Human in the Loop Dokumentenautomatisierung

CASE STUDY

CLIENT | VERTRAULICH

INDUSTRIE | VERSICHERUNG

DATUM | 2021-2023

Herausforderung - Underwriting-Wissen wird nicht erfasst

In der Versicherungsbranche ist das Underwriting ein kritischer und zugleich komplexer Prozess, der spezielles Wissen und Erfahrung erfordert. Traditionell wird dieses Underwriting-Wissen von einem Mitarbeiter an den nächsten weitergegeben, indem er am Arbeitsplatz geschult und in Prozessrichtlinien dokumentiert wird. Dieser Ansatz führt jedoch häufig zu Wissenslücken und Ineffizienzen, da wertvolle Erkenntnisse und Nuancen verloren gehen können, wenn erfahrene Underwriter das Unternehmen verlassen.

Für einen führenden Versicherer war dieses Problem des Wissenserhalts ein Hindernis bei der effektiven Rationalisierung und Automatisierung von Underwriting-Prozessen. Ohne einen umfassenden Bestand an gekennzeichneten Daten, die die Feinheiten der Underwriting-Entscheidungen erfassen, war die Einführung einer auf maschinellem Lernen basierenden Automatisierung nicht machbar.

Ansatz - Instrumentenprozesse zur Annotation von Daten 

Um diese Herausforderung anzugehen, führte das Projektteam ein webbasiertes Annotationstool ein, das nahtlos in die bestehenden Workflows der Underwriter integriert ist. Wenn Underwriter Einreichungen und Dokumente prüfen, fordert das Tool sie auf, relevante Felder und Datenpunkte zu annotieren, ähnlich wie Google Captchas zur Überprüfung durch Menschen verwendet.

Dieser Human-in-the-Loop-Ansatz ermöglicht es den Underwritern, mühelos ihr Fachwissen beizutragen, während sie ihre regulären Aufgaben erledigen. Die annotierten Daten werden dann verwendet, um Machine-Learning-Modelle für die Entitätsextraktion, Klassifizierung und Entscheidungsunterstützung zu trainieren und so eine effektivere Automatisierung der Underwriting-Prozesse zu ermöglichen.

Hauptmerkmale und Vorteile

• Nahtlose Integration: Das Annotationstool ist so konzipiert, dass es nahtlos in die bestehenden Prozesse der Underwriter passt, um Störungen zu minimieren und eine hohe Akzeptanz zu gewährleisten.
• Wissenserfassung im großen Maßstab: Durch die Nutzung des kollektiven Fachwissens der Underwriter in der gesamten Organisation erfasst und konsolidiert die Lösung Underwriting-Wissen in einem bisher nicht gekannten Umfang.
• Kontinuierliches Lernen: Je mehr Daten die Underwriter im Laufe der Zeit annotieren, desto mehr verbessern sich die Machine-Learning-Modelle und ermöglichen höhere Automatisierungs- und Entscheidungsunterstützungsstufen.
• Wissensbewahrung: Das erfasste Underwriting-Wissen wird systematisch dokumentiert und bewahrt, wodurch das Risiko von Wissensverlusten durch Mitarbeiterfluktuation gemindert wird.

Messbare Auswirkungen

eit der Implementierung der Human-in-the-Loop-Lösung für die Dokumentenautomatisierung hat der Versicherungsanbieter erhebliche Effizienzsteigerungen in seinen Underwriting-Prozessen erfahren:

• 25% Reduzierung der Underwriting-Zykluszeiten: Durch die Automatisierung von Routineaufgaben und die Bereitstellung intelligenter Entscheidungsunterstützung können sich Underwriter auf komplexere Fälle konzentrieren, was zu kürzeren Bearbeitungszeiten führt.
• 40% Rückgang der Underwriting-Fehler: Die mit Experten-annotierten Daten trainierten Machine-Learning-Modelle können potenzielle Fehler oder Inkonsistenzen identifizieren und melden, wodurch die Gesamtgenauigkeit der Underwriting-Entscheidungen verbessert wird.
• Verbesserte Wissensbewahrung und Skalierbarkeit: Das erfasste Underwriting-Wissen ist jetzt zentralisiert und zugänglich, was einen besseren Wissenstransfer und eine bessere Skalierbarkeit ermöglicht, wenn das Unternehmen wächst.

Durch die Nutzung der Stärken von Human-in-the-Loop-Machine-Learning und nahtloser Workflow-Integration hat der Versicherungsanbieter die Herausforderung der Bewahrung von Underwriting-Wissen erfolgreich angegangen und den Weg für eine effektivere Automatisierung und kontinuierliche Prozessverbesserung geebnet.