Anonyme et omniprésente, la fraude est l’ennemi numéro 1 des compagnies d’assurance. Le dernier rapport de l’ALFA (Agence pour le Lutte contre la Fraude à l'Assurance) est sans appel : en France, 5% des primes versées, soit environ 2,5 milliards sont versées indûment. Allié à l’analyse prédictive, le data mining est le nouveau pari (et nouvel investissement) à faire pour repérer les déclarations frauduleuses en amont des remboursements et ainsi endiguer cette saignée financière.
Data mining et Assurance : comment ça marche ?
Le data mining se (re)découvre aujourd’hui des applications infinies dans le secteur de l’assurance. Cette technologie big data permet de croiser une quantité de données colossales qui, interprétées d’un point de vue lutte contre la fraude, livrent des informations intéressantes. Des axes d’analyse orientés en ce sens sont identifiés :
- Axe géographique : distance domicile - lieu du sinistre, éloignement d’un médecin dans un grand nombre d’actes indemnisés
- Axe moyenne : irrégularité dans le nombre de prestations, CA d’un opticien ou d’une pharmacie anormal par rapport à la norme locale
- Axe sémantique : analyse des mots ou structure de phrase utilisés dans la déclaration, écrite ou orale, d’un sinistre, récurrence d’un sinistre
- Axe coordonnées et données assurantielles : liens entre différentes personnes par le lieu de résidence, l’âge des enfants, les caractéristiques de biens similaires assurés (voiture, logement, activité)
Actuellement, l’historique des données ainsi constitué permet aux analystes d’élaborer des modèles de fraude. Ces modèles sont ensuite utilisés pour prédire la probabilité qu’une déclaration de sinistre soit frauduleuse, déclenchant une investigation interne - après versement partiel ou total des indemnités. Malheureusement, cette analyse a posteriori ne permet de récupérer qu’une petite partie des 2,5 milliards de fraude - environ 350M€ en 2016, soit 14% des pertes.
Moyens humains insuffisants, manque d’investissement dans les technologies associées, le data mining au service de la fraude est encore sous-exploité. Quelles sont alors les actions à mener pour échapper à cet état de fait ?
3 actions à mettre en place pour endiguer la fraude
1/ Analyser les données en temps réel
Le premier enjeu réside dans la capacité à ne plus payer les sinistres frauduleux a posteriori, pour ne pas subir la double peine. Pour ce faire, il est essentiel de suivre les données des sinistres à mesure qu’elles entrent dans le système et de pouvoir les analyser en temps réel. L’exploitation et le tri de ces opérations en temps réel doit faire l’objet de règles et stratégies mises en place au préalable, en se basant notamment sur les modèles prédictifs suivis dans le processus actuel.
2/ Générer des alertes associées et interaction
Le deuxième enjeu repose sur la capacité d’exploitation de ces données récupérées en temps réel. Un processus doit ainsi être mis en place pour provoquer des actions dans les différents systèmes d’information et générer des alertes à destination des préposés afin qu’une enquête soit réalisée. Les alertes sont automatisées, basées sur des règles stratégiques définies en amont et appliquées au moment de l’ingestion et de l’indexation des données.
Dans une démarche de fiabilisation et d’exploitation optimale des données, il est essentiel de coupler ces alertes à une architecture permettant une interaction forte entre les différents SI.
3/ Centraliser les informations
Le troisième enjeu est ici d’être en mesure de restituer l’ensemble des données disponibles dans un temps limité et dans un espace défini afin de créer les conditions pour rendre un verdict motivé. Un espace centralisé, facile d’accès et d’utilisation, permettant différentes visions (synthétique, détaillé, graphique, par axe) doit être mis à disposition des utilisateurs. Toute vision additionnelle proposée sera mise au service de la découverte de nouvelle fraude, mettant en lumière, par exemple, des connexions jusqu’ici insoupçonnées.
L’enjeu que représente la lutte contre la fraude est aujourd’hui trop important pour que l’opportunité des promesses technologiques du data mining ne soient pas considérées.
Eugénie SANTO, mc2i Groupe
Data mining et Assurance : comment ça marche ?
Le data mining se (re)découvre aujourd’hui des applications infinies dans le secteur de l’assurance. Cette technologie big data permet de croiser une quantité de données colossales qui, interprétées d’un point de vue lutte contre la fraude, livrent des informations intéressantes. Des axes d’analyse orientés en ce sens sont identifiés :
- Axe géographique : distance domicile - lieu du sinistre, éloignement d’un médecin dans un grand nombre d’actes indemnisés
- Axe moyenne : irrégularité dans le nombre de prestations, CA d’un opticien ou d’une pharmacie anormal par rapport à la norme locale
- Axe sémantique : analyse des mots ou structure de phrase utilisés dans la déclaration, écrite ou orale, d’un sinistre, récurrence d’un sinistre
- Axe coordonnées et données assurantielles : liens entre différentes personnes par le lieu de résidence, l’âge des enfants, les caractéristiques de biens similaires assurés (voiture, logement, activité)
Actuellement, l’historique des données ainsi constitué permet aux analystes d’élaborer des modèles de fraude. Ces modèles sont ensuite utilisés pour prédire la probabilité qu’une déclaration de sinistre soit frauduleuse, déclenchant une investigation interne - après versement partiel ou total des indemnités. Malheureusement, cette analyse a posteriori ne permet de récupérer qu’une petite partie des 2,5 milliards de fraude - environ 350M€ en 2016, soit 14% des pertes.
Moyens humains insuffisants, manque d’investissement dans les technologies associées, le data mining au service de la fraude est encore sous-exploité. Quelles sont alors les actions à mener pour échapper à cet état de fait ?
3 actions à mettre en place pour endiguer la fraude
1/ Analyser les données en temps réel
Le premier enjeu réside dans la capacité à ne plus payer les sinistres frauduleux a posteriori, pour ne pas subir la double peine. Pour ce faire, il est essentiel de suivre les données des sinistres à mesure qu’elles entrent dans le système et de pouvoir les analyser en temps réel. L’exploitation et le tri de ces opérations en temps réel doit faire l’objet de règles et stratégies mises en place au préalable, en se basant notamment sur les modèles prédictifs suivis dans le processus actuel.
2/ Générer des alertes associées et interaction
Le deuxième enjeu repose sur la capacité d’exploitation de ces données récupérées en temps réel. Un processus doit ainsi être mis en place pour provoquer des actions dans les différents systèmes d’information et générer des alertes à destination des préposés afin qu’une enquête soit réalisée. Les alertes sont automatisées, basées sur des règles stratégiques définies en amont et appliquées au moment de l’ingestion et de l’indexation des données.
Dans une démarche de fiabilisation et d’exploitation optimale des données, il est essentiel de coupler ces alertes à une architecture permettant une interaction forte entre les différents SI.
3/ Centraliser les informations
Le troisième enjeu est ici d’être en mesure de restituer l’ensemble des données disponibles dans un temps limité et dans un espace défini afin de créer les conditions pour rendre un verdict motivé. Un espace centralisé, facile d’accès et d’utilisation, permettant différentes visions (synthétique, détaillé, graphique, par axe) doit être mis à disposition des utilisateurs. Toute vision additionnelle proposée sera mise au service de la découverte de nouvelle fraude, mettant en lumière, par exemple, des connexions jusqu’ici insoupçonnées.
L’enjeu que représente la lutte contre la fraude est aujourd’hui trop important pour que l’opportunité des promesses technologiques du data mining ne soient pas considérées.
Eugénie SANTO, mc2i Groupe
Les médias du groupe Finyear
Lisez gratuitement :
FINYEAR
Le quotidien Finyear :
- Finyear Quotidien
Sa newsletter quotidienne :
- Finyear Newsletter
Recevez chaque matin par mail la newsletter Finyear, une sélection quotidienne des meilleures infos et expertises en Finance innovation & Digital transformation.
Ses 4 lettres mensuelles digitales :
- Le Directeur Financier
- Le Trésorier
- Le Credit Manager
- The Chief Digital Officer
Finyear magazine trimestriel digital :
- Finyear Magazine
Un seul formulaire d'abonnement pour choisir de recevoir un ou plusieurs médias Finyear
BLOCKCHAIN DAILY NEWS
Le quotidien Blockchain Daily News :
- Blockchain Daily News
Sa newsletter quotidienne :
- Blockchain Daily News Newsletter
Recevez chaque matin par mail la newsletter Blockchain daily News, une sélection quotidienne des meilleures infos et expertises en Blockchain révolution.
Sa lettre mensuelle digitale :
- The Chief Blockchain Officer
FINYEAR
Le quotidien Finyear :
- Finyear Quotidien
Sa newsletter quotidienne :
- Finyear Newsletter
Recevez chaque matin par mail la newsletter Finyear, une sélection quotidienne des meilleures infos et expertises en Finance innovation & Digital transformation.
Ses 4 lettres mensuelles digitales :
- Le Directeur Financier
- Le Trésorier
- Le Credit Manager
- The Chief Digital Officer
Finyear magazine trimestriel digital :
- Finyear Magazine
Un seul formulaire d'abonnement pour choisir de recevoir un ou plusieurs médias Finyear
BLOCKCHAIN DAILY NEWS
Le quotidien Blockchain Daily News :
- Blockchain Daily News
Sa newsletter quotidienne :
- Blockchain Daily News Newsletter
Recevez chaque matin par mail la newsletter Blockchain daily News, une sélection quotidienne des meilleures infos et expertises en Blockchain révolution.
Sa lettre mensuelle digitale :
- The Chief Blockchain Officer