Detecção de fraudes: máquina versus ser humano?

Por Ian Carman, diretor dos serviços de investigação do Reino Unido

A inteligência artificial (IA) e as tecnologias de aprendizado de máquina são extremamente úteis na detecção de comportamentos e atividades suspeitos.

No entanto, a identificação de fraudes em seguros e a validação de sinistros continuam sendo uma área em que a tecnologia requer intervenção humana.

Não se trata necessariamentede uma competição entremáquinaseseres humanos; na verdade, eles trabalham em conjunto. Ao analisar inúmeras reclamações, análises forenses de imagens e análises preditivas, você descobrirá que todas essas são tarefas que os gestores de reclamações ou investigadores de fraudes não conseguiriam realizar com a mesma velocidade e nível de precisão. A tecnologia reduz com sucesso os falsos positivos e produz resultados confiáveis, ao mesmo tempo em que acelera o processo de triagem de fraudes.

Abordagem mista

Não existe uma solução única para identificar reclamações suspeitas, e é por isso que é necessária uma abordagem combinada – utilizando tecnologia para processar grandes volumes rapidamente, IA para identificar padrões suspeitos e ciência comportamental para ajudar a gerir as discussões com o cliente. Embora a IA não tome decisões, ela orienta os gestores de reclamações e os investigadores na direção certa. Ao reconhecer rapidamente as preocupações, a IA pode ajudar a identificar questões específicas que destacam a reclamação como digna de investigação. Um investigador de fraudes sempre será necessário para processar os resultados. Sem mencionar que os dados aumentam duas vezes após uma visita virtual ou física, o que ressalta a importância das investigações individuais.

A detecção de fraudes por parte dos segurados é um assunto delicado e requer fortes habilidades de gestão de conversas — apoiadas por análises digitais de risco de voz. Deve ser um processo cuidadosamente gerenciado — estruturado de forma que o fraudador saiba quando foi descoberto. Na maioria das vezes, eles optarão por desistir do pedido de indenização — uma reação que as seguradoras podem então considerar caso a caso.

Paisagem mais ampla

Novas tendências também estão surgindo constantemente, com os fraudadores encontrando continuamente maneiras alternativas de cometer fraudes. Felizmente, a tecnologia agora nos permite expor novos picos de atividade logo no estágio inicial. O aprendizado de máquina pode até mesmo detectar fraudes oportunistas – identificando, por exemplo, quando os clientes começam a perceber e tirar proveito dos limites de indenização. No trabalho com responsabilidade civil e danos pessoais, além dos padrões clássicos de fraude, a tecnologia também pode detectar advogados e médicos com as mesmas conexões, referenciar publicações nas redes sociais e reunir todas as informações para identificar comportamentos potencialmente fraudulentos.

A IA analisa o panorama geral, adotando uma visão de big data sobre comportamentos fraudulentos – desde exageros em reclamações até atividades criminosas organizadas sofisticadas – em comparação com o que está acontecendo no mercado. A aplicação dessas novas tecnologias torna as equipes antifraude mais eficientes, garantindo que os esforços dos investigadores e os gastos da empresa sejam investidos nos casos mais robustos.

Visão dos dados

Identificar fraudes é apenas parte do quadro. A tecnologia também pode fornecer informações antecipadas sobre novas tendências de fraude, oferecendo detalhes em nível micro — códigos postais, tipos de reclamações e pessoas —, o que capacita os investigadores com informações precisas à medida que elas surgem. Isso pode ajudar os subscritores e as equipes de vendas a reagir rapidamente e desativar áreas ou carteiras de negócios que estejam se tornando suspeitas.

Compartilhamento de informações

Além da tecnologia inovadora, há dados de qualidade. Embora exista uma excelente colaboração e compartilhamento de dados por meio de sistemas baseados em motores, CUE e MIAFTR, o setor de seguros poderia se beneficiar de um pool mais amplo de conjuntos de dados. Categorizar a fraude de maneira específica e uniforme, em vez de usar termos muito amplos, como “motor” ou “lesão corporal”, também seria um passo à frente. A Associação Britânica de Seguradoras (ABI) identificou um conjunto de tipos de fraudes acordados que devem levar a uma maior padronização da forma como as várias fraudes são classificadas. Algumas seguradoras também têm compartilhado estratégias baseadas em oponentes, certamente no setor de propriedades comerciais, o que é outro sinal positivo. É esse tipo de colaboração em todo o setor — um “tratado das equipes de fraude” — que trará dividendos nos próximos anos.

O uso de tecnologias inovadoras tende a crescer. Hoje em dia, tudo gira em torno de velocidade e desempenho. Clientes honestos esperam que suas reclamações sejam resolvidas rapidamente e com o mínimo de transtornos. Mas a detecção de fraudes não precisa entrar em conflito com uma experiência positiva para o cliente, e a identificação rápida de casos questionáveis é crucial para eliminar tendências emergentes de fraude.

Este blog inclui trechos de umwebinarrecente da Sedgwick apresentado por Ian Carman, no qual um painel de especialistas do setor debateu a combinação da inteligência artificial e humana na luta contra a fraude.

Muito obrigado aos seguintes participantes pelo seu contributo:

• Dan Edwards, gerente de reclamações de responsabilidade civil, Enterprise Rent-A-Car
• Arnaud Grapinet, cientista-chefe de dados, Shift Technology
• Kevin Kingdon, gerente de fraudes imobiliárias comerciais, Aviva
• Simon Roylance, afirmação sobre prevenção ao crime, LV
• Stephen Dalton, chefe de inteligência e investigações, IFB