Fraudedetectie: machine versus mens?

Door Ian Carman, directeur, Britse onderzoeksdiensten

Kunstmatige intelligentie (AI) en machine learning-technologieën zijn enorm nuttig bij het opsporen van verdacht gedrag en verdachte activiteiten.

Het opsporen van verzekeringsfraude en het valideren van claims blijven echter een gebied waar technologie menselijke tussenkomst vereist.

Het is niet per seeen kwestie vanmachineversusmens; in feite gaan ze hand in hand. Als je talloze claims, forensische beeldanalyse en voorspellende analyses doorneemt, zul je zien dat dit allemaal dingen zijn die claimbehandelaars of fraudeonderzoekers niet met dezelfde snelheid en nauwkeurigheid zouden kunnen doen. De technologie vermindert met succes het aantal valse positieven en levert betrouwbare resultaten op, terwijl het fraudecontroleproces wordt versneld.

Gemengde aanpak

Er is geen eenduidige oplossing voor het identificeren van verdachte claims. Daarom is een gecombineerde aanpak nodig: technologie om grote hoeveelheden snel te verwerken, AI om verdachte patronen te identificeren en gedragswetenschap om gesprekken met de klant te begeleiden. AI neemt geen beslissingen, maar wijst claimbehandelaars en onderzoekers wel in de juiste richting. Door snel problemen te herkennen, kan AI helpen bij het identificeren van specifieke kwesties die aangeven dat een claim het onderzoeken waard is. Er zal altijd een fraudeonderzoeker nodig zijn om de output te verwerken. Bovendien verdubbelt de hoeveelheid gegevens na een virtueel of fysiek bezoek, wat het belang van één-op-één-onderzoeken onderstreept.

Het opsporen van misleiding door polishouders is een delicate aangelegenheid en vereist sterke gespreksvaardigheden, ondersteund door digitale stemrisicoanalyse. Het moet een zorgvuldig beheerd proces zijn, zo gestructureerd dat de fraudeur weet wanneer hij ontmaskerd is. Meestal zullen zij ervoor kiezen om af te zien van de claim – een reactie die verzekeraars vervolgens per geval kunnen beoordelen.

Ruimer landschap

Er ontstaan ook voortdurend nieuwe trends, waarbij fraudeurs steeds weer alternatieve manieren vinden om fraude te plegen. Gelukkig stelt technologie ons nu in staat om nieuwe pieken in activiteiten in een zo vroeg mogelijk stadium aan het licht te brengen. Machine learning kan zelfs opportunistische fraude detecteren, bijvoorbeeld door op te merken wanneer klanten zich bewust worden van claimdrempels en daar misbruik van gaan maken. Op het gebied van aansprakelijkheid en letselschade kan technologie, naast de klassieke fraudepatronen, ook advocaten en artsen met dezelfde connecties opsporen, verwijzingen naar posts op sociale media vinden en alles samenvoegen om potentieel frauduleus gedrag te identificeren.

AI bekijkt het bredere plaatje en analyseert frauduleus gedrag – van overdreven claims tot geavanceerde georganiseerde criminele activiteiten – aan de hand van big data, in vergelijking met wat er op de markt gebeurt. Door de toepassing van deze nieuwe technologieën kunnen fraudebestrijdingsteams efficiënter werken en worden de inspanningen van de onderzoekers en de bedrijfsuitgaven geïnvesteerd in de meest solide zaken.

Data-inzicht

Het opsporen van fraude is slechts een deel van het verhaal. Technologie kan ook vroegtijdig inzicht geven in nieuwe fraudetrends, met gedetailleerde informatie op microniveau – postcodes, soorten claims en personen – waardoor onderzoekers direct over accurate informatie beschikken. Dit kan verzekeraars en verkoopteams helpen om snel te reageren en verdachte gebieden of portefeuilles uit te schakelen.

Informatie delen

Achter de innovatieve technologie schuilt kwaliteitsdata. Hoewel er uitstekende samenwerking en gegevensuitwisseling plaatsvindt via motorgebaseerde systemen, CUE en MIAFTR, zou de verzekeringssector baat hebben bij een bredere bundeling van datasets. Het zou ook een stap vooruit zijn om fraude op een specifieke en uniforme manier te categoriseren, in plaats van zeer algemene termen te gebruiken, zoals 'motor' of 'letsel'. De Association of British Insurers (ABI) heeft een reeks overeengekomen fraudetypes vastgesteld die moeten leiden tot een grotere standaardisatie van de manier waarop verschillende vormen van fraude worden geclassificeerd. Sommige verzekeraars delen ook strategieën tegen tegenstanders, zeker op het gebied van commercieel vastgoed, wat een ander positief teken is. Het is dit soort branchebrede samenwerking – een 'verdrag van de fraudeteams' – dat de komende jaren vruchten zal afwerpen.

Het gebruik van innovatieve technologieën zal ongetwijfeld toenemen. Tegenwoordig draait alles om snelheid en prestaties. Eerlijke klanten verwachten dat hun claims snel en met minimale verstoring worden afgehandeld. Maar fraudedetectie hoeft niet in strijd te zijn met een positieve klantervaring, en snelle identificatie van twijfelachtige gevallen is cruciaal om opkomende fraudetrends de kop in te drukken.

Deze blog bevat fragmenten uit een recentwebinarvan Sedgwick, gepresenteerd door Ian Carman, waarin een panel van experts uit de sector debatteerde over de combinatie van kunstmatige en menselijke intelligentie in de strijd tegen fraude.

Hartelijk dank aan de volgende panelleden voor hun deelname:

• Dan Edwards, manager aansprakelijkheidsclaims, Enterprise Rent-A-Car
• Arnaud Grapinet, hoofd datawetenschapper, Shift Technology
• Kevin Kingdon, manager commerciële vastgoedfraude, Aviva
• Simon Roylance, claimt misdaadpreventie, LV
• Stephen Dalton, hoofd inlichtingen en onderzoeken, IFB