Par Ian Carman, directeur, Services d’enquête du Royaume-Uni
L’intelligence artificielle (IA) et les technologies d’apprentissage automatique sont extrêmement utiles pour détecter les comportements et les activités suspects.
Cependant, l’identification de la fraude à l’assurance et la validation des réclamations restent un domaine où la technologie nécessite une intervention humaine.
Ce n’est pas nécessairement la machine contre l’homme ; en fait, ils vont de pair. En passant au crible d’innombrables réclamations, analyses d’imagerie médico-légales et analyses prédictives, vous constaterez que ce sont toutes des choses que les gestionnaires de réclamations ou les enquêteurs de fraude seraient incapables de faire avec la même vitesse et le même niveau de précision. La technologie réduit avec succès les faux positifs et produit des résultats fiables tout en accélérant le processus de filtrage des fraudes.
Approche mixte
Il n’y a pas de solution unique pour identifier les réclamations suspectes, c’est pourquoi une approche mixte est nécessaire - en utilisant la technologie pour traiter rapidement de gros volumes, l’IA pour identifier les modèles suspects et la science du comportement pour aider à gérer les discussions avec le client. Bien que l’IA ne prend 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 les problèmes spécifiques qui mettent en évidence la réclamation comme valant la peine d’être étudiée. Un enquêteur en matière de fraude sera toujours nécessaire pour traiter les extrants. Sans oublier que les données sont multipliées par deux à la suite d’une visite virtuelle ou physique, ce qui souligne l’importance des enquêtes en tête-à-tête.
La détection de la tromperie des assurés est sensible et nécessite de solides compétences en gestion des conversations , soutenues par l’analyse numérique des risques vocaux. Il doit s’agir d’un processus soigneusement géré , structuré de manière à ce que le fraudeur sache quand il a été exposé. Plus souvent qu’autrement, ils choisiront de se retirer de la réclamation – une réaction que les assureurs peuvent ensuite envisager au cas par cas.
Paysage plus large
De nouvelles tendances apparaissent également constamment, les fraudeurs trouvant continuellement d’autres moyens de commettre des fraudes. Heureusement, la technologie nous permet maintenant d’exposer de nouveaux pics d’activité au stade le plus précoce. L’apprentissage automatique peut même détecter la fraude opportuniste - reprenant là où les clients commencent à réaliser et à tirer parti des seuils de réclamation, par exemple. Dans le travail de responsabilité et de blessures corporelles, en plus des modèles de fraude classiques, la technologie peut également détecter les avocats et les médecins ayant les mêmes connexions, référencer les publications sur les réseaux sociaux et tout rassembler pour distinguer les comportements potentiellement frauduleux.
L’IA examine le paysage plus large, en adoptant une vision big data sur les comportements frauduleux - de l’exagération des réclamations à l’activité criminelle organisée sophistiquée - par rapport à ce qui se passe sur le marché. L’application de ces nouvelles technologies rend les équipes de lutte contre la fraude plus efficaces, en veillant à ce que les efforts et les dépenses des entreprises des enquêteurs soient investis dans les cas les plus robustes.
Aperçu des données
L’identification de la fraude n’est qu’une partie du tableau. La technologie peut également fournir un aperçu précoce des nouvelles tendances en matière de fraude, en donnant un micro-niveau de détail - codes postaux, types de réclamations et personnes - ce qui permet aux enquêteurs d’obtenir des informations précises au fur et à mesure. Cela peut aider les souscripteurs et les équipes de vente à réagir rapidement et à désactiver les zones ou les livres d’affaires qui deviennent suspects.
Partage d’informations
Au-delà de la technologie innovante se trouvent des données de qualité. Bien qu’il y ait une excellente collaboration et un excellent partage de données par le biais de systèmes motorisés, CUE et MIAFTR, l’industrie de l’assurance pourrait bénéficier d’une plus grande mise en commun des ensembles de données. Catégoriser la fraude d’une manière spécifique et uniforme, plutôt que d’utiliser des termes très généraux, tels que « moteur » ou « préjudice corporel », serait également un pas en avant. L’Association of British Insurers (ABI) a identifié un ensemble de types de fraude convenus qui devraient conduire à une plus grande normalisation de la façon dont les diverses fraudes sont classées. Certains assureurs ont également partagé des stratégies basées sur l’adversaire, certainement dans 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 de lutte contre la fraude » – qui rapportera des dividendes dans les années à venir.
L’utilisation de technologies innovantes ne peut que croître. Aujourd’hui, tout est une question de vitesse et de 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 en matière de fraude.
Ce blog comprend des extraits d’un récent webinaire sedgwick organisé par Ian Carman, où un panel d’experts de l’industrie a débattu de l’appariement de l’intelligence artificielle et humaine dans la lutte contre la fraude.
Un grand merci aux intervenants suivants pour leur participation :
- Dan Edwards, gestionnaire des réclamations de responsabilité, Enterprise Rent-A-Car
- Arnaud Grapinet, scientifique en chef des données, Shift Technology
- Kevin Kingdon, gestionnaire de la fraude immobilière commerciale, Aviva
- Simon Roylance, affirme prévention du crime, LV
- Stephen Dalton, chef du renseignement et des enquêtes, IFB