Hoe controleert de verzekeraar jouw claim?

De Formule Verzekeraars bepalen automatisch of je claim uitbetaald kan worden. Wat zijn de regels? Tip: ’s nachts een schade opgeven is geen goed idee.

Illustratie Midas van Son

Je koffer gestolen, een deuk in je auto, je fiets verdwenen: wie een schade meldt bij de verzekering krijgt vaak meteen zijn geld. Een kwestie van een online formulier invullen en wachten op ‘oké’. Achter de schermen worden de claims getoetst door geautomatiseerde systemen. Hoe werken die?

Een simpele regel, die bij elke verzekeraar geldt, is het grensbedrag waarboven controle plaatsheeft: 500 euro bij een fiets, 1.000 euro voor autoschade. Van zulke zwart-witregeltjes heeft elke verzekeraar er tientallen. Ook als je binnen korte tijd dezelfde schade claimt, gaat er een rood lampje branden.

Erg fijnmazig zijn zulke formules niet. Schade-experts zijn daarom toch veel tijd kwijt aan het onderzoeken van legitieme claims. Terwijl de verzekeraar klanten liever niet onnodig lang op hun geld laat wachten.

Zo’n grensbedrag werkt wel fraude met lagere bedragen in de hand, van mensen die zo onder de radar denken te blijven. Steekproeven vangen een deel daarvan op, maar het kost veel inspanning voor een relatief klein bedrag.

De oplossing: beschikbare data beter gebruiken. De Amerikaanse verzekeraar Lemonade beoordeelt bijvoorbeeld met zelflerende software schadeclaims van honderdduizenden woningbezitters. Nederland is nog niet zo ver met insurtech, maar de schadeafhandeling wordt wel geavanceerder.

Neem het Claims Management Filter. Grote verzekeraars behandelen met deze software jaarlijks meer dan een miljoen Nederlandse schadeclaims, met name op auto-, storm- en reispolissen.

Het filter is ontwikkeld door een klein bedrijf uit Gouda, Posthuma Partners. De software combineert eigen regels van verzekeraars met een systeem dat patronen zoekt in data van de afgelopen drie jaar. Het gaat om data van verzekerde ‘objecten’, niet om gegevens van de polishouder.

Marc Dijkstra, mede-eigenaar van Posthuma Partners, laat zien hoe het werkt. „Als jij een autoschade invoert, weten wij wat voor schade je logischerwijs mag verwachten. Als een Audi van achteren wordt aangereden door een blauwe Golf, weten wij dat een schade van 3.000 euro heel normaal is.” Die claim kan worden goedgekeurd, ook al is het grensbedrag overschreden.

Het statistisch model ziet patronen die voor een mens onzichtbaar blijven. Als je maar genoeg data hebt, zie je dat de kleur van een auto een voorspellende waarde heeft: rode Ferrari’s veroorzaken verhoudingsgewijs meer schade dan zwarte, weet Dijkstra. „Dat is per merk verschillend, en het verschilt per verzekeraar.”

Opgeblazen schade

„Pluis of niet pluis”, dat zoekt het filter uit. Het levert de verzekeraar drie scores op: een op basis van de eigen regels, een andere op basis van statistiek, én een vergelijking met de hele verzekeringsmarkt op basis van geanonimiseerde data.

Niet pluis – dat kan fraude zijn of een foutje. In de databases van verzekeraars zitten geregeld foutjes, zegt Dijkstra: „Je kunt Renault op twintig manieren schrijven.”

De software controleert alle ingediende claims, niet alleen de verdachte. „De branche blaast schade door fraude vaak enorm op. Wij gaan uit van 1,5 tot 2 procent.”

Het filter krijgt te weten of een advies wordt opgevolgd. Daar wordt het model eronder ook wat slimmer van.

Het Claims Management Filter geeft per beoordeelde claim een kleurcode af met een korte verklaring. Bij autoschades krijgt 50 tot 60 procent van de claims groen licht, 30 procent is een ‘beetje raar’ en 10 procent moet onderzocht worden. Het is een advies, maar er zijn verzekeraars die op basis daarvan geautomatiseerd uitbetalen. Daar is Dijkstra geen voorstander van. „Er moet een mens tussen zitten.”

Lees ook: Verzekeraar wil ‘black box’ in elke auto

Dijkstra, die vroeger voor verzekeraar Aegon werkte, belooft schadeverzekeraars dat ze met zijn systeem 1 à 2 procent minder kwijt zijn aan uitkeringen. Toch prefereren sommige hun eigen systeem, met starre regels. „Als er een grote storm is geweest, zeggen verzekeraars: ‘Tot 2.500 euro keren we alles uit.’ Ons systeem ziet dat een schade van 8.000 euro terecht kan zijn. Die mensen hoeven helemaal niet te wachten op hun geld. En we zien ook dat een claim van 600 euro eigenlijk een omgevallen tuinhekje is dat helemaal niet vergoed hoeft te worden.”

Het FuN-systeem

Bij verzekeraar Unigarant hanteren ze een eigen systeem om claims te filteren. Michel Blokzijl gaat over FuN, de interne naam voor het project Fraude en Naselectie. Dit filter toetst schadeclaims op meer dan vijftig variabelen. Unigarant laat dagelijks een lijst met vijftig ‘meest verdachte’ claims uitdraaien. „Een op de vijf gevallen blijkt onderzoekswaardig en meestal frauduleus”, zegt Blokzijl.

De variabelen heeft Unigarant zelf bedacht, gebaseerd op frequente fraudegevallen zoals opzettelijke aanrijdingen of geënsceneerde fietsdiefstal.

Ook controleert het FuN-filter op restitutiefraude. Dat is een oplichtingstruc waarbij een nieuwe klant een duur verzekeringspakket neemt, onder een valse naam. Binnen de wettelijke bedenktijd wordt de polis opgezegd, waarna de jaarpremie wordt teruggestort – voordat die betaald is. Andere zaken waarop gelet wordt: iemands verzekeringsgeschiedenis, en of het bankrekeningnummer voor andere claims is gebruikt – het kan gaan om een katvanger.

Sinds kort experimenteert Unigarant met machine learning – zelflerende software – om claims te toetsen. Voor een test nam de verzekeraar alle claims van 2017. De ontdekte fraudedossiers van dat jaar werden gebruikt om het model te trainen. Vervolgens genereerde de computer uit alle claims een lijst met honderd mogelijke fraudegevallen. Daarvan bleken er bij nadere controle tachtig frauduleus.

Vier van de vijf verdachte claims bleken dus vals … is de computer nu de beste controleur? „Inmiddels wel”, zegt Blokzijl. „Omdat we het algoritme trainden op relatief weinig data, hebben we het moeten verrijken met onze eigen regels.”

Het algoritme kan nog niet verklaren waarom claims verdacht zijn, wat bij een regelsysteem gebaseerd op de ervaring van de verzekeraar direct duidelijk is. Dat betekent veel werk voor menselijke controleurs. Het algoritme wordt aangescherpt om ook grotere aantallen claims met voldoende zekerheid te beoordelen. Het zal in januari in werking treden.

De switch

Simpele en duidelijke claims moeten zo snel mogelijk „door de goot”, zegt Frank Kramer. Hij ontwikkelt IT-systemen voor de digitale schadeafhandeling bij Unigarant. Hoe efficiënter de afwikkeling, hoe sneller klanten geholpen zijn.

Eind 2015 maakte Unigarant de switch van werken vanuit wantrouwen naar werken vanuit vertrouwen. „Veruit de meeste van onze klanten zijn eerlijk. Voor die tijd zaten de digitale aangifteformulieren vol controlevragen om fraude uit te sluiten. Ons fraudepercentage is 2. Waarom zou je 98 procent van je klanten lastigvallen met overbodig onderzoek en een stroperig proces?”

Bij reisverzekeringen, met relatief lage schadebedragen, keurt Unigarant 40 procent van de claims meteen goed. Het is de bedoeling dat dit 60 procent wordt.

Loopt de schadelast dan niet enorm op? Kramer: „We hebben met terugwerkende kracht gekeken wat het zou kosten als we alle claims binnen het grensbedrag ongezien hadden goedgekeurd. Het schadebedrag over 2017 bleek onderaan de streep hetzelfde. Toen we het nader gingen onderzoeken, bleek dat de ene groep klanten 150.000 euro te veel had gekregen en een andere groep 150.000 euro te weinig. Claims moeten dus wel individueel beoordeeld worden.”

Machine learning kan dat proces verbeteren, denkt Unigarant. Rijkere klantenprofielen helpen daarbij. Zo kun je, afhankelijk van het type klant, het grensbedrag waaronder je direct uitkeert aanpassen. Zulke intelligentie zit nog niet in het systeem.

Een andere logische optie: rekening houden met risico’s die ook al meetellen bij het vaststellen van de premie. Zo heeft Unigarant drie tarieven voor fietsverzekeringen, afhankelijk van de provincie waar je woont. Kramer: „We weten dat er in Zuid-Limburg verhoudingsgewijs veel fietsen worden gestolen. Toch kijken we niet kritischer naar claims van fietsendiefstallen uit Zuid-Limburg. Dat is raar.”

Vragen of tips: mail naar formule@nrc.nl

Hoe algoritmes ons dagelijks leven bepalen

Ons leven wordt bestuurd door algoritmes, regeltjes achter de schermen. Deze wiskundige formules, gevoed door grote hoeveelheden data, sturen onze selectie van nieuws, entertainment en aankopen, vissen automatisch dieven en verdachten uit de massa. Lees de inleiding: Hoe algoritmes ons dagelijks leven sturen ›

Vervoer

Techbedrijven zijn dol op locatiedata en bewegings­gegevens, hoe gedetailleerder hoe beter. Zo ‘ziet’ Google hoe lang mensen op zoek zijn naar een parkeerplaats en leert Apple van je iPhone waar je werkt. Je kunt bewijzen dat je veilig rijdt en erop vertrouwen dat je om de file geleid wordt, of de snelste liftcabine voorgeschoteld krijgt. Maar welke algoritmes bepalen wat veilig is of wie er voorrang krijgt in de de file of in lift?

Lees ook:

  1. Hoe omzeilt TomTom de files?
  2. Hoe bepaalt de verzekeraar hoe veilig jij rijdt?
  3. Hoe bepaalt de lift wie voorrang krijgt?
  4. Hoe weet Google hoe lang je moet wachten?

Media

Kun je smaak in statistiek vatten? De grote streaming-diensten doen niet anders. Ze proberen een breed publiek inhoud op maat aan te bieden met behulp van algoritmes. Spotify en Netflix doen het door mensen met dezelfde voorkeuren te clusteren. Nieuwsdienst Blendle probeert er juist voor te zorgen dat je andere dingen ziet dan je zou verwachten. Apple laat personificatie grotendeels achterwege: Apple News is gebaseerd op locatie, niet of nauwelijks op je klikgedrag.

Lees ook:

  1. Hoe weet Netflix welke serie je wilt zien?
  2. Hoe weet Blendle wat jij wilt lezen?
  3. Hoe stelt Apple jouw nieuws samen?
  4. Waarom is dit het volgende liedje dat Spotify je laat horen?

Shoppen

Amazon is de webwinkel die groot werd met het doen van aanbevelingen op basis van wat anderen kochten. Wat zijn de trucs waarmee online winkels en reisbureaus je tot een aankoop verlokken? Achter de schermen wordt consumentengedrag in datapatronen gegoten, om beter in te schatten wat je wilt of hoe je te beïnvloeden bent. Ieder mens is uniek, maar bij elkaar zijn we toch redelijk voorspelbaar.

Lees ook:

  1. Hoe verleidt Booking.com je snel een hotelkamer te boeken?
  2. Hoe weet Bol.com wat je wilt kopen?
  3. Retargeting: hoe lang blijven mijn schoenen me achtervolgen?
  4. Hoe Facebook advertenties héél precies op maat maakt
  5. Hoe wordt je kredietscore berekend?
  6. Hoe passen winkels automatisch hun prijzen aan?
  7. Hoe wordt de prijs van je vliegticket bepaald?

Fraude

Algoritmes zijn bij uitstek geschikt om conclusies te trekken uit grote hoeveelheden data. Daardoor kunnen ze sneller ‘verdachte’ elementen opsporen, of het nou gaat om betalingsverkeer, uitkeringsgerechtigden of winkeldiefstal. De regels voor wat nou eigenlijk verdacht gedrag is, worden echter wel door mensen bepaald.

Lees ook:

  1. Hoe beschermt de bank je tegen oplichters?
  2. Hoe controleert de gemeente of jij fraudeert?
  3. Hoe bepaalt de zelfscankassa welke klanten gecontroleerd worden?
  4. Hoe ziet de computer of je liegt?
  5. Hoe controleert de verzekeraar jouw claim?

Redactie Marc Hijink en Eva de Valk, animatie Midas van Son, Harrison van der Vliet en Elze van Driel, illustraties Midas van Son, vorm Koen Smeets.

Naar aanleiding van deze productie organiseerde NRC op donderdag 12 april 2018 een avond in Pakhuis de Zwijger in Amsterdam. Terugkijken kan hier.