Betrugserkennung in der Schadenregulierung mit Machine Learning (ML)

Betrugserkennung in der Schadenregulierung mit Machine Learning (ML) mit KI.

MODUL 01: DIE ANATOMIE DES VERSICHERUNGSBETRUGS

• Vom aufgebauschten Bagatellschaden bis zur organisierten Bande: das Spektrum verstehen
• Warum starre Regelwerke Betrügern immer einen Schritt hinterherhinken
• Wie Netzwerkanalysen verdeckte Täterringe sichtbar machen (Graph Analytics)
• Reale Fälle: Woran erfahrene Prüfer Betrug erkennen – und was davon KI lernen kann
• Der Zielkonflikt: konsequente Abwehr versus zufriedene ehrliche Kunden

MODUL 02: AUS DATEN WERDEN VERDACHTSMOMENTE

• Welche Datenquellen wirklich zählen: Schadenhistorie, Verträge, Kommunikation, Geodaten
• Das Ungleichgewicht echter und betrügerischer Fälle meistern (SMOTE, Resampling)
• Feature Engineering: aus Rohdaten sprechende Betrugsmerkmale formen
• Übung: Sie identifizieren die stärksten Indikatoren in einem Beispieldatensatz
• Datenschutz mitdenken, ohne die Analyse auszubremsen

MODUL 03: MODELLE, DIE ALARM SCHLAGEN

• Verdächtige Schäden zuverlässig scoren (Gradient Boosting, Random Forest)
• Unbekannte Muster aufspüren mit Anomalieerkennung (Isolation Forest, Autoencoder)
• Versteckte Hinweise im Freitext von Schadenmeldungen heben (NLP, LLM)
• Übung: Sie trainieren ein Betrugs-Scoring und lesen die Gütekennzahlen
• Precision, Recall, ROC: Wann ist ein Modell wirklich gut genug für den Einsatz?

MODUL 04: VOM SCORE ZUR GUTEN ENTSCHEIDUNG

• Schwellenwerte und Prüfquoten so steuern, dass die Arbeitsvorräte handhabbar bleiben
• Erklärbarkeit für Sachbearbeiter und Gerichte (SHAP, XAI) – Nachvollziehbarkeit zählt
• False Positives managen: den ehrlichen Kunden nicht verprellen
• Das Zusammenspiel von Modell, Prüfer und Ermittlung im Alltag
• Übung: Sie leiten aus einem Score konkrete Prüfempfehlungen ab

MODUL 05: RECHT, ORGANISATION UND WIRKUNG

• DSGVO-konforme Betrugsanalyse: Rechtsgrundlagen und rote Linien
• Zusammenarbeit mit HIS und Ermittlungsbehörden richtig aufsetzen
• Erfolgsfaktoren aus realen Projekten – und die typischen Anfängerfehler
• Wie Sie den ROI einer Betrugserkennung glaubwürdig belegen
• Ihr Fahrplan: von der ersten Analyse zum produktiven Frühwarnsystem