Recommender-Systeme für die Rechnungsstellung

Bei der Abrechnung von Leistungen sehen sich Heilberufe und Dienstleister gegenüber Versicherungen mit vielen Regularien konfrontiert. Beispielsweise hat jede Versicherung ein eigenes Leistungsverzeichnis, in das die erbrachten Leistungen, Reparaturen oder Instandsetzungen einsortiert werden müssen. Sind bei der einen Versicherung viele Arbeitsschritte einer Leistung pauschal mit einem Rechnungsposten abgegolten, so müssen bei einer anderen Versicherung diese vielleicht als getrennte Positionen abgerechnet werden. Diese Unterschiede machen die Rechnungsstellung arbeitsintensiv und fehleranfällig. Zudem ist jede nicht abgerechnete Leistung ein monetärer Verlust.

Ein erster Ansatz diese Situation zu verbessern ist die Implementierung eines Vorschlagssystems. Ähnlich den Kaufvorschlägen im Onlinehandel ("andere Kunden kauften auch ...") können dem Sachbearbeiter abhängig vom Sachverhalt und den bereits hinzugefügten Rechnungspositionen weitere Vorschläge unterbreitet werden.

Für diese Vorschläge können die Daten der Vergangenheit als Basis genommen werden. Neben den verschiedenen Leistungsverzeichnissen der verschiedenen Versicherungen, die den Datenbestand bereits sehr fragmentieren, kommt erschwerend hinzu, dass sich die Verzeichnisse zudem jährlich ändern und die Daten, aus denen Vorschläge generiert werden können, weiter einschränken.

In diesem Vortrag wollen wir unsere Erfahrung mit verschieden Lösungsansätzen für diese Herausforderung vorstellen. Von rein statistischen Verfahren, über Autoencoder bis hin zum tiefen Lernen beschreiben wir die Modellierung der Problemstellung, die Qualität der Vorschläge und die Vor- und Nachteile der Verfahren.

Vorkenntnisse

Keine speziellen Vorkenntnisse nötig.

Lernziele

Bewertung von verschiedenen Ansätzen für ein Vorschlagssystem in der Rechnungsstellung

 

Speaker

 

Harald Bosch
Harald Bosch arbeitet als Senior Consultant bei der Novatec Consulting GmbH. In seiner über zehnjährigen IT-Karriere hat er seinen Master in Wirtschaftsinformatik an der Uni Stuttgart abgeschlossen, am Institut „Visualisierung und Interaktive Systeme“ promoviert und sich dann 2016 mit seiner Firma „ScatterBlogs“ selbstständig gemacht. Sein Themenschwerpunkt als Doktorand lag dabei auf dem Thema Visual Analytics, der Verbindung von Mensch-Maschine-Kommunikation, Informationsvisualisierung und automatischer Datenanalyse. Als Topic Lead für Machine Learning bei der Novatec gestaltet er neben seiner Projektarbeit auch PoCs und Schulungen.

Gold-Sponsor

Novatec

Silber-Sponsoren

ETECTURE
inovex
inovex
HO Computer
Intel
Phytec

Bronze-Sponsoren

M3-Newsletter

Sie möchten über die Minds Mastering Machines
auf dem Laufenden gehalten werden?

 

Anmelden