1. anacision
  2. /
  3. Referenzen
  4. /
  5. Kosten- und Regressprognose

Kosten- und Regressprognose

Datengetriebene Identifikation von rentablen Regressfällen in der Unfallversicherung durch Data Science Methoden

Unser Kunde ist eine Berufsgenossenschaft, die als gesetzlicher Unfallversicherer jährlich eine hohe Anzahl von Arbeitnehmern nach Arbeitsunfällen rehabilitiert. Unter den gemeldeten Unfällen gibt es sogenannte Regressfälle, für welche die Berufsgenossenschaft zunächst einsteht, jedoch letztendlich eine andere Versicherung zuständig ist (wie beispielsweise die Versicherung des Unfallgegners bei einem Autounfall). Bisher wurden potenziell regressfähige Unfälle in einem manuellen Meldeverfahren zur Prüfung ausgewählt. Durch die manuelle Prüfung wurden jedoch einerseits viele nicht regressfähige Unfälle aufwändig geprüft und andererseits potenziell regressfähige Fälle nicht erkannt. Zur Verbesserung des Gesamtprozesses wurden mit Data Science Ansätzen die Wahrscheinlichkeit eines Regresses sowie die voraussichtlichen Gesamtunfallkosten prognostiziert, womit eine automatisierte Auswahl von rentablen Regressfällen ermöglicht wurde.

Ausgangslage

Manuelles Meldeverfahren führt zu hohem Aufwand bei reduzierten Regresseinnahmen

Auf­grund der ho­hen An­zahl der durch den Ver­si­che­rungs­trä­ger be­ar­bei­te­ten Un­fäl­le ist eine um­fas­sen­de Prü­fung der Re­gress­fä­hig­keit al­ler Un­fäl­le durch die Re­gress­ab­tei­lung nicht mög­lich. Um eine Aus­wahl zu tref­fen, wird häu­fig ein Mel­de­ver­fah­ren ein­ge­setzt, in wel­chem eine ma­nu­el­le Prü­fung an­hand nicht voll­stän­dig de­fi­nier­ter Kri­te­ri­en so­wie Er­fah­rungs­wer­ten des Be­ar­bei­ters statt­fin­det. Da­durch wer­den bei der Aus­wahl ei­ner­seits vie­le nicht re­gress­fä­hi­ge Un­fäl­le aus­ge­wählt, an­de­rer­seits wer­den po­ten­zi­ell re­gress­fä­hi­ge Un­fäl­le bei feh­len­der Er­fah­rung oder Fehl­ein­schät­zun­gen nicht aus­ge­wählt. Ins­ge­samt ent­steht da­her durch die ma­nu­el­le Prü­fung ein ho­her Auf­wand bei den Be­ar­bei­tern bei gleich­zei­tig re­du­zier­ten Re­gres­sein­nah­men.

Lösung

Automatisierte Identifikation von rentablen Regressfällen durch Data Science

Bei der Er­fas­sung und Be­treu­ung von Un­fäl­len wird eine gro­ße Men­ge an struk­tu­rier­ten und un­struk­tu­rier­ten he­te­ro­ge­nen Da­ten auf­ge­nom­men. Im ers­ten Schritt wur­den Mus­ter be­züg­lich des Re­gres­ser­folgs so­wie der Un­fall­kos­ten aus die­sen Da­ten ex­tra­hiert. Wei­ter­hin konn­ten so re­le­van­te Trei­ber für re­gress­ver­däch­ti­ge, teu­re Un­fäl­le iden­ti­fi­ziert wer­den. Auf Grund­la­ge des­sen wur­den sta­tis­ti­sche Mo­del­le zur au­to­ma­ti­schen Pro­gno­se der Re­gress­wahr­schein­lich­keit und Un­fall­kos­ten ent­wi­ckelt, die an­schlie­ßend durch die Dis­kus­si­on mit Fach­ex­per­ten ge­prüft und va­li­diert wur­den.

Nutzen

Aufwandsreduktion bei zuverlässigerer Identifikation von rentablen Regressfällen

Durch die Au­to­ma­ti­sie­rung der Iden­ti­fi­ka­ti­on ren­ta­bler Re­gress­fäl­le wur­de der Ar­beits­auf­wand bei der Fall­be­ar­bei­tung we­sent­lich re­du­ziert, wo­mit freie Ka­pa­zi­tä­ten bei­spiels­wei­se für eine in­ten­si­ve­re Fall­be­treu­ung er­reicht wer­den konn­ten. Wei­ter­hin er­mög­licht die Au­to­ma­ti­sie­rung eine ge­ziel­te­re Fall­aus­wahl zur Stei­ge­rung der Re­gres­sein­nah­men. Die Er­hö­hung der Re­gres­sein­nah­men wur­de zu­dem durch die Iden­ti­fi­ka­ti­on von in der Ver­gan­gen­heit nicht iden­ti­fi­zier­ten, je­doch ren­ta­blen Re­gress­fäl­len, be­stä­tigt. 

Haben wir Ihr Interesse geweckt? Sprechen Sie uns an.

Sprechen Sie uns an

Markus Frondorf

Managing Director

+49 172 7395191

Mail Kontakt

Sprechen Sie uns an

Rico Knapper

Managing Director & Chief Data Scientist

+49 152 22649878

Mail Kontakt

Warum anacision

X