Opdagelse af svindel: maskine eller menneske?

Af Ian Carman, direktør, britiske efterforskningstjenester

Kunstig intelligens (AI) og maskinlæringsteknologier er meget nyttige til at opdage mistænkelig adfærd og aktiviteter.

Imidlertid er identifikation af forsikringssvindel og validering af krav stadig et område, hvor teknologien kræver menneskelig indgriben.

Det er ikke nødvendigvis maskinemodmenneske; faktisk går de hånd i hånd. Når man gennemgår utallige krav, retsmedicinsk billedanalyse og prædiktiv analyse, vil man opdage, at dette er ting, som skadesbehandlere eller bedrageriundersøgere ikke ville være i stand til at gøre med samme hastighed og nøjagtighed. Teknologien reducerer med succes falske positiver og giver pålidelige resultater, samtidig med at den fremskynder bedrageriscreeningsprocessen.

Blandet tilgang

Der findes ikke én løsning til at identificere mistænkelige krav, og derfor er der behov for en kombineret tilgang – hvor man bruger teknologi til hurtigt at behandle store mængder, AI til at identificere mistænkelige mønstre og adfærdsvidenskab til at hjælpe med at håndtere diskussioner med kunden. AI træffer ikke beslutninger, men den peger kravbehandlere og efterforskere i den rigtige retning. Ved hurtigt at genkende bekymringer kan AI hjælpe med at identificere specifikke problemer, der fremhæver kravet som værende værd at undersøge. Der vil altid være behov for en bedrageriundersøger til at behandle resultatet. For ikke at nævne, at mængden af data fordobles efter et virtuelt eller fysisk besøg, hvilket understreger vigtigheden af individuelle undersøgelser.

Det er en følsom opgave at afsløre forsikringstageres svindel, og det kræver stærke evner inden for samtaleledelse – understøttet af digital stemmerisikoanalyse. Det skal være en omhyggeligt styret proces – struktureret på en sådan måde, at svindleren ved, hvornår han er blevet afsløret. Oftest vil han vælge at trække sig fra kravet – en reaktion, som forsikringsselskabet derefter kan vurdere i hvert enkelt tilfælde.

Bredere landskab

Der opstår også konstant nye tendenser, hvor svindlere hele tiden finder alternative måder at begå svindel på. Heldigvis giver teknologien os nu mulighed for at afsløre nye aktivitetsstigninger på et meget tidligt stadium. Maskinlæring kan endda opdage opportunistisk svindel – for eksempel ved at registrere, hvor kunderne begynder at indse og udnytte skadestærskler. I forbindelse med erstatningssager og personskadesager kan teknologien ud over de klassiske svindelmønstre også opdage advokater og læger med de samme forbindelser, henvise til indlæg på sociale medier og samle alt for at udpege potentielt svigagtig adfærd.

AI ser på det bredere billede og tager et big data-perspektiv på svigagtig adfærd – fra overdrevne krav til sofistikeret organiseret kriminalitet – sammenlignet med, hvad der sker på markedet. Anvendelsen af disse nye teknologier gør svigbekæmpelsesteams mere effektive og sikrer, at efterforskernes indsats og virksomhedens udgifter investeres i de mest solide sager.

Dataindsigt

At identificere svindel er kun en del af billedet. Teknologi kan også give tidlig indsigt i nye tendenser inden for svindel med detaljer på mikroniveau – postnumre, typer af krav og personer – hvilket giver efterforskerne nøjagtige oplysninger, når det sker. Dette kan hjælpe forsikringsselskaber og salgsteams med at reagere hurtigt og lukke områder eller forretningsområder, der bliver mistænkelige.

Deling af oplysninger

Bag den innovative teknologi ligger kvalitetsdata. Selvom der er et fremragende samarbejde og datadeling gennem motorbaserede systemer, CUE og MIAFTR, kunne forsikringsbranchen drage fordel af en bredere samling af datasæt. Det ville også være et skridt fremad at kategorisere svindel på en specifik og ensartet måde i stedet for at bruge meget brede termer som "motor" eller "personskade". Association of British Insurers (ABI) har identificeret en række aftalte svigtyper, som bør føre til en større standardisering af, hvordan forskellige former for svig klassificeres. Nogle forsikringsselskaber har også delt modstanderbaserede strategier, i hvert fald inden for erhvervsejendomme, hvilket er et andet positivt tegn. Det er denne form for brancheomfattende samarbejde – en "traktat mellem svigteams" – der vil give udbytte i de kommende år.

Brugen af innovative teknologier vil helt sikkert vokse. I dag handler alt om hastighed og ydeevne. Ærlige kunder forventer, at deres krav bliver behandlet hurtigt og med minimale forstyrrelser. Men afsløring af svindel behøver ikke at være i konflikt med en positiv kundeoplevelse, og hurtig identifikation af tvivlsomme sager er afgørende for at udrydde nye tendenser inden for svindel.

Denne blog indeholder uddrag fra et nyligtSedgwick-webinar, der blev afholdt af Ian Carman, hvor et panel af brancheeksperter diskuterede kombinationen af kunstig og menneskelig intelligens i kampen mod svindel.

Mange tak til følgende paneldeltagere for deres deltagelse:

• Dan Edwards, ansvarskravschef, Enterprise Rent-A-Car
• Arnaud Grapinet, chefdataforsker, Shift Technology
• Kevin Kingdon, chef for svindel med erhvervsejendomme, Aviva
• Simon Roylance, kriminalitetsforebyggelse, LV
• Stephen Dalton, chef for efterretning og efterforskning, IFB