5 ok, ami miatt érdemes szoftverrel segíteni a biztosítói kárrendezést

Nyúl Attila
2014. április 09.

Bizonyos területeken, például a gépjármű-felelősségbiztosításnál a csalások kiszűrése akár létkérdés is lehet, hiszen itt az elmúlt évek árversenyében a biztosítók folyamatosan csökkentették díjtételeiket. Ahhoz, hogy ebben a speciális környezetben is versenyképesek, eredményesek tudjanak maradni, a költségeiket is mérsékelni kellett.

A biztosítási szektorban a kiadások csökkentésének egyik eszköze lehet a kifizetési kárhányad csökkentése. Mutatkozik erre esély, hiszen a nemzetközi statisztikák alapján a biztosítási káresemények 10-20 százaléka csalás (hard fraud – szervezett csalás, előre eltervezve -, vagy soft fraud – valós káresemény/kárigény felnagyítása).

Bizonyos területeken, például a gépjármű-felelősségbiztosításnál a csalások kiszűrése akár létkérdés is lehet, hiszen itt az elmúlt évek árversenyében a biztosítók folyamatosan csökkentették díjtételeiket. Ahhoz, hogy ebben a speciális
környezetben is versenyképesek, eredményesek tudjanak maradni, a költségeiket is mérsékelni kellett.

Akár szervezett, akár egyszeri csalásról van szó, a meglévő adatok több szempontú elemzése (adatbányászat, hálózatkutatás) nagymértékben segíti a kárrendezőket a csalásgyanús ügyek felderítésében. Az IFUA 2009 óta vállal sikeresen részt a SIXTEP hálózatkutatási szoftver széleskörű megismertetésében, illetve megvalósítási projektekben. A SIXTEP szoftver használatakor hálózatkutatási algoritmusok mellett adatbányászati megoldások is segítik a biztosítók szakembereit a gyanús káresemények időbeli detektálásában, közvetve az alacsonyabb kárhányad elérésében.

Az alábbi okok hívták életre a szoftveres segítséget:

1. Korlátos erőforrások: a kárrendezőknek nincs elegendő erőforrásuk arra, hogy minden káreseményt töviről-hegyire megvizsgáljanak. Abban a nagyon is jellemző esetben, amikor a káresemények egyötödét tudják csak nagyító alá venni, nagyon fontos a vizsgálandó egyötöd kiválasztása, és ebben sokat segít a matematikai algoritmusokkal támogatott előrejelzés.

2. Komplex összefüggésrendszer: szervezett visszaélések esetén a különböző magán-, illetve jogi személyek gyakran használnak azonos attribútumokat (pl. bankszámlaszámot, címet, telefonszámot, stb.); a komplex összefüggéseket „matching” (~hasonlóságkereső) algoritmusok alkalmazása nélkül szinte lehetetlen felfedezni (vagy a befektetett energiamennyiség nem lesz arányban az eredménnyel).

3. Tanuló rendszer: az azonosított csalásokat meg lehet jelölni a rendszerben (a szakértők által visszaigazolt gyanús mintákat megtanulja a rendszer), és ezek az információk a későbbiekben javítják a modell előrejelző képességét.

4. Vizualizáció: a vizualizációs megoldások segítségével gyorsabban megérthető a káresemények, illetve az azokban szereplő ügyfelek összefüggésrendszere.

5. Alacsony egységköltség: ha a befektetés összegét a vizsgált káreseményekre vetítjük, akkor az egységköltség töredéke például a személyes szemle költségének, ráadásul a kalkulált csalásvalószínűség a személyes szemléhez is hasznos információkat szolgáltat.

+1 Az információk jelentős része már akkor rendelkezésre áll, amikor egy új ügyfél megjelenik, s ajánlatot teszünk neki, így már a kezdet kezdetén el lehet kezdeni a portfólió-tisztítást.
Tapasztalataink alapján egy komplex csalásfelderítő rendszer bevezetése egy éven belül megtérül. Hosszabb távon pedig (a megtakarításokon túl) hozzájárul a biztosítási portfólió megtisztításához.

Ez a megoldás tökéletesen egészíti ki a szakértők tapasztalatát és megérzéseit, adatelemzéssel és matematikai modellezéssel. Nem váltja ki a szakértők munkáját, de fókuszálhatja az erőforrásaikat.