Détection de fraude : machine contre humain?

Par Ian Carman, directeur, services d’enquête au Royaume-Uni

L’intelligence artificielle (IA) et les technologies d’apprentissage automatique sont extrêmement utiles pour détecter les comportements et activités suspects.

Cependant, l’identification des fraudes à l’assurance et la validation des réclamations demeurent un domaine où la technologie nécessite une intervention humaine.

Ce n’est pas nécessairement machine contre humain; en fait, ils vont de pair. En passant au crible d’innombrables réclamations, analyses d’imagerie médico-légale et analyses prédictives, vous constaterez que ce sont toutes des choses que les gestionnaires de sinistres ou les enquêteurs en fraude ne pourraient pas faire avec la même rapidité et le même niveau de précision. La technologie réduit efficacement les faux positifs et produit des résultats fiables tout en accélérant le processus de dépistage des fraudes.

Approche mixte

Il n’existe pas de solution unique pour identifier les réclamations suspectes, c’est pourquoi une approche mixte est nécessaire – utiliser la technologie pour traiter rapidement de gros volumes, l’IA pour identifier les schémas suspects et la science comportementale pour aider à gérer les discussions avec le client. Bien que l’IA ne prenne pas de décisions, elle oriente les gestionnaires de réclamations et les enquêteurs dans la bonne direction. En reconnaissant rapidement les préoccupations, l’IA peut aider à identifier des enjeux spécifiques qui mettent en lumière la réclamation comme méritant d’être étudiée. Un enquêteur en fraude sera toujours tenu de traiter les résultats. Sans compter que les données doublent après une visite virtuelle ou physique, ce qui souligne l’importance des enquêtes individuelles.

La détection de la tromperie des assurés est sensible et nécessite de solides compétences en gestion de la conversation — appuyées par une analyse numérique des risques de la voix. Il doit s’agir d’un processus soigneusement géré — structuré de façon à ce que le fraudeur sache quand il a été démasqué. Le plus souvent, ils choisiront de se retirer de la réclamation – une réaction que les assureurs peuvent ensuite considérer au cas par cas.

Paysage plus large

De nouvelles tendances émergent aussi constamment, les fraudeurs trouvant sans cesse d’autres moyens de commettre des fraudes. Heureusement, la technologie nous permet maintenant d’exposer de nouveaux pics d’activité dès le plus tôt stade. L’apprentissage automatique peut même détecter la fraude opportuniste – par exemple, détecter où les clients commencent à réaliser et à profiter des seuils de réclamation. Dans le domaine de la responsabilité civile et des blessures corporelles, en plus des schémas classiques de fraude, la technologie peut aussi détecter des avocats et des médecins ayant les mêmes contacts, consulter les publications sur les réseaux sociaux et assembler tout pour cibler les comportements potentiellement frauduleux.

L’IA examine le paysage plus large, adoptant une vision de big data sur les comportements frauduleux – de l’exagération des affirmations à l’activité criminelle organisée sophistiquée – comparée à ce qui se passe sur le marché. L’application de ces nouvelles technologies rend les équipes de lutte contre la fraude plus efficaces, assurant que les efforts et les dépenses d’entreprise des enquêteurs soient investis dans les cas les plus solides.

Analyse des données

Identifier la fraude ne fait qu’une partie du tableau. La technologie peut aussi fournir un aperçu précoce des nouvelles tendances en matière de fraude, en offrant un micro-niveau de détails – codes postaux, types de réclamations et personnes – ce qui donne aux enquêteurs des informations exactes au fur et à mesure. Cela peut aider les souscripteurs et les équipes de vente à réagir rapidement et à détourner les domaines ou portefeuilles d’affaires qui deviennent suspects.

Partage d’informations

Au-delà de cette technologie innovante, il y a des données de qualité. Bien qu’il y ait une excellente collaboration et un partage de données grâce aux systèmes motorisés, CUE et MIAFTR, l’industrie de l’assurance pourrait bénéficier d’un plus large regroupement de données. Catégoriser la fraude de façon spécifique et uniforme, plutôt que d’utiliser des termes très larges comme « voiture » ou « blessures corporelles », serait aussi un pas en avant. L’Association des assureurs britanniques (ABI) a identifié un ensemble de types de fraude convenus qui devraient mener à une plus grande standardisation de la classification des différentes fraudes. Certains assureurs partagent aussi des stratégies basées sur l’opposition, notamment dans le domaine de l’immobilier commercial, ce qui est un autre signe positif. C’est ce genre de collaboration à l’échelle de l’industrie – un « traité des équipes fraudeuses » – qui portera ses fruits dans les années à venir.

L’utilisation de technologies innovantes est inévitable de croître. Aujourd’hui, tout tourne autour de la vitesse et de la performance. Les clients honnêtes s’attendent à ce que leurs réclamations soient réglées rapidement et avec un minimum de perturbations. Mais la détection de la fraude n’a pas à entrer en conflit avec un parcours client positif, et l’identification rapide des cas douteux est cruciale pour éradiquer les tendances émergentes de fraude.

Ce blogue inclut des extraits d’un récent webinaire de Sedgwick animé par Ian Carman, où un panel d’experts de l’industrie a débattu de la combinaison de l’intelligence artificielle et humaine dans la lutte contre la fraude.

Un grand merci aux panélistes suivants pour leur participation :

• Dan Edwards, gestionnaire des réclamations de responsabilité, Enterprise Rent-A-Car
• Arnaud Grapinet, scientifique des données en chef, Shift Technology
• Kevin Kingdon, gestionnaire de fraude immobilière commerciale, Aviva
• Simon Roylance, prétend la prévention du crime, LV
• Stephen Dalton, chef du renseignement et des enquêtes, IFB