Inhaltsverzeichnis
Automatische Betrugserkennung
- Automatische Betrugserkennung sollte ein Teil der Betrugsprüfung sein
- In der Regel gibt es weitere wie den Abgleich mit Uniwagnis des GdV oder eigenen Informationen
Voraussetzungen
- Hinreichend genaue Beschreibung und Klassifikation des konkreten Schadenfalls mit Hilfe von geeigneten Attributen
- Diagnosequallität abhängig von Wahl und Anzahl der Attribute
Nutzung neuronaler Netze
Vorteile neuronaler Netze
- Programmierung mit konventionellen Mitteln
- Verarbeitung von unscharfen Informationen
- Arbeiten nahezu wartungsfrei, da sie selbstständig lernen (bzw. vergessen) → Anpassung an geänderte Umweltbedingungen
- Fachliche Vorgaben in Form von Regeln nicht erforderlich
Nachteile neuronaler Netze
- Entscheidungen nicht immer sofort nachvollziehba
- Sind sehr komplex und entwickeln gewisse Eigendynamik
- können erst nach hinreichend langer Zeit optimale Betrugserkennungsquote liefern (Dauer Lernprozess)
Einbindung in den Schadenprozess
- Anfrage
- Schadenfälle mit Berugsmustern vergleichen
- Ergebnisprüfung
- Einleitung weiterer Schritte durch Sachbearbeiter
- Schadenabschluss / Betrugserkennung
- Die Fälle inkl. Betrugskennzeichen werden erneut vom System geprüft
- Betrug korrekt (positiv) erkannt: Inkrementierung des Trefferzählers
- Betrug falsch diagnostiziert: Inkrementierung Fehlerzähler ⇒ Zu viele Fehler → Deaktivierung des Musters
- Betrug nicht erkannt: Speichern als neues Muster
