Daten sind nicht erst seit dem digitalen Zeitalter allgegenwärtig. Allerdings sind Datenflüsse aktuell größer und komplexer als jemals zuvor. Ob von Unternehmen zu Unternehmen, Kunde zu Unternehmen, oder umgekehrt – täglich bewegen sich Unmengen an Daten.
Auch wenn die Kommunikationswege immer mehr standardisiert werden, sind wir (leider) noch weit von einem vollständig strukturierten Datenaustausch entfernt. Jeder hat wahrscheinlich schon einmal Rechnungen eingescannt und seiner Versicherung geschickt – soweit, so normal heutzutage. Nimmt man beispielhaft einen Kfz-Schaden, so liegen Werkstätten die Daten meist strukturiert vor, die Versicherung muss diese Daten aus der Datei aber oft wieder (neu) erfassen, um sie verwenden zu können. Im Bereich Personenschaden sehen wir sogar, dass der wichtigste Kommunikationsweg immer noch das Fax (gefolgt von der Post) ist.
Um mit diesen Herausforderungen umzugehen hat sich das Inputmanagement als zentraler Prozessschritt etabliert, um den Eingangsfluss von Informationen, Dokumenten und Daten zu organisieren, zu optimieren und zu kontrollieren. Dabei gilt: Je datenintensiver Prozesse, desto notwendiger ist effizientes Inputmanagement. Die Versicherungsbranche kann man definitiv als datenintensiv bezeichnen – tagtäglich laufen unzählige Informationen zusammen, die gemanaged werden müssen.
In diesem Artikel stellen wir daher das Thema Inputmanagement vor und präsentieren, welche Möglichkeiten Intelligent Document Processing (IDP), also die Integration von künstlicher Intelligenz, hier bietet.
Was ist Inputmanagement?
Eine täuschend leichte Frage, mit einer gar nicht so leichten Antwort. Schaut man auf den Namen, geht es darum, nunja – Input (engl. für Eingabe, Einspeisung) zu managen. Konkret: Bei Inputmanagement handelt es sich um das Vorgehen zur digitalen Erfassung und Verarbeitung von geschäftsrelevanten Daten sowie die dazugehörige Auswahl von geeigneter Hard- und Software und die Anbindung an nachgelagerte (Geschäfts)Prozesse.
Erfasst werden im Input Management strukturierte oder unstrukturierte Daten aus unterschiedlichen Quellen (z.B. PDF, TIFF, JPEG, papierbasierte Dokumente, etc.), um diese für die Weiterverarbeitung in Informationssystemen bereitzustellen.
Ziel und Herausforderung zugleich ist es im Inputmanagement, Informationen aus unterschiedlichen Kanälen und Quellen einheitlich und strukturiert zu erfassen und automatisch weiterzuleiten. Verschiedene Formate und Quellen werden zusammengeführt und mit den strukturierten Informationen der Fachsysteme verbunden.
In einfachen Worten: Input Management sorgt dafür, dass relevante Informationen aus unterschiedlichen Quellen erfasst und für die weitere Verarbeitung digital verfügbar gemacht werden. Es regelt, wie Daten oder Informationen aufgenommen, organisiert und verwaltet werden, um effiziente Arbeitsabläufe und eine optimale Nutzung von Ressourcen zu gewährleisten.
Schritte im Inputmanagement
Das Vorgehen im Inputmanagement lässt sich grob in fünf Schritte unterteilen:
- Digitalisierung: In Papierform vorliegende Dokumente werden eingescannt und Text in den Dokument wird mittels OCR (Optical Character Recognition) oder ICR (Intelligent Character Recognition) erkannt und in das Dokument integriert.
- Kontrolle: Darauf folgt (optional) eine Kontrolle, ob der Informationstransfer korrekt gelungen ist.
- Klassifikation und Extraktion: Die vorliegenden Dokumente werden klassifiziert und relevante Informationen werden extrahiert.
- Routing: Abschließend erfolgt die Weiterleitung der Informationen an nachgelagerte Prozesse, DMS (Dokumentenmanagementsysteme) oder Personen.
Herausforderungen
Während die bis hierher geschilderte digitale Form des Inputmanagements definitiv bereits einen enormer Schritt nach vorne von der klassischen, vollmanuellen und papierbasierten Dokumenten- und Datenverwaltung bedeutet, gibt es dennoch eine Reihe an Herausforderungen, mit denen auch sie sich konfrontiert sieht. Diese sind:
- Steigende Datenmengen: Dieses Problem haben wir bereits angeschnitten. Immense Mengen täglich, stündlich, sogar minütlich eingehender Daten, und die Tendenz zeigt nach oben. Mehr Daten bedeuten mehr Komplexität und auch mehr Aufwand, um sie zu managen.
- Fachkräftemangel: Der ist nichts neues, zeigt aber auch hier seine Wirkung. Die Folge: Weniger (nachrückendes) Personal, das – trotz aller Digitalisierung – notwendige manuelle und qualitätskritische Schritte abwickelt.
- Höhere Kundenerwartungen: In Zeiten von Amazon & Co. sind Menschen lange Wartezeiten nicht mehr gewohnt. Auch bei Versicherern steigen also die Erwartungen an Geschwindigkeit – kein Versicherungsnehmer möchte lange auf die Bearbeitung seines Anliegens und insbesondere die Rückzahlung seiner Aufwände warten.
Was ist Intelligent Document Processing (IDP)?
Gibt es einen Weg, diesen Herausforderungen zu begegnen? Potenziell ja: Intelligent Document Processing (IDP) – eine intelligente Dokumentenverarbeitung, die KI in diesen Prozess des Inputmanagements integriert.
KI ist an dieser Stelle ein recht weitreichender Begriff. Konkret gemeint sind Machine Learning (ML), Natural Language Processing (NLP), Optical Character Recognition (OCR) und Intelligent Character Recognition (ICR), aber jetzt auch immer mehr der Einsatz von Large Language Modellen (LLMs), die gleiche Technologie, die z.B. bei ChatGPT eingesetzt wird.
Diese Technologien werden kombiniert, um menschenähnliche Fähigkeiten beim Identifizieren, Kontextualisieren und (Weiter)Verarbeiten von Dokumenten zu simulieren. Im Anschluss ermöglicht IDP vordefinierte Aktionen wie die Klassifizierung, die Extraktion von Schlüsselinformationen und den Export in nachgelagerte Anwendungen. Die umgewandelten Dokumente und Daten liegen in einem kategorisierten und maschinenlernfähigen Format vor, das von anderen Softwaretools verstanden und weiterverwendet werden kann.
Dadurch sollen wiederkehrende manuelle (Umwandlungs-)Aufgaben reduziert und Genauigkeit erhöht werden.
Ausblick
Aktuell folgen KI und Maschine Learning im Inputmanagement größtenteils regelbasierten Ansätzen. Diese Ansätze sind nicht per se schlechter. Grade bei standardisierten Dokumenten können sie eine sehr gute Qualität bei geringem Rechenaufwand liefern. Andererseits sind sowohl ein hoher initialer Trainingsaufwand als auch aufwendiges Nachtraining bei Änderungen in den Dokumentenstrukturen notwendig. Gleichzeitig sind diese Technologien beinahe nicht einsetzbar, wenn diverse Dokumentenstrukturen vorhanden sind.
Die aktuellen Entwicklungen im Bereich der KI, insbesondere auch von Large Language Models (LLMs) bieten hier generalistische Modelle, die ein grundsätzliches Text- und Kontextverständnis bieten. Die Nutzung dieser Modelle im Inputmanagement birgt mehrere Potenziale.
- Einfaches Anlernen neuer Dokumentenarten mit wenigen Beispieldaten
- Gute Leistung bei unterschiedlich aussehenden Dokumenten
- Hohe Datenqualität
Fazit
Löst Inputmanagement bzw. IDP alle Probleme, mit denen sich Unternehmen aktuell herumschlagen? Nein, aber es entlastet und verschlankt Prozesse und hebt Potenziale bei der Optimierung und Automatisierung. Die Integration von KI in das Inputmanagement kann dabei bestehende Systeme effizienter machen oder ermöglicht auch erst eine maschinelle Verarbeitung. Dadurch ergeben sich neue Chancen, Potenziale voll auszuschöpfen, ohne dass es zu Qualitätseinbußen kommt.
