Klassifizierung von Schadenskorrespondenz bei einem Versicherer
Versicherung, regulierte Branche
Branche und Art der Organisation
Ein mittelgroßer Versicherer in einem stark regulierten Umfeld. Datenschutz und Verarbeitungssicherheit sind dort eine Voraussetzung für den Marktzugang. Die Zusammenarbeit läuft weiter.
Geschäftliches Problem
Die Kundenbetreuung und das Team der Dokumentenverarbeitung arbeiteten an der Kapazitätsgrenze. Jedes Schreiben landete in derselben Form in der Warteschlange, unabhängig davon, ob es einen dringenden Fall betraf oder nichts Neues beitrug.
Steigende Bearbeitungszeiten begannen, Fristen zu gefährden, und bei Schäden bedeutet eine Verzögerung das Risiko der Verjährung eines Anspruchs und sinkende Kundenzufriedenheit. Die Rückstände wuchsen, weil die Warteschlange schneller wuchs, als sie sich schließen ließ.
Vorgehen und Arbeitsumfang
Wir haben ein NLP-Modell (Natural Language Processing) entworfen und eingeführt, das die eingehende Korrespondenz liest und unter zwei Gesichtspunkten bewertet: ob sie für den Fall des Kunden relevant ist und welches Risiko sie birgt. Für den Fall irrelevante Schreiben werden außerhalb der Hauptwarteschlange abgelegt, damit sie Fälle, die eine Reaktion erfordern, nicht verlangsamen, und dabei wird nichts gelöscht. Die übrigen werden klassifiziert und mit fertiger Kategorie weitergegeben, sodass die nächsten Prozessschritte automatisch laufen können. Darunter arbeitet eine Textklassifizierung (text classification) mit überwachtem Lernen: Das Modell lernt an gekennzeichneten Beispielen von Schreiben und versieht jede Entscheidung mit einem Sicherheitsgrad, sodass unsichere Fälle zum Menschen gehen.
Geschäftlicher Effekt
rund 25 %
weniger Dokumente in Bearbeitung
das System legt für den Fall irrelevante Korrespondenz beiseite
90 %
Erkennungsgenauigkeit
korrekt erkannte Risikokategorie
30 %
weniger Rückstände
Abbau alter Korrespondenzrückstände
Rund 25 % der Dokumente belasten die Hauptwarteschlange nicht mehr, weil das System für den Fall irrelevante Korrespondenz beiseitelegt. Die Risikokategorie wird in 90 % der Fälle korrekt erkannt, was erlaubt, sichere Fälle automatisch zu leiten und zweifelhafte dem Menschen zur Prüfung zu überlassen. Die Korrespondenzrückstände sanken um 30 %.
Umfang der Einführung
Die Lösung arbeitet mit Hunderttausenden Dokumenten pro Jahr. Wir betreiben und entwickeln sie weiter, sodass das Modell nachtrainiert wird, wenn sich der Charakter der eingehenden Korrespondenz ändert.
Sicherheit und Vertraulichkeit
Das Projekt führten wir in einem DSGVO-konformen Regime durch. Die Daten, mit denen das Modell arbeitete und lernte, waren anonymisiert, sodass sie zu keinem Zeitpunkt mit einer konkreten Person verbunden waren.
Das Ganze läuft in einer eigens für dieses Projekt aufgebauten, abgesicherten Umgebung. Die Architektur diktierten die regulatorischen Anforderungen: Die Daten verlassen die vereinbarte Umgebung nicht, und jeder Verarbeitungsschritt lässt sich vor einem Audit nachweisen. In einer regulierten Branche ist das die Voraussetzung dafür, dass eine Lösung überhaupt in Betrieb gehen darf.
Das manuelle Durchsehen von Dokumenten frisst Zeit, die niemand im Budget einplant. Wenn es bei dir ähnlich aussieht, schreib uns ein paar Sätze zu deinem Prozess. Wir sagen dir, ob wir hier Raum sehen, das Team zu entlasten, auch dann, wenn es aus unserer Sicht keinen gibt.
Verwandte Artikel in der cm-opti Wissensdatenbank
Leistungsbereich: Prozessautomatisierung und Dokumentenverarbeitung.