriger „Blackbox“-
Schadensfälle und Betrugsmuster
Monitoren Live-Test Deployment
Wo stehen wir aktuell?
InnovationsführerEarly Adopter
Prototyp / Proof-of-Concept Optimieren

17. CHECKLISTE: INDIVIDUELLE UMSETZUNGSRELEVANZ
17
ORIENTIERUNGSPUNKTE FÜR EINE ERFOLGREICHE USE CASE IMPLEMENTIERUNG
Optimierungspotenzial Veränderungsdruck Aktionspunkte
❑ Hohe direkt Kosten durch nicht erkannte
Betrugsfälle
❑ Hoher interner und externer
Prüfungsaufwand
❑ Zu hohe Bearbeitungszeit bei potentiellen
Betrugsfällen
❑ Niedrige Datenqualität in der Erfassung
von Versicherungsansprüchen
❑ Wenig Anreicherung der Daten mit
externen Kontext-Informationen
Aspekte, die auf den Bedarf an einer KI-gestützten
Qualitätskontrolle hindeuten
❑ NPS ist wichtigstes Differenzierungs-
kriterium zum Wettbewerb
❑ Höhere Transparenz und Sicherheit im
Compliance angestrebt
❑ Anpassung an sich verändernde
Betrugsmuster notwendig
❑ Aktuelle Lösungen oft abhängig von
einzelnen Data Scientists
Faktoren, die den Handlungsdruck im Bereich
Qualitätsmanagement erhöhen
❑ Präzise IST-Analyse der Bestandssysteme
und konkrete Problemdefinition
❑ Definition von internen Projektressourcen
oder Partnersuche
❑ Evaluation von Datenquellen (Qualität,
Volumen, Schnittstellen, Verfügbarkeit)
❑ Short-List-Erstellung von KI-Lösungs-
alternativen bzw. Systemerweiterungen
❑ Minimum-Viable-Testsetup aufsetzen
(außerhalb des Produktivbetriebs)
Konkrete Maßnahmen, die bei einem avisierten
Test-Projekt zu beachten sind

18. ÜBER APPANION
18
WIR HELFEN DABEI, DIREKTEN MEHRWERT AUS IHREN DATEN ZU ERZIELEN
Wir identifizieren passende
KI-Anwendungsfälle und helfen bei der
zielorientierten Priorisierung
IDENTIFY
Wir erstellen einen konkreten Plan über
Anforderungen, Projektorganisation
und feedbackgesteuerte Iterationsschritte
PLAN
Wir evaluieren geeignete Lösungen für
unternehmensspezifische Anforderungen
EVALUATE
Wir begleiten den Entwicklungs-
und Implementierungsprozess und
unterstützen bei der Partnerauswahl
EXECUTE
Wir schaffen Entscheidungssicherheit über
Prozessdesign und funktionale Prototypen
TEST
Wir entwickeln eine zukunftssichere
Datenstrategie auf Basis der langfristigen
Unternehmensziele
SUSTAIN

19. 19
METHODIK
BACKUP

20. UNSERE METHODIK
20
FREQUENTLY ASKED QUESTIONS
Was bedeutet das Use Case Scoring?
Technologische Innovationen im Bereich der künstlichen Intelligenz oder Blockchain
Technologie verändern Unternehmensprozesse, Geschäftsmodelle und Verhaltens-
weisen nachhaltig. Teilweise ist der Fortschritt dabei in so kurzer Zeit erreicht, dass
bestehende Organisationsstrukturen sich nicht schnell genug anpassen können und es
zur Disruption von relevanten Marktteilnehmern oder ganzen Märkten kommt.
Mit dem Use Case Scoring haben wir eine Methode entwickelt, die einen Überblick
über aktuell wichtige technologische Innovationsbereiche in unterschiedlichen
Branchen gibt. In detaillierten Einzelprofilen stellen wir eine erste Einschätzung, eine
strukturierte Priorisierung sowie die wichtigsten Eckdaten zur Verfugung.
Unternehmen können hiermit die Dringlichkeit auf den ersten Blick einschätzen, mit
der sie sich diesen Themen zuwenden sollten.
Wie funktioniert die Use Case Analyse?
Die Use Cases werden industriespezifisch aus unserer jahrelangen Erfahrung im
Bereich Markt- und Trendbeobachtung im Digital- und Technologieumfeld einzeln
geprüft und ausgewählt. Das Bewertungsmodell beruht auf fünf zentralen
Dimensionen, die eine umfassende Evaluation des Anwendungsfalls ermöglichen.
(„Performance Gewinn“, „Kosten Reduktion“, „Marktreife“, „Strategischer Fit“ und
„Einfache Umsetzung“).
Alle fünf Dimensionen sind in gewichtete Einzelfaktoren segmentiert, die in den
detaillierten Use Case Profilanalysen transparent bewertet werden. Aus der Erfahrung
zahlreicher Strategie- und Business Intelligence Projekte, die wir in den vergangenen
Jahren sowohl in DAX-Konzernen als auch im Mittelstand aktiv begleitet haben, leitet
sich unser flexibler Bewertungsrahmen ab, der die zentralen Erfolgsfaktoren
technologischer Innovationsprojekte abbildet.
Welche Werte werden für die Use Case Bewertung zu Grunde gelegt?
Bei der Analyse von technologischen Innovationen versuchen wir explizit nicht eine
allgemeingültige Wahrheit zu finden – die verschiedenen Einflussdimensionen und
Perspektiven erfordern im Regelfall eine unternehmensspezifische Detailanalyse.
Einschätzungen, die tatsächlichen Wettbewerbsvorteil bedeuten, ergeben sich oftmals
aus fokussierter Marktbeobachtung, einem fundierten Verständnis von Markt-
dynamiken sowie Geschäftsmodellen. Die Absicherung von Entscheidung durch
Marktforschung, langfristig angelegten Forschungsprojekten und die Erstellung
umfassender PowerPoint-Analysen dauert häufig zu lange und bindet teilweise
Ressourcen, mit denen bereits wichtige Fortschritte in Tests und Prototypen erzielt
werden können.
Unsere Alternative ist ein einfaches, intuitives Bewertungsmodell auf einer Skala
von 1 (Worst-Case Voraussetzung) bis 10 (Optimalbewertung), das von einem
ausgewählten Expertenkreis in einem Achtaugenprinzip geprüft und freigegeben wird.
Unser Expertennetzwerk beinhaltet erfahrene Strategieberater, Business Intelligence
Spezialisten, Marktanalysten und Branchenexperten mit praktischen oder
wissenschaftlichem Hintergrund.
Welche Gewichtung der Einzelfaktoren sorgt für eine Gesamtbewertung?
Die Gewichtung der Einzelfaktoren spiegelt eine durchschnittliche Branchen-
einschätzung wider. Die Gewichtungsverhältnisse können auf der Folgeseite nachvoll-
zogen werden. Je nach Unternehmensvoraussetzungen und Use Case Komplexität
können sich Bewertungsdimensionen unterschiedlich stark ausprägen. Eine
individualisierte Einzelfallprüfung bieten wir unseren Kunden daher projektbasiert an.
Wo finde ich weitere Informationen und Use Case Profile?
Unser Use Case Profil-Datenbank befindet sich derzeit noch im Aufbau. Weitere
Informationen erhalten sie auf appanion.com oder kontaktieren Sie uns persönlich.

21. EINFLUSS DER BEWERTUNGSDIMENSIONEN
21
DAS FLÄCHENMASS REPRÄSENTIERT DIE PROZENTUALE GEWICHTUNG (NORMIERT AUF 100 PROZENT)

22. WIR FREUEN UNS ÜBER IHR FEEDBACK!
Mirko Schedlbauer
Gründer
Haftungsausschluss: Diese Analyse basiert auf Recherchen und Daten der zuvor genannten Quellen. Alle präsentierten Informationen wurden von Appanion und assoziierten Experten mit großer Sorgfalt recherchiert und aufbereitet. Für die präsentierten Daten und Informationen kann Appanion keine Gewährleistungen jeglicher Art
übernehmen. Informationen und Daten stellen in ausgewählten Fällen individuelle Meinungen dar und bedürfen gegebenenfalls einer weiteren Interpretation als Entscheidungsgrundlage. Nach der Veröffentlichung dieses Dokuments können nicht vorhersehbare Fortschritte in Forschung oder Praxis erzielt werden, die eine alternative
Einschätzung nahelegen. Appanion haftet daher nicht für Schäden, die durch die Verwendung der in dieser Analyse enthaltenen Informationen und Daten entstehen.
Appanion Labs GmbH ▪ Hopfenstrasse 11 ▪ 20359 Hamburg ▪ www.appanion.com