Door Ian Carman, directeur Britse onderzoeksdiensten
Kunstmatige intelligentie (AI) en technologieën voor machinaal leren zijn enorm nuttig bij het detecteren van verdacht gedrag en verdachte activiteiten.
Het identificeren van verzekeringsfraude en het valideren van claims blijft echter een gebied waar technologie menselijke tussenkomst vereist.
Het is niet per se machine versus mens; in feite gaan ze hand in hand. Bij het doorzoeken van talloze claims, forensische beeldanalyse en voorspellende analyses zult u zien dat dit allemaal dingen zijn die schadebehandelaars of fraudeonderzoekers niet met dezelfde snelheid en nauwkeurigheid zouden kunnen doen. De technologie vermindert met succes vals-positieven en produceert betrouwbare resultaten terwijl het fraudecontroleproces wordt versneld.
Gemengde aanpak
Er is niet één oplossing voor het identificeren van verdachte claims, daarom is een gemengde aanpak nodig - met behulp van technologie om grote volumes snel te verwerken, AI om verdachte patronen te identificeren en gedragswetenschap om de gesprekken met de klant in goede banen te leiden. Hoewel AI geen beslissingen neemt, wijst het schadebehandelaars en onderzoekers wel in de juiste richting. Door snel problemen te herkennen, kan AI specifieke problemen identificeren die de claim de moeite van het onderzoeken waard maken. Er zal altijd een fraudeonderzoeker nodig zijn om de output te verwerken. Bovendien verdubbelen de gegevens na een virtueel of fysiek bezoek, wat het belang van één-op-één onderzoeken onderstreept.
Het detecteren van misleiding van polishouders is gevoelig en vereist sterke vaardigheden op het gebied van conversatiebeheer - ondersteund door risicoanalyse van digitale spraak. Het moet een zorgvuldig beheerd proces zijn - zo gestructureerd dat de fraudeur weet wanneer hij is ontmaskerd. Vaker wel dan niet zullen ze ervoor kiezen om van de claim af te zien - een reactie die verzekeraars dan per geval kunnen bekijken.
Breder landschap
Er ontstaan ook voortdurend nieuwe trends, waarbij fraudeurs voortdurend alternatieve manieren vinden om fraude te plegen. Gelukkig stelt technologie ons nu in staat om nieuwe activiteitspieken in een zo vroeg mogelijk stadium te ontdekken. Machine learning kan zelfs opportunistische fraude detecteren, bijvoorbeeld wanneer klanten zich beginnen te realiseren en voordeel beginnen te halen uit schadedrempels. Bij aansprakelijkheids- en letselschadezaken kan technologie, naast de klassieke fraudepatronen, ook advocaten en artsen met dezelfde connecties opsporen, naar sociale mediaposts verwijzen en alles samenvoegen om mogelijk frauduleus gedrag eruit te pikken.
AI kijkt naar het bredere landschap en vergelijkt frauduleus gedrag - van het overdrijven van claims tot geavanceerde georganiseerde criminele activiteiten - met wat er in de markt gebeurt. De toepassing van deze nieuwe technologieën maakt fraudebestrijdingsteams efficiënter en zorgt ervoor dat de inspanningen en bedrijfsuitgaven van de onderzoekers worden geïnvesteerd in de meest solide zaken.
Inzicht in gegevens
Het identificeren van fraude is slechts een deel van het plaatje. Technologie kan ook vroegtijdig inzicht verschaffen in nieuwe fraudetrends, door op microniveau details te geven - postcodes, soorten claims en mensen - waardoor onderzoekers nauwkeurige informatie krijgen op het moment dat die zich voordoet. Dit kan verzekeraars en verkoopteams helpen om snel te reageren en verdachte gebieden of activiteitenportefeuilles uit te schakelen.
Informatie delen
Naast de innovatieve technologie ligt de kwaliteit van de gegevens. Hoewel er uitstekende samenwerking en gegevensuitwisseling is via op motorrijtuigen gebaseerde systemen, CUE en MIAFTR, zou de verzekeringsbranche kunnen profiteren van een bredere bundeling van gegevensverzamelingen. Het categoriseren van fraude op een specifieke en uniforme manier, in plaats van het gebruik van zeer brede termen, zoals 'motor' of 'persoonlijk letsel', zou ook een stap voorwaarts zijn. De Association of British Insurers (ABI) heeft een aantal overeengekomen fraudetypen vastgesteld die moeten leiden tot een grotere standaardisering van de classificatie van verschillende fraudes. Sommige verzekeraars delen ook strategieën die zijn gebaseerd op de tegenstander, zeker in commercieel vastgoed, wat ook een positief teken is. Het is dit soort sectorbrede samenwerking - een 'verdrag van de fraudeteams' - dat de komende jaren vruchten zal afwerpen.
Het gebruik van innovatieve technologieën zal alleen maar toenemen. Tegenwoordig draait alles om snelheid en prestaties. Eerlijke klanten verwachten dat hun claims snel en met minimale onderbreking worden afgehandeld. Maar fraudedetectie hoeft niet in strijd te zijn met een positief klanttraject en een snelle identificatie van twijfelachtige gevallen is cruciaal om opkomende fraudetrends de kop in te drukken.
Deze blog bevat uittreksels van een recent Sedgwick webinar onder leiding van Ian Carman, waar 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, chief data scientist, Shift Technology
- Kevin Kingdon, fraudemanager commercieel vastgoed, Aviva
- Simon Roylance, misdaadpreventie bij claims, LV
- Stephen Dalton, hoofd inlichtingen en onderzoeken, IFB