CAS D’USAGE : DÉTECTION DE LA FRAUDE À L’ASSURANCE CHEZ SANTÉCLAIR
EXPLOITER LES DONNÉES POUR IDENTIFIER AVEC SUCCÈS LES DÉCLARATIONS DE SINISTRES FRAUDULEUSES
Qu’elles soient confrontées à des déclarations de faux sinistres, à des factures frauduleuses, de la rétention d’informations ou bien d’autres risques, toutes les compagnies d’assurance sont exposées au risque de fraude. Le secteur se doit donc d’être à la pointe de la technologie pour garder un temps d’avance sur les fraudeurs et minimiser ses pertes. Les ressources des services de lutte contre les fraudes étant limitées, chaque enquête sur un dossier finalement « sain » est une perte de temps. Embaucher plus de personnel pour mener ces contrôles manuels est une option coûteuse et inefficace. La clé est plutôt d’optimiser le travail de cette équipe en exploitant le big data pour détecter avec précision les activités suspicieuses. Cette ambition nécessite de recourir à des données provenant de multiples sources et de les analyser afin que les équipes d’investigation ne se concentrent que sur les dossiers à haut risque pour détecter plus de cas de fraude.
LE DÉFI
S’attaquer aux fraudeurs sophistiqués
Prenons l’exemple de Santéclair, un réseau de santé membre d’Allianz. Cette compagnie d’assurance a découvert que les demandes de remboursement frauduleuses émanaient aussi bien d’opticiens que de patients, mais l’entreprise n’avait pas de système à sa disposition lui permettant d’analyser de manière efficace les données pertinentes, tout en s’adaptant au degré de sophistication toujours plus élevé des fraudeurs. Jusqu’à là, les équipes utilisaient des règles opérationnelles de type « si-alors-sinon» pour identifier les cas de fraude probables, monopolisant le temps des équipes d’investigation sur des dossiers à faible risque. Avec l’augmentation du volume de remboursement (plus de 1,5 million demandes par an), Santéclair se devait d’améliorer son efficacité et sa productivité.
LA SOLUTION
Exploiter l’automatisation et l’apprentissage automatique avancé
Santéclair a découvert le Dataiku Data Science Studio lors d’une démonstration de faisabilité par la plateforme IMT TeraLab. Partenaire de Dataiku, Eulidia a développé un algorithme qui exploite DSS pour orienter les équipes de contrôles vers les dossiers les plus suspicieux. À l’aide de Dataiku, ce gain de productivité a été possible grâce à des algorithmes avancés de Machine Learning continuellement ré-entraînés sur les dernières données pour identifier tout nouveau schéma de fraude. Ces algorithmes combinent des centaines de variables issues de différents datasets, dont les dossiers médicaux des assurés, les archives des médecins prescripteurs, des graphiques d’interaction, des caractéristiques prescriptives et d’autres données contextuelles. Dataiku gère l’intégralité du workflow, des données brutes à la mise en route du modèle de prédiction jusqu’aux applications opérationnelles. Dans le même temps, les équipes de Santéclair ont pu développer leurs compétences en science des données grâce à l’interface collaborative et facile d’utilisation de Dataiku. Les équipes business ont ainsi pu gagner en indépendance et n’ont plus à solliciter les services techniques pour chacun de leurs besoins.
L’IMPACT
Dégager des économies pour les assurés avec une détection de fraude 3 fois plus efficace.
Grâce à la solution complète développée par Dataiku et Eulidia, Santéclair a pu :
- Permettre à ses équipes de détection des fraudes de cibler les cas de fraude effectifs 3 fois plus efficacement.
- Réaliser d’importantes économies pour leurs assurés en luttant contre les comportements frauduleux au sein du réseau de santé et en en excluant les fraudeurs.
Gagner du temps grâce à un modèle mis à jour et contrôlé de manière automatique tout au long du processus pour éviter les dérives de performance, et ce avec une supervision humaine limitée.
